發布時間：2022-03-18所屬分類：工程師職稱論文瀏覽：1次
摘 要： 摘 要：針對列車滾子軸承內圈外表面缺陷人工檢測方法的不足，提出了一種基于機器視覺的表面缺陷檢測方法，通過對缺陷圖像的處理和分析，快速、準確地實現了軸承表面缺陷的分類識別。文中使用工業內窺鏡進行軸承圖像的獲取，通過對圖像的灰度直方圖分析，判斷其是否為缺
摘 要：針對列車滾子軸承內圈外表面缺陷人工檢測方法的不足，提出了一種基于機器視覺的表面缺陷檢測方法，通過對缺陷圖像的處理和分析，快速、準確地實現了軸承表面缺陷的分類識別。文中使用工業內窺鏡進行軸承圖像的獲取，通過對圖像的灰度直方圖分析，判斷其是否為缺陷軸承;對缺陷圖像分別進行二值化處理、形態學濾波和圖像標記，以準確獲得圖像的缺陷區域;對缺陷區域進行特征提取后，利用缺陷分類決策樹完成缺陷類型的識別。實驗表明，該方法實時性好、運算速度快，可有效檢測出列車滾子軸承表面缺陷。
關鍵詞：機器視覺;缺陷檢測;形態學濾波;特征提取;分類識別
1 引言
列車滾子軸承是鐵路列車的一個關鍵部件，軸承故障是影響行車安全的一個重要因素，因此有關部門十分重視軸承質量的檢測。傳統的人工檢測方法主要依賴于工作人員的經驗、責任心等，長時間的勞動使得檢測的結果準確性較差，而且無法將檢測到的數據存儲、上傳及統計分析[1-2]。針對這種情況，本文對已有研究作出了改進，提出了一種基于機器視覺的列車滾子軸承表面缺陷檢測方法，工作流程如圖 1 所示。
2 圖像獲取及初次分類
2.1 圖像獲取
傳統的人工檢測方法中，工作人員長時間觀察滾子軸承內圈外表面容易產生視覺疲勞，這對工作人員的眼睛有一定的傷害，而且會造成檢測誤差，因此文中提出采用工業內窺鏡代替人眼進行圖像的獲取，將拍攝到的圖像存入數據庫系統，同時用工控機代替人腦進行分析[3]。
將經過清洗的軸承放置在可控的旋轉臺上，通過工業內窺鏡上的圖像傳感器可以獲取到清晰的軸承表面圖像，將圖像輸入到計算機中，經過圖像分析便可得到軸承表面的缺陷類型，系統結構如圖 2 所示。
2.2 初次分類
文中研究五種軸承表面主要缺陷：麻點、輾皮、劃傷、擦傷和凹痕，通過工業內窺鏡得到此五種缺陷圖像及無缺陷軸承表面的圖像分別如圖 3 所示。
灰度直方圖描述了一幅圖像的灰度級統計信息，通過直方圖可以很直觀地看到圖像灰度值的分布情況，完好圖像的灰度值比較集中，而缺陷圖像的分度值比較分散。使用 MATLAB 圖像處理工具箱中的函數可以得到圖像的均值和標準差,根據標準差的大小來判斷軸承圖像是否有缺陷[3]。
如表 1 所示，無缺陷圖像的灰度標準差明顯小于缺陷圖像的標準差，這證明根據圖像灰度值的標準差來判斷圖像是否有缺陷的方法是可行的，該方法可以對軸承進行初次分類，接下來僅對缺陷圖像進行處理即可。
3 二值化及形態學濾波
3.1 二值化處理
進行特征提取之前，首先對缺陷圖像進行二值化處理。目前，常用的二值化處理方法有自適應閾值法、人工選擇閾值法、迭代選擇閾值法等，其中人工選擇閾值法的二值化視覺效果最好，但是需要工作人員的參與，而且要用不同的閾值不斷試驗來選取最優，比另外兩種方法花費時間更長[4]。文中提出一種根據缺陷圖像的灰度均值范圍確定閾值的方法，實驗證明，該方法既快速又實用。對獲取到的 300 張圖片進行二值化處理，五種主要缺陷的灰度均值和人工選擇閾值的范圍如表 2 所示。
由上表 2 可以看出，不同缺陷圖像的灰度均值范圍和人工選擇閾值法確定的閾值范圍并不相同。本方法的核心思想是在缺陷圖像進行二值化處理之前，首先進行灰度均值計算，根據不同均值范圍，使用不同的閾值進行二值化處理[5]，閾值選擇規則如表 3 所示。
3.2 形態學濾波
由于圖像獲取過程中光照不均或者軸承清洗不干凈等原因，導致獲取到的圖像會有噪聲的產生，這是圖像采集過程中難以避免的。文中對二值化處理后的圖像進行形態學濾波，這既可以去掉多余的噪聲點，又保留了缺陷圖像的主要特征，為特征提取帶來了極大便利。
相關知識推薦：論文狀態待發表等多久
形態學基本運算包括腐蝕、膨脹、開運算和閉運算四種，各有其作用和優勢，用于圖像處理的效果也不同，通過實驗對二值化的圖像分別進行處理，最終選擇閉運算作為文中形態學濾波的基本運算。由于結構元素的選取在形態學處理中占有極其重要的地位，所以對多種不同的結構元素分別進行對比實驗，最終選擇[0 0 1 0 0;0 1 1 1 0;1 1 1 1 1;0 1 1 1 0;0 0 1 0 0]作為文中算法形態學處理中的結構元素，實驗證明，此結構元素對于二值化后的圖像濾波效果最好，經過形態學濾波處理后的二值圖像如圖 5 所示。
4 圖像標記及特征提取
4.1 圖像標記
在二值圖像中提取連通區域時，通常的做法是給每個區域分配唯一代表該區域的編號，該區域內所有像素的像素值就賦值為該編號，這樣的輸出圖像被稱為標記圖像[6]。
目前的二值圖像連通區域標記算法大致可以分為三類：像素標記法、游程編碼法和區域生長法。文中采用 8 連通區域標記法，按照從左到右、從上到下的順序依次掃描圖像中的各像素點，找到灰度值為 0 的黑點并對其進行標記，判斷其右邊點、右下點、下邊點是否為黑點，是黑點則進行同一編號標記，否則編號加 1 并繼續進行掃描，直至掃描結束。其原理就是把每個像素相互鄰接的 8 個像素中灰度值為 0(黑點)的像素集合提取出來進行同一編號標記，這樣便可以獲得標記圖像[7-8]。
4.2 特征提取
從標記后的缺陷圖像中可以獲得一些幾何特征，根據這些特征對缺陷進行分類識別。針對軸承的五種主要缺陷，文中選擇了連通區域數量、面積、平均面積、周長和長寬比作為缺陷特征的描述。
�、龠B通區域數量 N
通過圖像標記可以得到連通區域的數量，實驗證明，五種缺陷的連通區域數量存在很大的差別。
�、诿娣e A
面積是描述缺陷區域大小的幾何量，通常用連通區域內像素點的個數來表示，
5 分類識別及結論
5.1 分類識別
由上表 4 可以看出，各類缺陷圖像的不同特征存在很大的差別，文中利用連通區域數量特征作為麻點、輾皮和其它三類缺陷的分類依據;利用平均面積特征作為麻點和輾皮的分類依據;利用長寬比特征作為劃傷和擦傷、凹痕的分類依據;利用面積特征作為擦傷和凹痕的分類依據，形成了缺陷分類決策樹如圖 6 所示，其中 N’、A’、MA’、R’分別為實驗獲得的邊界值。
利用該分類方法對獲取到的 300 張圖片進行處理，統計結果如表 5 所示，可以看出，對軸承缺陷圖像的識別率達到了 97.3%，與 BP 神經網絡、支持向量機等分類方法相比，文中方法更加簡單實用、快速方便。
5.2 結論
針對列車滾子軸承表面缺陷檢測問題，文中提出了一種基于機器視覺的檢測方法，首先對圖像獲取裝置進行了設計，提出了基于灰度標準差的初次分類方法，在二值化處理后對圖像進行形態學濾波，然后對缺陷區域進行標記和特征提取，最后利用缺陷分類決策樹完成缺陷類型的識別。實驗表明，該方法實時性好、運算速度快，可有效檢測出列車滾子軸承表面缺陷，而且可進行數據統計和管理，便于之后此類問題的研究。——論文作者：石 煒 1，張袁祥 1，李嘉楠 1
參考文獻
[1] 吳景.基于機器視覺的軸承滾子表面缺陷檢測系統[D].浙江大學,2018. Wu Jing. Machine Vision-based Surface Defect Detection System for Bearing Rollers [D]. Zhejiang University,2018.
[2] 張奔.基于機器視覺的軸承滾子表面缺陷檢測研究[D].南昌航空大學,2018. Zhang Ben. Research on Surface Defect Detection of Bearing Rollers Based on Machine Vision [D]. Nanchang Hangkong University,2018.
[3] 石煒,邵珠慶,李巍巍.機器視覺在圓錐滾子軸承內圈外表面缺陷檢測中的應用[J].機械設計與制造,2015(05):137-139. Shi Wei, Shao Zhu-qing, Li Wei-wei. Application of Machine Vision in Detection of Defects on Outer Surface of Inner Ring of Taper-roller Bearing [J]. Machinery Design & Manufacture,2015(05):137-139.
[4] 郭慧,王霄,劉傳澤.人造板表面缺陷檢測圖像自適應快速閾值分割算法[J].林業科學,2018,54(11):134-142. Guo Hui, Wang Xiao, Liu Chuan-ze. Adaptive Fast Threshold Segmentation Algorithm for Surface Defect Detection of Artificial Panels[J].Forestry Science,2018,54(11):134-142.
[5] 胡慧君,李元香,劉茂福.基于機器學習的帶鋼表面缺陷分類方法研究 [J].計算機工程與設計,2014,35(02):620-624. Hu Hui-jun, Li Yuan-xiang, Liu Mao-fu. Research on Surface Defect Classification of Strip Steel Based on Machine Learning [J]. Computer Engineering and Design,2014,35(02):620-624.
[6] 張錚,徐超,任淑霞.數字圖像處理與機器視覺[M].第 2 版.人民郵電出版社,2014,343-356. Zhang Zheng, Xu Chao, Ren Shu-xia. Digital Image Processing and Machine Vision [M]. 2nd Edition. People's Posts and Telecommunications Press,2014,343-356.
[7] 李金燕,李春祥,王錫嶺.焊縫缺陷圖像特征提取的研究[J].焊接技術,2018,47(11):78-82+6. Li Jin-yan, Li Chun-xiang, Wang Xi-ling. Research on Feature Extraction of Weld Defect Image [J]. Welding Technology, 2008,47(11):78-82+6.
[8] 王恒迪,李莎,鄧四二.軸承外圈側面缺陷的視覺檢測算法研究[J].機械設計與制造,2017(12):169-172. Wang Heng-di, Li Sha, Deng Si-er. Study on Visual Detection Algorithm for Side Defects of Bearing Outer Ring[J].MachineryDesign & Manufacture,2017(12):169-172
SCISSCIAHCI
