軸承套圈端面缺陷在線視覺檢測的研究與實現

針對軸承生產(chan)企業套圈(quan)生產(chan)過程(cheng)中普遍存(cun)在(zai)端(duan)面缺陷的(de)問題與人工目檢的(de)現狀，提(ti)出了基于機器視覺的軸承套圈端面缺陷在線檢測方法。首先，對套(tao)(tao)圈(quan)圖像預處理后(hou)進行邊(bian)緣檢測(ce)(ce)，采用四連通域定(ding)位套(tao)(tao)圈(quan)端面區(qu)域；其次(ci)，采用最(zui)小二乘(cheng)法(fa)(fa)擬合端面輪廓(kuo)以(yi)判(pan)別(bie)外形缺陷，采用極(ji)坐(zuo)標變換將套(tao)(tao)圈(quan)環(huan)形端面拉(la)伸成(cheng)矩(ju)形，采用Sauvola局(ju)部(bu)二值化(hua)算法(fa)(fa)對矩(ju)形圖進行缺陷分(fen)割，并(bing)通過(guo)坐(zuo)標系反變換與雙線性插值法(fa)(fa)將缺陷圖轉換回(hui)環(huan)形圖；最(zui)后(hou)，根據提取缺陷的(de)圖像特征完成(cheng)缺陷的(de)識別(bie)與分(fen)類。現(xian)場(chang)測(ce)(ce)試(shi)表(biao)明，套圈端面檢測系統的整體識別準確率達98.6%。

軸(zhou)(zhou)承(cheng)是保證機械裝備回(hui)轉(zhuan)(zhuan)精(jing)度(du)不可(ke)或(huo)缺(que)的(de)基礎(chu)部件，軸(zhou)(zhou)承(cheng)套圈在(zai)經過(guo)平(ping)(ping)面(mian)(mian)磨(mo)削(xue)加(jia)(jia)工后(hou)，其端面(mian)(mian)可(ke)能(neng)依然存在(zai)鍛(duan)廢、大(da)小邊(bian)、磕碰(peng)傷、車廢、磨(mo)傷、黑皮等(deng)外觀缺(que)陷(xian)(xian)。如果(guo)套圈端面(mian)(mian)存在(zai)缺(que)陷(xian)(xian)，其作(zuo)為外圓無(wu)心(xin)磨(mo)等(deng)后(hou)序(xu)(xu)工位的(de)定(ding)位面(mian)(mian)，勢必(bi)影響加(jia)(jia)工精(jing)度(du)和(he)軸(zhou)(zhou)承(cheng)的(de)回(hui)轉(zhuan)(zhuan)精(jing)度(du)，可(ke)能(neng)導致軸(zhou)(zhou)承(cheng)使用(yong)過(guo)程中(zhong)產生噪聲和(he)振(zhen)動，從而加(jia)(jia)速磨(mo)損(sun)，甚(shen)至引發(fa)機器故障。另一方面(mian)(mian)，端面(mian)(mian)缺(que)陷(xian)(xian)套圈進入(ru)后(hou)續工序(xu)(xu)加(jia)(jia)工后(hou)剔除(chu)或(huo)成(cheng)品(pin)進入(ru)市場后(hou)召回(hui)，都會(hui)給企業帶來(lai)物資與人力成(cheng)本(ben)的(de)極大(da)浪(lang)費。因此，必(bi)須在(zai)平(ping)(ping)面(mian)(mian)磨(mo)削(xue)加(jia)(jia)工后(hou)將(jiang)缺(que)陷(xian)(xian)品(pin)剔除(chu)，避免流入(ru)后(hou)續工序(xu)(xu)。

目前，大多企業仍(reng)憑借(jie)質(zhi)檢(jian)(jian)員肉眼與(yu)主觀經驗(yan)對套圈進(jin)行(xing)鑒(jian)定(ding)(ding)與(yu)判斷(duan)，質(zhi)檢(jian)(jian)結果易(yi)(yi)受人為因素影(ying)響(xiang)，檢(jian)(jian)驗(yan)標(biao)準難以(yi)保持一(yi)致，穩定(ding)(ding)性(xing)差且易(yi)(yi)漏(lou)檢(jian)(jian)。機器視覺具有(you)精度(du)高(gao)、效率高(gao)、實時性(xing)好(hao)等優點，是(shi)替代人工檢(jian)(jian)測的(de)(de)(de)有(you)效方法，例(li)如：文獻(xian)(xian)[2]采(cai)用(yong)(yong)改進(jin)Otsu方法進(jin)行(xing)閾值化處理，利用(yong)(yong)八連通域(yu)標(biao)記識別(bie)技術(shu)實現(xian)了軸(zhou)承(cheng)端面的(de)(de)(de)非接觸檢(jian)(jian)測；文獻(xian)(xian)[3]利用(yong)(yong)紋理單元(yuan)解(jie)決(jue)了空氣軸(zhou)承(cheng)表面變化的(de)(de)(de)光照強度(du)影(ying)響(xiang)圖像采(cai)集(ji)的(de)(de)(de)問題。

在上述研究的基礎上，本文提出一種軸承套圈端面缺陷在線視覺檢測方法，采用四連通域、種子填充算法定位檢測區域，Sauvola局部二值化算法進行圖像分割，并基于多特征的外觀缺陷識別方法判別缺陷。

1、光源選擇(ze)與檢測(ce)區域定(ding)位

1.1 光源選擇

光(guang)源是視(shi)覺檢測系統不可或缺的(de)組(zu)成(cheng)部分，直(zhi)接關系到(dao)成(cheng)像(xiang)質量。良(liang)好(hao)的(de)照明方式可以凸顯目標(biao)區域的(de)特征，減輕(qing)圖像(xiang)處理工作量。

端面(mian)(mian)缺陷檢測(ce)成(cheng)像面(mian)(mian)為圓環(huan)形金屬端面(mian)(mian)，具有一定的鏡(jing)面(mian)(mian)發(fa)射(she)效應，且被測(ce)套(tao)圈尺寸跨度大(da)，故采用(yong)球積分漫反(fan)(fan)射(she)無(wu)影照(zhao)明(ming)方式，照(zhao)射(she)面(mian)(mian)積大(da)，光線集中(zhong)且照(zhao)射(she)均勻，不會形成(cheng)鏡(jing)面(mian)(mian)反(fan)(fan)射(she)，如圖1所示。

圖1 球(qiu)積分(fen)漫(man)反射(she)無影照(zhao)明

Fig.1 Spherical integral diffuse reflection shadowless illumination

1.2 圖(tu)像預處(chu)理(li)

圖(tu)(tu)像捕獲過程(cheng)中存在的(de)(de)(de)噪聲(sheng)(sheng)與(yu)干(gan)擾會降低(di)圖(tu)(tu)像質(zhi)量，增加后(hou)(hou)續(xu)邊緣(yuan)檢測與(yu)圖(tu)(tu)像分割的(de)(de)(de)難(nan)度(du)因此，需要對原始圖(tu)(tu)像進行一定的(de)(de)(de)預處(chu)理，消除圖(tu)(tu)像中的(de)(de)(de)噪聲(sheng)(sheng)與(yu)干(gan)擾，均(jun)值(zhi)濾(lv)(lv)波(bo)(bo)(bo)、高(gao)斯(si)濾(lv)(lv)波(bo)(bo)(bo)、中值(zhi)濾(lv)(lv)波(bo)(bo)(bo)的(de)(de)(de)對比效果如圖(tu)(tu)2所示。由(you)于端(duan)面環形區(qu)域(yu)外為(wei)背景(jing)區(qu)域(yu)，灰度(du)值(zhi)較(jiao)低(di)，均(jun)值(zhi)濾(lv)(lv)波(bo)(bo)(bo)處(chu)理后(hou)(hou)的(de)(de)(de)環形區(qu)域(yu)明暗對比變弱，圖(tu)(tu)像也變得(de)模糊；中值(zhi)濾(lv)(lv)波(bo)(bo)(bo)處(chu)理后(hou)(hou)的(de)(de)(de)端(duan)面邊緣(yuan)部分被黑色(se)區(qu)域(yu)影響，邊緣(yuan)細(xi)(xi)節丟(diu)失；而高(gao)斯(si)濾(lv)(lv)波(bo)(bo)(bo)由(you)于加權平均(jun)的(de)(de)(de)特點，在去除噪聲(sheng)(sheng)的(de)(de)(de)同時(shi)可以很好地保留圓環及其邊緣(yuan)的(de)(de)(de)細(xi)(xi)節。針(zhen)對套圈端(duan)面區(qu)域(yu)與(yu)背景(jing)區(qu)域(yu)對比較(jiao)大(da)(da)，并且需要檢測出細(xi)(xi)小缺陷的(de)(de)(de)特點，選取(qu)大(da)(da)小為(wei)3×3，標準(zhun)差為(wei)1的(de)(de)(de)濾(lv)(lv)波(bo)(bo)(bo)窗口進行高(gao)斯(si)濾(lv)(lv)波(bo)(bo)(bo)。

圖(tu)2 不同濾波方式效果圖(tu)

Fig.2 Effect diagram by different filtering methods

1.3 邊緣檢測

邊緣檢測(ce)是通(tong)過識別圖像(xiang)中亮度(du)發(fa)生(sheng)明顯(xian)變化的部分確定需要(yao)識別圖像(xiang)邊緣的位置。區(qu)域(yu)內灰度(du)突(tu)變反(fan)映了(le)圖像(xiang)的重要(yao)變化，是價值(zhi)極(ji)高(gao)的圖像(xiang)特征。針對(dui)本研究(jiu)，邊緣檢測(ce)可(ke)以很(hen)好地完成套(tao)圈端面區(qu)域(yu)與背景區(qu)域(yu)的劃分，更(geng)容易實現(xian)檢測(ce)區(qu)域(yu)的定位，為下一步處理做好準備(bei)工作。

常用的邊緣檢測算子包括Canny 算子、Sobel算子與Laplacian算子(zi)。Sobel算(suan)子對(dui)噪聲和灰度漸變的邊(bian)緣(yuan)適(shi)應(ying)能(neng)力(li)(li)較強，但對(dui)圖像(xiang)有(you)平滑處理功能(neng)，適(shi)用(yong)于(yu)對(dui)精度要求不高的場合；Laplacian算(suan)子對(dui)噪聲的抗(kang)干擾(rao)能(neng)力(li)(li)較差，會將無效像(xiang)素視(shi)為邊(bian)緣(yuan)點，但會突出(chu)邊(bian)緣(yuan)的對(dui)比度，適(shi)用(yong)于(yu)圖像(xiang)銳(rui)化場景(jing)；Canny算子(zi)具備錯(cuo)誤率(lv)低(di)，定位能力(li)強(qiang)，邊(bian)緣像素響(xiang)應單(dan)一等特性，被稱為最優秀的邊(bian)緣檢測(ce)器。3種算子的對比如圖3所示，Canny算子的抗噪聲干擾能力更強，對邊緣的定位能力較強，能檢測出真正的弱邊緣。因此，本文選取高低閾值比率為2:1的Canny 算子提取套圈端面圓環的2條輪廓。

圖3 各算子邊緣檢測效果對比

Fig.3 Comparison of edge inspection effects of various operators

1.4 端面定位

檢(jian)(jian)測(ce)區(qu)域定(ding)位(wei)(wei)有(you)2種(zhong)方法：1)對邊(bian)緣輪(lun)廓進(jin)行(xing)最小(xiao)(xiao)二乘(cheng)法擬(ni)合得到(dao)大小(xiao)(xiao)圓圓心(xin)與半徑，根據像素點(dian)是否在(zai)(zai)小(xiao)(xiao)圓外、大圓內(nei)進(jin)行(xing)端面(mian)(mian)(mian)定(ding)位(wei)(wei)；2)利用(yong)(yong)四連通域法進(jin)行(xing)端面(mian)(mian)(mian)區(qu)域定(ding)位(wei)(wei)。大量試驗表明，由(you)于鏡頭畸變和套圈端面(mian)(mian)(mian)倒(dao)角(jiao)的影(ying)響(xiang)，第1種(zhong)方法偶爾會出現實際端面(mian)(mian)(mian)點(dian)沒(mei)有(you)包含(han)在(zai)(zai)擬(ni)合端面(mian)(mian)(mian)內(nei)的情況，造成誤(wu)檢(jian)(jian)或漏檢(jian)(jian)，因此本文利用(yong)(yong)四連通域法進(jin)行(xing)端面(mian)(mian)(mian)區(qu)域定(ding)位(wei)(wei)。

坐標(x，y)處的像素點Р有上下左右4個相鄰像素，坐標分別為(x，y-1)，(x，y+1) ，(x-1，y) ，( x +1，y)，這4個像素點表示Р的四鄰域，用N₄(P)表示。點P的4個對角點與四鄰域一起稱為Р的八鄰域，用N₈(P)表示，其中4個對角點的坐標分別為(x-1，y-1 )，(x-1，y+1) , (x+1，y-1)，(x+1 ，y+1)。四鄰域與八鄰域的示意圖如圖4所示，圖中灰色區域表示Р點鄰域。如果2個像素鄰接，則稱這2個像素是連通的，圖4a中灰色區域與Р點為四連通。

圖4 四鄰(lin)(lin)域與八鄰(lin)(lin)域示意(yi)圖

Fig.4 Diagram of P point four neighborhood and eight neighborhood

邊緣(yuan)檢測提取的(de)輪(lun)廓基于八鄰域(yu)連(lian)接且(qie)圖(tu)像為二值(zhi)圖(tu)，因此(ci)可(ke)以(yi)利(li)用種子填(tian)充(chong)算法(fa)定位檢測區域(yu)，操作步(bu)驟如(ru)圖(tu)5所示(shi)：

1)在端面區域內找到一個前景像素點Р作為初始種子，設初始種子為(x_min+(r_max-r_min)/2，y_min）即可，將Р點壓入棧中并做好標記。

2)將Р點彈出棧頂，遍歷Р點的上下左右4個鄰域點，如果Р點的鄰域點不是輪廓點(像素值為0)或未被標記，則將該鄰域點壓入棧中并做好標記。

3)彈出棧頂鄰(lin)(lin)域點(dian)(dian)，遍(bian)歷該(gai)鄰(lin)(lin)域點(dian)(dian)的上下左右(you)4個鄰(lin)(lin)域點(dian)(dian)，如果該(gai)鄰(lin)(lin)域點(dian)(dian)的4個鄰(lin)(lin)域點(dian)(dian)不是輪廓點(dian)(dian)或未被標(biao)記，則(ze)將(jiang)該(gai)鄰(lin)(lin)域點(dian)(dian)壓(ya)入(ru)棧中并做好(hao)標(biao)記。

4)重(zhong)復(fu)第3步，直到棧為(wei)空(kong)，所有鄰(lin)域點均(jun)被標(biao)記。

圖(tu)5 四(si)鄰接(jie)連通域法進行(xing)端面定位

Fig.5 Four adjacent connection domain method for end face positioning

至此(ci)，便已(yi)成功提取端面連(lian)通(tong)(tong)域，此(ci)連(lian)通(tong)(tong)域即(ji)套圈端面區域(圖6)，后(hou)續的缺陷檢測只需處理套圈端面區域內的圖像，為節省后(hou)續運算時(shi)間奠定基(ji)礎(chu)。

圖6 端面(mian)區域定位結果(guo)

Fig.6 Positioning result of end face area

2、缺陷檢測

本研究將套圈缺陷(xian)分(fen)為(wei)外形缺陷(xian)(大小邊、磕碰傷(shang))和外觀(guan)缺陷(xian)(車廢、磨傷(shang)等(deng)端面(mian)損傷(shang))。

2.1 外形缺陷判別

對于外形缺陷，用最小二乘法計算所提取2條套圈端面輪廓的大、小圓圓心，通過圓心距離進行判定。如圖7所示：如果大、小圓的圓心距離d_c超過設定的閾值D_max，則將其判定為大小邊缺陷；如果外圓圓心最短距離d_out與外圓半徑r_out的差值Δ_out超過設定的閾值D_out，則將其判定為外圓磕碰傷缺陷；如果內圓圓心最長距離d_in與內圓半徑r_in的差值Δ_in超過設定的閾值D_in，則將其判定為外圓磕碰傷缺陷；

圖(tu)7 外(wai)形缺陷判(pan)別

Fig.7 Discrimination of shape defects

2.2 外觀缺(que)陷(xian)判別

2.2.1 圖像坐標系轉換

套圈(quan)(quan)端面(mian)(mian)是(shi)一個(ge)圓環(huan)，直接進(jin)(jin)行圖像(xiang)分割(ge)會被套圈(quan)(quan)外的黑色區域嚴(yan)重干擾(rao)而無法(fa)正確提取(qu)缺(que)陷(xian)，因此需要將提取(qu)的套圈(quan)(quan)端面(mian)(mian)進(jin)(jin)行坐(zuo)標系變換(huan)，將端面(mian)(mian)圓環(huan)拉伸成(cheng)便于后(hou)續(xu)處(chu)理的矩(ju)形(xing)。局部分割(ge)算法(fa)可以在(zai)變換(huan)后(hou)的矩(ju)形(xing)中(zhong)進(jin)(jin)行，提取(qu)缺(que)陷(xian)后(hou)再將圖像(xiang)從(cong)極坐(zuo)標系變換(huan)至直角坐(zuo)標系。

如圖8所示，點P的x，y坐標分別表示其距離原點O的水平距離與垂直距離；點P'的坐標u，v分別表示點Р在圖8a中相對圓心(r_x，r_y)的極角與極徑。

圖8 直角坐(zuo)標系轉極(ji)坐(zuo)標系

Fig.8 Conversion from Cartesian coordinate system to polar coordinate system

為(wei)避免變換后的矩形(xing)圖像長(chang)寬比過大并提高圖像處理速度，指定變換后的矩形(xing)長(chang)為(wei)L，寬為H，設定極(ji)角比例因子μ_θ為2π/L，極(ji)徑比例因子(zi)μ_l為(R-r)/H。對于(yu)直角坐標系Р點到極坐標(biao)系(xi)P'點的轉換，數學對應(ying)關系(xi)為

得到Р點與(yu)P'點的對(dui)應坐標(biao)后，便可以將P'點的灰度值設置為(wei)Р點最(zui)鄰近插值，其關(guan)系式為(wei)

式(shi)中(zhong)：f'(u，v)為矩形P'點的像素值；f(x，y)為原圖中(zhong)Р點的最鄰近插值。

圓環(huan)拉伸成(cheng)矩(ju)(ju)形的轉換(huan)效果如圖(tu)9所示，將圓環(huan)拉伸成(cheng)矩(ju)(ju)形后，對(dui)矩(ju)(ju)形圖(tu)的缺陷進行提取。

圖9 坐(zuo)標系轉換效果圖

Fig.9 Coordinate system conversion effect diagram

在(zai)矩形圖(tu)(tu)中(zhong)利用圖(tu)(tu)像分(fen)割提取缺(que)陷后，為(wei)便于判定，需要(yao)將缺(que)陷轉換到圓環中(zhong)，極坐(zuo)標系轉換為(wei)直(zhi)角坐(zuo)標系的對應關系為(wei)

同理，得到P點與P'點的對應(ying)坐標后，便可以將Р點的灰(hui)度(du)值設置為P'點灰(hui)度(du)值，即

由于轉成極坐標系時會造成部分像素點丟失，在重新轉換為直角坐標系時不一定會有對應的像素點，而如果直接選取與坐標值距離最近的像素點進行轉換可能會造成失真，因此，在尋找P'點像(xiang)素值(zhi)時需要運(yun)用雙(shuang)線性插值(zhi)進(jin)行轉(zhuan)換。

雙線性插值是在水平方向與垂直方向運用2次線性插值的方法。如圖10所示，P'點為轉換后的未知點，其坐標(u，v)不一定為整數值，距其最近的4個整數點為Q₁₁(u₁，v₁)，Q₁₂(u₁，v₂)，Q₂₁( u₂，v₁ )，Q₂₂(u₂，v₂)。首先，在v軸方向根據P'點的v軸坐標值進行插值，在Q₁₁，Q₁₂中插人R₁點，在Q_2l，Q₂₂中插入R₂點；然后，根據P'點的u軸坐標值與插入的R₁點、R₂點在u軸方向插入P'點。P'點像素值的計算公式為

式中：f'(x)為x點的像(xiang)素值(zhi)。

圖(tu)10 雙線(xian)性插值原理圖(tu)

Fig.10 Bilinear interpolation principle diagram

通(tong)過雙線性(xing)插值(zhi)將拉伸后(hou)的矩形(xing)(圖9b)重(zhong)新(xin)轉換為圓(yuan)環的效果如圖11所示。

圖11 雙線性插(cha)值轉換效果(guo)圖

Fig.11 Bilinear interpolation conversion effect diagram

2.2.2 圖像分割

圖像分割是指利用圖像中的灰度、紋理、空間等特征，將圖像細分為子區域并突出這些子區域對自身的相似性及對其他子區域的不連續性，最終提取出感(gan)興趣的(de)(de)區域。圖像分割的(de)(de)效果直(zhi)接決(jue)定了(le)后(hou)續特征分析的(de)(de)難度與檢測(ce)系統的(de)(de)質量(liang)。因(yin)此，需要針對檢測(ce)目(mu)標找到最合適(shi)的(de)(de)分割方法。

經過大量試驗對比，選擇Sauvola局部二值化算法12進行圖像分割。計算以點(x，y)為中心的窗口模板內的灰度均值m(x，y)與標準方差σ(x，y) ，則點(x，y)的閾值T(x，y)為

式中：R為標準方差的動態范圍，本文檢測對象為八位灰度圖，故R取128；k為調整系數，Sauvola算法的優點在于k的微小變化不會顯著影響二值化的結果。

利用Sauvola局部二值化算法對車廢、磨傷、無缺陷但光照不均這3種情況進行分割試驗，調整系數k取0.08，分割效果如圖12所示。

圖12 Sauvola算法的分割效(xiao)果

Fig.12 Segmentation effect by Sauvola algorithm

2.2.3 基于多特征的外觀缺陷識別

在完成缺(que)陷(xian)分割后(hou)，由于生(sheng)產狀況、光照不均等外部因素的影響，有可能存在噪聲區域或(huo)偽缺(que)陷(xian)區域，需要(yao)對分割后(hou)的圖像(xiang)進行(xing)圖像(xiang)特征(zheng)統計與分析，根據分析結(jie)果進行(xing)缺(que)陷(xian)判別。

如圖12a所示，車廢缺陷區域與端面正常區域相比，其灰度值較低且一般沿著圓周方向分布于端面上。因此，選取區域面積S、區域輪廓長度L、最小外接矩形主軸至圓心距離D作為車廢缺陷的判別特征。判別示意圖如圖13所示。

提取出缺陷區域后可以計算出該缺陷的最小外接矩形與該外接矩形的主軸直線公式，A_x+B_y+C=0于是小圓圓心(x₀，y₀)至主軸直線的距離D為

圖13 缺陷最小外接(jie)矩形主(zhu)軸(zhou)至圓心(xin)距離計算示意圖

Fig.13 Calculation diagram of distance from main axis of minimum circumscribed rectangle to center of defect

提取出缺陷后，計(ji)算該缺陷的區域面積S與(yu)區域輪(lun)廓長度L，如果(guo)缺(que)陷面積與輪廓長度皆(jie)未超過(guo)設定閾值，則(ze)視(shi)為無(wu)此類(lei)型缺(que)陷轉而進(jin)行下一(yi)缺(que)陷的識(shi)別；否(fou)則(ze)進(jin)一(yi)步(bu)計算(suan)最小(xiao)外接(jie)矩形主軸(zhou)至(zhi)小(xiao)圓(yuan)(yuan)圓(yuan)(yuan)心(xin)的距離，由于(yu)(yu)車(che)廢細化后呈圓(yuan)(yuan)弧形，故圓(yuan)(yuan)心(xin)至(zhi)主軸(zhou)的距離會大(da)于(yu)(yu)小(xiao)圓(yuan)(yuan)半(ban)徑，所以將(jiang)小(xiao)圓(yuan)(yuan)半(ban)徑設為距離閾值T_D，若距離D超過閾(yu)值T_D_，則(ze)將此套(tao)圈判(pan)定(ding)為車廢缺陷。

如圖(tu)12b所示，磨(mo)傷(shang)(shang)缺(que)陷均分布在端(duan)面邊緣(yuan)靠近(jin)大圓(yuan)處，形狀(zhuang)近(jin)似月牙(ya)形,且灰度值比端(duan)面正常區域低，因此同(tong)樣需要(yao)對(dui)磨(mo)傷(shang)(shang)缺(que)陷進行特征分析(xi)。由于磨(mo)傷(shang)(shang)缺(que)陷邊緣(yuan)靠近(jin)圓(yuan)心(xin)一側近(jin)似于一條(tiao)直(zhi)(zhi)線，可以用Hough線變(bian)換將這條(tiao)直(zhi)(zhi)線擬合出來。如圖(tu)14所示，直(zhi)(zhi)線在極坐標(biao)系中的表達(da)式為

圖14 直線在直角坐標系與極坐標系中的表示

Fig.14 Representation of straight lines in Cartesian coordinate system and polar coordinate system

對于(14)式，可以理解為過點(x₀，y₀)的直線集有以下表達式

則在極坐標系的極徑、極角平面中，由(15)式所得曲線中的任一點都表示一條過點(x₀，y₀)的直線。

將圖像中所有的點(x_i，y_i)代入(14)式中(zhong)(zhong)，如(ru)圖(tu)15所示，如(ru)果多個不同的(de)點在極坐標(biao)系中(zhong)(zhong)得(de)到的(de)曲線(xian)相交(jiao)，便意味著這(zhe)些(xie)點可以連成一條直線(xian)。如(ru)果同時相交(jiao)的(de)數量(liang)超過了設定的(de)閾值，則對該直線(xian)進(jin)行擬合。

圖15 極(ji)徑極(ji)角平面中多(duo)條曲線相交

Fig.15 Intersection of multiple curves in polar radius and polar angle plane

找出磨傷缺陷邊緣的直線后，計算缺陷區域與正常區域的灰度差進行判別，判別示意圖如圖16所示。利用Sauvola算法分割出磨傷缺陷后，在缺陷邊緣靠近圓心一側利用Hough線變換擬合出直線L₁，再將直線向靠近圓心方向平移一定距離(本文取8個像素)得到直線L₂，在原圖像端面上提取直線L₁遠離圓心一側的區域S₁，以及直線L₁與L₂之間的區域S₂，計算2塊區域灰度值均值的差值，差值超過設定闕值即可判定為磨傷缺陷。

圖16 磨傷缺陷判別示意圖

Fig.16 Discrimination diagram of wear defects

3、試驗結果(guo)及(ji)分析(xi)

為驗證端面缺(que)(que)(que)陷(xian)檢(jian)測(ce)算法的可靠性(xing)，在如(ru)圖(tu)17所示(shi)的檢(jian)測(ce)線(xian)上(shang)對軸(zhou)承(cheng)套圈端面進行缺(que)(que)(que)陷(xian)檢(jian)測(ce)，選取外(wai)徑(jing)150 mm、內徑(jing)90 mm 的33118型軸(zhou)承(cheng)套圈樣(yang)本(ben)1 000個(ge)，其中合格品400個(ge)、外(wai)形缺(que)(que)(que)陷(xian)樣(yang)品200個(ge)(含(han)大小邊(bian)、磕碰傷)、車廢樣(yang)品200個(ge)、磨傷缺(que)(que)(que)陷(xian)200個(ge)。

圖17 在(zai)線端(duan)面檢測系統

Fig.17 On-line inspection system for end face

在線檢(jian)(jian)測的統計結果見表(biao)1，由表(biao)可(ke)知：合格套(tao)圈出(chu)(chu)現9個(ge)誤(wu)檢(jian)(jian)，仔細觀察(cha)(cha)套(tao)圈表(biao)面并分(fen)析圖像特征發現套(tao)圈外(wai)邊緣在磨削過(guo)程中(zhong)出(chu)(chu)現了砂輪(lun)花，使該部分(fen)區(qu)域灰度值(zhi)偏低且(qie)表(biao)現相(xiang)似于(yu)磨傷缺(que)陷(xian)(xian)，故(gu)將其(qi)誤(wu)檢(jian)(jian)為磨傷缺(que)陷(xian)(xian)，而砂輪(lun)花只(zhi)影響端面美觀，因此這類誤(wu)檢(jian)(jian)可(ke)以(yi)接受(shou)；車廢套(tao)圈與磨傷套(tao)圈總共(gong)出(chu)(chu)現5個(ge)漏(lou)(lou)檢(jian)(jian)，分(fen)析后發現漏(lou)(lou)檢(jian)(jian)原因為缺(que)陷(xian)(xian)較(jiao)細微，即(ji)使是肉眼(yan)觀察(cha)(cha)也不易立刻察(cha)(cha)覺，此類問題(ti)同樣(yang)可(ke)以(yi)接受(shou)；系統整體識(shi)別準確率達98.60%，而且(qie)對于(yu)外(wai)徑小于(yu)150 mm套(tao)圈的檢(jian)(jian)測時(shi)長小于(yu)600 ms，低于(yu)端面磨出(chu)(chu)料時(shi)長，完全能夠滿足(zu)企業生(sheng)產(chan)節拍和檢(jian)(jian)測要求。

表1 端面缺陷檢測測試結果

Tab.1 Inspection results of end face defects

另外，對不同型(xing)號的套圈也(ye)進行了多次檢測(ce)，識別準(zhun)確率(lv)較(jiao)(jiao)高(gao)，誤漏(lou)檢率(lv)較(jiao)(jiao)低，響應時(shi)間較(jiao)(jiao)短(duan)，并能實時(shi)統計被(bei)檢測(ce)套圈的型(xing)號、數(shu)量、合格(ge)率(lv)、缺陷種類等數(shu)據，滿足企業生產在線檢測(ce)要(yao)求，可以替代(dai)人工實現檢測(ce)。

4、結束語

本文研究(jiu)并實現了套圈端(duan)面(mian)缺陷在線檢測算法(fa)，利用四連通域確定套圈端(duan)面(mian)區域，采用最小二乘法(fa)擬合套圈輪(lun)廓進(jin)行大小邊(bian)和磕碰傷的判別；提出(chu)了圖像(xiang)極(ji)坐(zuo)標(biao)變(bian)換將(jiang)套(tao)圈環形拉伸為矩形，利用Sauvola算法(fa)(fa)進行圖像(xiang)局部閾值(zhi)(zhi)分割，通過極(ji)坐(zuo)標(biao)反變(bian)換與二次插值(zhi)(zhi)法(fa)(fa)將(jiang)缺(que)(que)陷(xian)區域變(bian)換回環形區域，基(ji)于多特(te)征(zheng)的外觀(guan)缺(que)(que)陷(xian)判(pan)別方(fang)法(fa)(fa)能夠(gou)根(gen)據各(ge)類缺(que)(que)陷(xian)的特(te)點對圖像(xiang)特(te)征(zheng)進行比較(jiao)實現(xian)缺(que)(que)陷(xian)判(pan)別。試驗表明該算法(fa)(fa)的檢測準確(que)率高，能夠(gou)有效減(jian)少漏檢或(huo)誤檢，并且能實時統計(ji)缺(que)(que)陷(xian)種類等數據。

（參考(kao)文獻略）

文章發表(biao)于2022年(nian)2期《軸承》