发布时间：2022-03-18所属分类：工程师职称论文浏览：1次
摘 要： 摘 要：针对列车滚子轴承内圈外表面缺陷人工检测方法的不足，提出了一种基于机器视觉的表面缺陷检测方法，通过对缺陷图像的处理和分析，快速、准确地实现了轴承表面缺陷的分类识别。文中使用工业内窥镜进行轴承图像的获取，通过对图像的灰度直方图分析，判断其是否为缺
摘 要：针对列车滚子轴承内圈外表面缺陷人工检测方法的不足，提出了一种基于机器视觉的表面缺陷检测方法，通过对缺陷图像的处理和分析，快速、准确地实现了轴承表面缺陷的分类识别。文中使用工业内窥镜进行轴承图像的获取，通过对图像的灰度直方图分析，判断其是否为缺陷轴承;对缺陷图像分别进行二值化处理、形态学滤波和图像标记，以准确获得图像的缺陷区域;对缺陷区域进行特征提取后，利用缺陷分类决策树完成缺陷类型的识别。实验表明，该方法实时性好、运算速度快，可有效检测出列车滚子轴承表面缺陷。
关键词：机器视觉;缺陷检测;形态学滤波;特征提取;分类识别
1 引言
列车滚子轴承是铁路列车的一个关键部件，轴承故障是影响行车安全的一个重要因素，因此有关部门十分重视轴承质量的检测。传统的人工检测方法主要依赖于工作人员的经验、责任心等，长时间的劳动使得检测的结果准确性较差，而且无法将检测到的数据存储、上传及统计分析[1-2]。针对这种情况，本文对已有研究作出了改进，提出了一种基于机器视觉的列车滚子轴承表面缺陷检测方法，工作流程如图 1 所示。
2 图像获取及初次分类
2.1 图像获取
传统的人工检测方法中，工作人员长时间观察滚子轴承内圈外表面容易产生视觉疲劳，这对工作人员的眼睛有一定的伤害，而且会造成检测误差，因此文中提出采用工业内窥镜代替人眼进行图像的获取，将拍摄到的图像存入数据库系统，同时用工控机代替人脑进行分析[3]。
将经过清洗的轴承放置在可控的旋转台上，通过工业内窥镜上的图像传感器可以获取到清晰的轴承表面图像，将图像输入到计算机中，经过图像分析便可得到轴承表面的缺陷类型，系统结构如图 2 所示。
2.2 初次分类
文中研究五种轴承表面主要缺陷：麻点、辗皮、划伤、擦伤和凹痕，通过工业内窥镜得到此五种缺陷图像及无缺陷轴承表面的图像分别如图 3 所示。
灰度直方图描述了一幅图像的灰度级统计信息，通过直方图可以很直观地看到图像灰度值的分布情况，完好图像的灰度值比较集中，而缺陷图像的分度值比较分散。使用 MATLAB 图像处理工具箱中的函数可以得到图像的均值和标准差,根据标准差的大小来判断轴承图像是否有缺陷[3]。
如表 1 所示，无缺陷图像的灰度标准差明显小于缺陷图像的标准差，这证明根据图像灰度值的标准差来判断图像是否有缺陷的方法是可行的，该方法可以对轴承进行初次分类，接下来仅对缺陷图像进行处理即可。
3 二值化及形态学滤波
3.1 二值化处理
进行特征提取之前，首先对缺陷图像进行二值化处理。目前，常用的二值化处理方法有自适应阈值法、人工选择阈值法、迭代选择阈值法等，其中人工选择阈值法的二值化视觉效果最好，但是需要工作人员的参与，而且要用不同的阈值不断试验来选取最优，比另外两种方法花费时间更长[4]。文中提出一种根据缺陷图像的灰度均值范围确定阈值的方法，实验证明，该方法既快速又实用。对获取到的 300 张图片进行二值化处理，五种主要缺陷的灰度均值和人工选择阈值的范围如表 2 所示。
由上表 2 可以看出，不同缺陷图像的灰度均值范围和人工选择阈值法确定的阈值范围并不相同。本方法的核心思想是在缺陷图像进行二值化处理之前，首先进行灰度均值计算，根据不同均值范围，使用不同的阈值进行二值化处理[5]，阈值选择规则如表 3 所示。
3.2 形态学滤波
由于图像获取过程中光照不均或者轴承清洗不干净等原因，导致获取到的图像会有噪声的产生，这是图像采集过程中难以避免的。文中对二值化处理后的图像进行形态学滤波，这既可以去掉多余的噪声点，又保留了缺陷图像的主要特征，为特征提取带来了极大便利。
相关知识推荐：论文状态待发表等多久
形态学基本运算包括腐蚀、膨胀、开运算和闭运算四种，各有其作用和优势，用于图像处理的效果也不同，通过实验对二值化的图像分别进行处理，最终选择闭运算作为文中形态学滤波的基本运算。由于结构元素的选取在形态学处理中占有极其重要的地位，所以对多种不同的结构元素分别进行对比实验，最终选择[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]作为文中算法形态学处理中的结构元素，实验证明，此结构元素对于二值化后的图像滤波效果最好，经过形态学滤波处理后的二值图像如图 5 所示。
4 图像标记及特征提取
4.1 图像标记
在二值图像中提取连通区域时，通常的做法是给每个区域分配唯一代表该区域的编号，该区域内所有像素的像素值就赋值为该编号，这样的输出图像被称为标记图像[6]。
目前的二值图像连通区域标记算法大致可以分为三类：像素标记法、游程编码法和区域生长法。文中采用 8 连通区域标记法，按照从左到右、从上到下的顺序依次扫描图像中的各像素点，找到灰度值为 0 的黑点并对其进行标记，判断其右边点、右下点、下边点是否为黑点，是黑点则进行同一编号标记，否则编号加 1 并继续进行扫描，直至扫描结束。其原理就是把每个像素相互邻接的 8 个像素中灰度值为 0(黑点)的像素集合提取出来进行同一编号标记，这样便可以获得标记图像[7-8]。
4.2 特征提取
从标记后的缺陷图像中可以获得一些几何特征，根据这些特征对缺陷进行分类识别。针对轴承的五种主要缺陷，文中选择了连通区域数量、面积、平均面积、周长和长宽比作为缺陷特征的描述。
①连通区域数量 N
通过图像标记可以得到连通区域的数量，实验证明，五种缺陷的连通区域数量存在很大的差别。
②面积 A
面积是描述缺陷区域大小的几何量，通常用连通区域内像素点的个数来表示，
5 分类识别及结论
5.1 分类识别
由上表 4 可以看出，各类缺陷图像的不同特征存在很大的差别，文中利用连通区域数量特征作为麻点、辗皮和其它三类缺陷的分类依据;利用平均面积特征作为麻点和辗皮的分类依据;利用长宽比特征作为划伤和擦伤、凹痕的分类依据;利用面积特征作为擦伤和凹痕的分类依据，形成了缺陷分类决策树如图 6 所示，其中 N’、A’、MA’、R’分别为实验获得的边界值。
利用该分类方法对获取到的 300 张图片进行处理，统计结果如表 5 所示，可以看出，对轴承缺陷图像的识别率达到了 97.3%，与 BP 神经网络、支持向量机等分类方法相比，文中方法更加简单实用、快速方便。
5.2 结论
针对列车滚子轴承表面缺陷检测问题，文中提出了一种基于机器视觉的检测方法，首先对图像获取装置进行了设计，提出了基于灰度标准差的初次分类方法，在二值化处理后对图像进行形态学滤波，然后对缺陷区域进行标记和特征提取，最后利用缺陷分类决策树完成缺陷类型的识别。实验表明，该方法实时性好、运算速度快，可有效检测出列车滚子轴承表面缺陷，而且可进行数据统计和管理，便于之后此类问题的研究。——论文作者：石 炜 1，张袁祥 1，李嘉楠 1
参考文献
[1] 吴景.基于机器视觉的轴承滚子表面缺陷检测系统[D].浙江大学,2018. Wu Jing. Machine Vision-based Surface Defect Detection System for Bearing Rollers [D]. Zhejiang University,2018.
[2] 张奔.基于机器视觉的轴承滚子表面缺陷检测研究[D].南昌航空大学,2018. Zhang Ben. Research on Surface Defect Detection of Bearing Rollers Based on Machine Vision [D]. Nanchang Hangkong University,2018.
[3] 石炜,邵珠庆,李巍巍.机器视觉在圆锥滚子轴承内圈外表面缺陷检测中的应用[J].机械设计与制造,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,刘传泽.人造板表面缺陷检测图像自适应快速阈值分割算法[J].林业科学,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,刘茂福.基于机器学习的带钢表面缺陷分类方法研究 [J].计算机工程与设计,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] 张铮,徐超,任淑霞.数字图像处理与机器视觉[M].第 2 版.人民邮电出版社,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,王锡岭.焊缝缺陷图像特征提取的研究[J].焊接技术,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,邓四二.轴承外圈侧面缺陷的视觉检测算法研究[J].机械设计与制造,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
