周迪斌，胡保坤，王琦暉，吳英飛

（杭州師范大學(xué)國(guó)際服務(wù)工程學(xué)院，杭州　310016）

基于統(tǒng)計(jì)特征的微型軸承滾珠計(jì)數(shù)檢測(cè)

周迪斌，胡保坤，王琦暉，吳英飛

（杭州師范大學(xué)國(guó)際服務(wù)工程學(xué)院，杭州310016）

0　引言

裝備制造業(yè)是工業(yè)化的核心和基礎(chǔ)，是一個(gè)國(guó)家綜合國(guó)力強(qiáng)大與否的重要標(biāo)志之一［1］。在現(xiàn)代化自動(dòng)行業(yè)中，隨著高精度、高質(zhì)量、高速度的不斷攀升，軸承在國(guó)民經(jīng)濟(jì)中的應(yīng)用已經(jīng)滲透到各個(gè)行業(yè)，其是裝備制造行業(yè)的重要基礎(chǔ)件。

軸承是一種常用機(jī)械元件，品種型號(hào)眾多，在加工精度要求相對(duì)較高，尤其是針對(duì)微型軸承。對(duì)于這種高精度參數(shù)數(shù)值，只有通過(guò)精密度測(cè)量技術(shù)或?qū)Ｓ脙x器才能確定。另外，傳統(tǒng)行業(yè)的勞動(dòng)力成本在逐年提升，因此，機(jī)器視覺(jué)等智能化技術(shù)不斷引入到傳統(tǒng)工業(yè)的生產(chǎn)和檢驗(yàn)過(guò)程，可以預(yù)見(jiàn)，機(jī)器視覺(jué)技術(shù)在傳統(tǒng)工業(yè)生產(chǎn)中的地位將進(jìn)一步提升，應(yīng)用的廣度和深度將不斷增強(qiáng)。

目前，我國(guó)軸承行業(yè)還存在如制造技術(shù)水平低、行業(yè)集中度較低等問(wèn)題，離軸承強(qiáng)國(guó)的標(biāo)準(zhǔn)相距甚遠(yuǎn)，行業(yè)矛盾突出：發(fā)展方式?jīng)]有根本改變、產(chǎn)業(yè)結(jié)構(gòu)的深層次矛盾依然突出、缺少核心技術(shù)自主知識(shí)產(chǎn)權(quán)、品牌建設(shè)進(jìn)步較慢、產(chǎn)品結(jié)構(gòu)不盡合理［2］。

軸承在生產(chǎn)裝配過(guò)程中，由于加工技術(shù)、微小異物等因素在軸承的外圓表面、密封蓋端面等處會(huì)產(chǎn)生壓痕、吭傷、劃痕等缺陷，很容易導(dǎo)致產(chǎn)品不穩(wěn)定、精度差和可靠性低，此類(lèi)現(xiàn)象在國(guó)內(nèi)軸承行業(yè)經(jīng)常存在，國(guó)內(nèi)軸承平均使用壽命僅為國(guó)外同類(lèi)產(chǎn)品的1/3-1/2。近年來(lái)，軸承行業(yè)大量采用自動(dòng)化單機(jī)或生產(chǎn)線實(shí)現(xiàn)技術(shù)改造向現(xiàn)代化生產(chǎn)邁進(jìn)，但在軸承表面缺陷的檢測(cè)與廢品的分揀上仍以人工檢測(cè)為主，該方法存在諸多缺點(diǎn)，例如：方法勞動(dòng)強(qiáng)度大、工作效率低、主觀性強(qiáng)、易受檢測(cè)人員技術(shù)素質(zhì)、經(jīng)驗(yàn)及疲勞等因素影響，無(wú)法充分保證軸承的生產(chǎn)質(zhì)量。

考慮到現(xiàn)有接觸式的軸承檢測(cè)技術(shù)［3，4］很難充分滿(mǎn)足工業(yè)檢測(cè)需求，而基于圖像的機(jī)器視覺(jué)檢測(cè)方法具有非接觸、實(shí)時(shí)可靠、成本低、自動(dòng)化程度高的優(yōu)勢(shì)，能為該問(wèn)題的解決提供了良好的替代方案和解決思路。近年來(lái)，部分工業(yè)視覺(jué)技術(shù)被應(yīng)用到軸承制造行業(yè)［5-9］，如測(cè)量、計(jì)數(shù)等。

本項(xiàng)目采用自適應(yīng)分割算法，利用圖像增強(qiáng)技術(shù)、濾波和去噪等預(yù)處理技術(shù)，改善工業(yè)圖像質(zhì)量，排除高光、噪聲和污漬干擾，并充分利用軸承圖像中滾珠區(qū)域的灰度統(tǒng)計(jì)變化規(guī)律，實(shí)現(xiàn)滾珠的快速定位與計(jì)數(shù)。

1　算法框架

一般地，軸承方向的判定，需要經(jīng)歷圖像采集與預(yù)處理、圖像二值化、區(qū)域化計(jì)算軸環(huán)區(qū)域、軸環(huán)邊緣點(diǎn)檢測(cè)和統(tǒng)計(jì)分析軸承方向，圖1顯示的是算法框架，下面具體介紹：

圖1　微型軸承計(jì)數(shù)檢測(cè)流程圖

（1）圖像采集

一般選擇工業(yè)相機(jī)如CMOS或CCD進(jìn)行圖像采集，選擇背光源。

（2）自適應(yīng)分割

考慮到現(xiàn)場(chǎng)光照條件，系統(tǒng)會(huì)在一定的閾值范圍內(nèi)，主動(dòng)搜索最佳分割閾值，避免環(huán)境干擾，在自動(dòng)分割過(guò)程，會(huì)對(duì)圖像適當(dāng)濾波，避免機(jī)器振動(dòng)導(dǎo)致的圖像采集的不穩(wěn)定的情況。

（3）軸承中心定位

利用區(qū)域標(biāo)記算法，對(duì)分割后的圖像進(jìn)行逐一標(biāo)記，再依據(jù)給定的軸承約束條件：如半徑范圍、長(zhǎng)寬比等，精確定位微型軸承的中心坐標(biāo)與半徑參數(shù)。

（4）灰度特征統(tǒng)計(jì)

在步驟3的基礎(chǔ)上，依據(jù)給定參數(shù)，判斷滾珠所在的區(qū)域，進(jìn)行適當(dāng)?shù)睦欤Ⅱ?yàn)證弧線統(tǒng)計(jì)其灰度累積變情況，以此作為后續(xù)滾珠定位的判據(jù)。

（5）滾珠定位與計(jì)數(shù)

逐個(gè)計(jì)算邊緣點(diǎn)與軸承中心距離，并建立一個(gè)列表。統(tǒng)計(jì)該列表的變化規(guī)律，如距離增加次數(shù)，與距離減少的次數(shù)的比較，如果距離增加次數(shù)大于距離減小次數(shù)，則為正方向（順時(shí)針），反之為反方向（逆時(shí)針）。

2　核心算法

在上述算法中，圖像的自適應(yīng)分割、軸承灰度變化特征統(tǒng)計(jì)等步驟非常重要，下面分別介紹。

2.1自適應(yīng)分割

圖像分割是目標(biāo)識(shí)別的重要前提條件，圖像分割質(zhì)量的優(yōu)劣、區(qū)域界限定位的精度直接影響后續(xù)的區(qū)域描述以及圖像的分析和理解，是圖像處理、分析、理解中一個(gè)極其重要的技術(shù)環(huán)節(jié)。分割的目標(biāo)是將前景對(duì)象從背景圖案中分離出來(lái)，以便進(jìn)行合理分析和處理。圖像分割算法一般是基于亮度值的兩個(gè)基本特性之一：不連續(xù)性和相似性。前者適用于依據(jù)亮度的不連續(xù)變化（如邊緣等）分割圖像，后者則主要適用于依據(jù)事先制定的準(zhǔn)則（相似性）將像素圖像分割為不同的區(qū)域。自適應(yīng)分割的主要目標(biāo)是軸承定位。

基于區(qū)域的閾值的分割方法是一種應(yīng)用十分廣泛的圖像分割技術(shù)。本系統(tǒng)采用了最大類(lèi)間方差法（OSTU）作為初始閾值的估算方法，使類(lèi)間方差最大的分割意味著錯(cuò)分概率最小。雖然OSTU算法具有很好特性，但考慮到工業(yè)現(xiàn)場(chǎng)的各種干擾，單一自適應(yīng)閾值法難以保證工業(yè)圖像的有效分割，為此，我們采用漸近的閾值分割法來(lái)保證圖像的最佳分割。并利用已知的條件如是否存在軸承區(qū)域作為分割質(zhì)量的反饋，以此來(lái)尋找最佳的分割閾值。算法流程如圖2所示。

圖2　自適應(yīng)閾值分割

依據(jù)大律法，獲取圖像的初始閾值，依據(jù)初始依據(jù)，判斷該閾值是否合理，如果合理則分割成功，否則繼續(xù)調(diào)整閾值。

（1）閾值調(diào)整：

從當(dāng)前閾值開(kāi)始，輪流增加/減少閾值間隔。

（2）上下限判斷：

判斷調(diào)整后的閾值，是否同時(shí)超出了上下閾值的范圍，如果超出則表明分割失敗，否則繼續(xù)進(jìn)行閾值分割。

（3）閾值分割：

依據(jù)當(dāng)前閾值進(jìn)行圖像分割，并確定中心區(qū)域是否滿(mǎn)足軸承的約束條件，如長(zhǎng)寬比和范圍等。

實(shí)驗(yàn)表明，上述方法可以顯著提高閾值判斷的準(zhǔn)確性，為后續(xù)的軸承定位與計(jì)數(shù)提供有效支撐。而選擇OSTU算法做為分割的初始閾值，可以減少循環(huán)的次數(shù)，提供方法的效率。

對(duì)于分割后區(qū)域，采用區(qū)域標(biāo)記方法對(duì)每個(gè)連通區(qū)域逐一標(biāo)記，統(tǒng)計(jì)其外接矩形及長(zhǎng)寬比等特征參數(shù)，依據(jù)給定的尺寸約束，如半徑的范圍（R1，R2）和最大長(zhǎng)寬比（1，Roundness）等條件直接尋找唯一的目標(biāo)區(qū)域。

假設(shè)目標(biāo)區(qū)域的外接矩形為rt，則其應(yīng)該滿(mǎn)足：

R1<（rt.Width/2）

Max（rt.Width，rt.Height）/Min（rt.Width，rt.Height）

其中，圓整度Roundness一般小于1.1，否則目標(biāo)就不接近圓。而軸承的中心即為 centerPt=（rt.X+rt.Width/ 2，rt.Y+rt.Height/2），半徑參數(shù)radius=（rt.Width+rt. Height）/4。

2.2基于統(tǒng)計(jì)的特征判定軸承方向的方法

對(duì)于軸承區(qū)域，首先沿弧線方向進(jìn)行投影，把環(huán)狀區(qū)域轉(zhuǎn)成矩形區(qū)域。該策略主要是為了減少過(guò)多的圖像插值，加快灰度投影統(tǒng)計(jì)，如圖3所示，展開(kāi)區(qū)域?yàn)檩S承滾珠區(qū)域（紅色環(huán)狀包圍區(qū)）。

圖3　軸承環(huán)狀區(qū)域展開(kāi)圖

然后，對(duì)圖3（展開(kāi)圖）進(jìn)行適當(dāng)投影和卷積，可以得到類(lèi)似圖4的分布圖，其中局部最低點(diǎn)為可能的滾珠中心，一共6個(gè)。說(shuō)明存在6個(gè)滾珠。經(jīng)過(guò)適當(dāng)濾波分析，其對(duì)應(yīng)的坐標(biāo)區(qū)域分別為：55，115，176，238，300，361，對(duì)應(yīng)的軸承之間環(huán)向間距分別為60，61，62，62，61，61，范圍在60-62之間，平均誤差不超過(guò)1個(gè)像素，表明分布非常均勻。

圖4　灰度投影統(tǒng)計(jì)

算法利用灰度信息的統(tǒng)計(jì)特征，統(tǒng)計(jì)了其變化規(guī)律，避免了局部銹斑污漬干擾。

3　結(jié)果與分析

圖5顯示了部分測(cè)試結(jié)果，其中（1）為普通圖像，（2）顯示了檢測(cè)結(jié)果，為正常均勻分布。（3）為缺球圖像，缺少部分鋼球，（4）為檢測(cè)結(jié)果，少球。（5）為存在部分污漬的軸承，可能有部分油脂，且背景被存在部分噪聲，（6）為檢測(cè)結(jié)果，檢測(cè)正確。

通過(guò)一系列圖像測(cè)試分析，算法均可以獲取準(zhǔn)確結(jié)果，表明算法的魯棒性和抗干擾性很好，檢測(cè)時(shí)間平均不超過(guò)100ms，完全符合實(shí)時(shí)檢測(cè)需求。

圖5　滾珠計(jì)數(shù)檢測(cè)

具體來(lái)看，自適應(yīng)分割算法，采用極大方差閾值提取方法非常有效，對(duì)其他復(fù)雜光照情況也均表現(xiàn)良好。此外，也可根據(jù)圖像的灰度統(tǒng)計(jì)特性人為設(shè)定初始閾值，使得對(duì)所需圖像的分割次數(shù)減少，更進(jìn)一步提高效率，從而減少處理時(shí)間。

該方法的另一個(gè)優(yōu)勢(shì)是通過(guò)巧妙地將軸承環(huán)狀區(qū)域展開(kāi)，并統(tǒng)計(jì)其分布規(guī)律，可有效地避免污染干擾，并減少計(jì)算量，算法效率高且魯棒性很好，非常適合易受各類(lèi)油漬銹斑污染的微型零件檢測(cè)與分析。

4　結(jié)語(yǔ)

機(jī)器視覺(jué)檢測(cè)方法具有非接觸、無(wú)損傷、測(cè)量精確，適合檢測(cè)非規(guī)則物體等優(yōu)勢(shì)，是未來(lái)中國(guó)制造繼續(xù)深化的關(guān)鍵因素之一。

本文面向傳統(tǒng)軸承行業(yè)的自動(dòng)化生產(chǎn)和檢測(cè)，重點(diǎn)研究易干擾的復(fù)雜環(huán)境下的微型零件識(shí)別與檢測(cè)的理論方法，實(shí)現(xiàn)了一種基于統(tǒng)計(jì)方法的微型軸承滾珠計(jì)數(shù)檢測(cè)方法，通過(guò)閾值的自動(dòng)搜尋尋找最佳閾值分割，進(jìn)而實(shí)現(xiàn)軸承中心快速定位，并依據(jù)已知尺寸約束，對(duì)軸環(huán)區(qū)域進(jìn)行拉直拓展，通過(guò)統(tǒng)計(jì)灰度變化的卷積統(tǒng)計(jì)，選擇局部灰度最低點(diǎn)，實(shí)現(xiàn)滾珠的精確定位與計(jì)數(shù)，提高微型零件檢測(cè)效率。實(shí)驗(yàn)表明，該算法完全可以滿(mǎn)足工業(yè)環(huán)境實(shí)時(shí)檢測(cè)的需求，而且與同類(lèi)的算法相比，由于采用的自適應(yīng)策略，對(duì)光源的要求相對(duì)比較低，且基于統(tǒng)計(jì)特征，算法具有非常好的魯棒性。

未來(lái)，項(xiàng)目組將繼續(xù)深入研究機(jī)器視覺(jué)技術(shù)在軸承行業(yè)的檢測(cè)、識(shí)別、測(cè)量、定位、質(zhì)量評(píng)估等關(guān)鍵技術(shù)，包括表面檢測(cè)圖像預(yù)處理、零件定位、測(cè)量和計(jì)數(shù)等，提升國(guó)內(nèi)軸承產(chǎn)業(yè)的自動(dòng)化生產(chǎn)和檢測(cè)效率。

［1］朱森第.我國(guó)裝備制造業(yè)的現(xiàn)狀與發(fā)展戰(zhàn)略［J］.機(jī)電工程技術(shù)，2001（2）:10-12.

［2］中國(guó)軸承工業(yè)協(xié)會(huì).軸承行業(yè)“十二五”發(fā)展規(guī)劃，2010.

［3］Li F.，Lin Ye，Zhang G.，et al.，Bearing fault detection using higher-order statistics based ARMA model［J］.Key Engineering Materials，2007，347:271-276.

［4］Do V.T.，Chong U.P.，Signal model-based fault detection and diagnosis for induction motors using features of vibration signal in Two-Dimension Domain［J］，Journal of Mechanical Engineering，2011，57（9）：655-666.

［5］宋曉霞，楊建璽，徐紅哲，基于機(jī)器視覺(jué)的鋼球表面缺陷檢測(cè)［J］.軸承，2010：45-48.

［6］王曉潔，鄭曉東.機(jī)器視覺(jué)在軸承檢測(cè)中的應(yīng)用［J］.機(jī)器與液壓，2008，36（10）：276-278.

［7］陳躍飛，王恒迪，鄧四二.機(jī)器視覺(jué)檢測(cè)技術(shù)中軸承的定位算法［J］，BEARING，2010（4）：54-56.

［8］汪傳民，葉邦彥，黃先德，等.基于計(jì)算機(jī)視覺(jué)的軸承外徑檢測(cè)系統(tǒng)的研究，2006，22（5-1）：205-207.

［9］陳永清，陳慶勇，徐金海.軸承端面缺陷自動(dòng)檢測(cè)研究［J］.制造業(yè)自動(dòng)化，2009：31（11）：15-18.

Machine Vision；Adaptive Segmentation；Bearing Detection；Probability Statistics

Counting Detection of Miniature Ball Bearings Based on Statistical Characteristics

ZHOU Di-bin，HU Bao-kun，WANG Qi-hui，WU Ying-fei
（College of International Service Engineering，Hangzhou Normal University，Hangzhou 310016）

1007-1423（2015）19-0016-05

10.3969/j.issn.1007-1423.2015.19.004

周迪斌（1978-），男，博士后，講師，研究方向?yàn)槟Ｊ阶R(shí)別和圖像檢索

2015-06-15

2015-06-25

隨著傳統(tǒng)行業(yè)人力成本提高，傳統(tǒng)軸承行業(yè)的檢測(cè)技術(shù)逐漸向著將向高速化、網(wǎng)絡(luò)化、信息化和系統(tǒng)化的方向發(fā)展。面向傳統(tǒng)軸承產(chǎn)業(yè)的大規(guī)模的生產(chǎn)與檢測(cè)，實(shí)現(xiàn)一種基于統(tǒng)計(jì)特征的微型軸承滾珠計(jì)數(shù)檢測(cè)算法，通過(guò)主動(dòng)搜索最佳閾值范圍，實(shí)現(xiàn)圖像的區(qū)域劃分，并依據(jù)已知的軸承尺度信息，快速定位軸承中心，沿著軸承滾珠分布方向，統(tǒng)計(jì)其灰度值變化的規(guī)律，找到最佳的滾珠中心點(diǎn)，并統(tǒng)計(jì)滾珠數(shù)量，該方法的抗干擾能力很強(qiáng)，算法效率高。

機(jī)器視覺(jué)；自適應(yīng)分割；軸承檢測(cè)；概率統(tǒng)計(jì)

國(guó)家自然科學(xué)青年基金（No.61103171）、浙江省公益技術(shù)研究工業(yè)項(xiàng)目（No.2013C31022）

Along with increasing human cost in traditional industry，bearing detection technique leads to high precision，high speed，networking and information system.Catering to bearing production and testing，implements an adaptive detection of miniature bearing ball based on statistical feature，realizes the image regional division by the active threshold searching，adaptively locates the bearing center by object size constraint，then finds the best ball center by calculating the statistical gray value along the ball distribution direction，counts the balls. The technique is robust and greatly improving system efficiency.