范 帥 湯綺婷 盧滿懷

(電子科技大學(xué)中山學(xué)院1，廣東 中山 528400；電子科技大學(xué)機械電子工程學(xué)院2，四川 成都 611731)

?

基于機器視覺的軸承內(nèi)外圈尺寸檢測及分類

范 帥1,2湯綺婷1盧滿懷1

(電子科技大學(xué)中山學(xué)院1，廣東 中山 528400；電子科技大學(xué)機械電子工程學(xué)院2，四川 成都 611731)

在實際生產(chǎn)線上，根據(jù)不同的尺寸偏差對同一型號的軸承內(nèi)外圈進行分類組裝。研究了機器視覺技術(shù)，設(shè)計了一套軸承內(nèi)外圈尺寸檢測和分類系統(tǒng)，以替代人工綜檢分類。通過設(shè)計檢測機構(gòu)，對圖像進行濾波、二值化，相機與鏡頭的標定，形態(tài)學(xué)去除內(nèi)壁和邊緣提取等方式，達到檢測和分類的目的。在尺寸測量部分，通過對兩個特殊像素點的運算得到了軸承圓的內(nèi)外半徑，避開了對圓心的定位和輪廓的提取。試驗表明，該系統(tǒng)很好地實現(xiàn)了軸承內(nèi)外圈尺寸的檢測和分類。

軸承 機器視覺 圖像處理 尺寸檢測 相機標定 濾波 二值化 邊緣檢測 輪廓提取

0 引言

軸承是當代機械設(shè)備的重要部件。本課題結(jié)合中山市盈科軸承制造有限公司生產(chǎn)現(xiàn)狀和生產(chǎn)的軸承，研究設(shè)計了一套軸承內(nèi)外圈綜檢分級系統(tǒng)。調(diào)研發(fā)現(xiàn),國內(nèi)軸承內(nèi)外圈加工，一般由相互獨立的機床完成各道工序，同時由各工序加工人員用標塊和環(huán)規(guī)檢測加工是否合格，最后再由專業(yè)人員進行最終的檢測和分類。對軸承內(nèi)外圈進行缺陷檢測后，根據(jù)其尺寸范圍進行分級，再分別裝配。傳統(tǒng)的人工檢測方法勞動強度大、工作效率低、成本高，且易受檢測人員素質(zhì)、經(jīng)驗、肉眼分辨率和疲勞等因素影響。因此，急需研發(fā)一種新的檢測方式。

目前，基于機器視覺的軸承檢測研究已基本成熟，且部分已投入實際生產(chǎn)線[1]。但大多研究熱點在于對整個組裝后軸承尺寸及表面缺陷的檢測，如雷育良等人以輪廓上的距離最大兩點作為檢測直徑[2]；劉科文等人采用最小二乘法擬合邊緣，得到軸承的半徑和同心度[3]；劉勝利采用改進的Hough變換得到軸承內(nèi)外圈半徑[4]。另一部分研究是對軸承滾動體缺陷進行檢測。如崔明等人通過對連通區(qū)域特征進行分析，實現(xiàn)了滾動體缺陷的檢測[5]。

本文以滾動軸承6006為例，設(shè)計軸承內(nèi)外圈檢測機構(gòu)。同時，使用機器視覺技術(shù)對軸承內(nèi)圈小徑和外圈大徑進行尺寸檢測及分類，替代裝配前軸承內(nèi)外圈的綜檢工序，以提高生產(chǎn)效率。

1 檢測裝置

為了檢測軸承內(nèi)外圈的半徑，設(shè)計的檢測裝置如圖1所示。齒形卡槽的往復(fù)運動，以保證輸送的軸承內(nèi)外圈間距相等，使單個軸承外圈?？吭跈z測區(qū)域。光源采用背光光源，檢測工作臺為透明玻璃，下方有均勻的面陣LED光板。相機位于檢測平臺正上方，通過以太網(wǎng)接口與PC相連。相機周期性地捕捉圖片，計算機將采集到的圖片進行處理，并判斷是否合格。由于軸承裝配精度要求高，對不合格產(chǎn)品，計算機發(fā)出信號直接予以剔除；對合格的軸承外圈，記錄其尺寸大小并分類，以便后續(xù)按尺寸偏差范圍進行組裝。

圖1 檢測裝置結(jié)構(gòu)圖

2 圖像處理

為了達到檢測目的，需要對采集到的圖片進行中值濾波、二值化、消除畸變、邊緣提取等操作。

2.1 中值濾波

在圖像的采集過程中，受環(huán)境、檢測線路及檢測設(shè)備等因素影響，所采集到的圖像往往具有各種噪聲。針對采集圖像存在噪聲的特點，常采用空間域濾波和頻域濾波?？臻g域濾波主要是直接對圖片像素的領(lǐng)域進行計算，然后改變自身的像素值。即對于圖像中的每一點(x,y)，以(x,y)為中心的附近某一領(lǐng)域內(nèi)的像素進行運算，得到的結(jié)果作為點(x,y)新的像素值。選擇領(lǐng)域(又稱模板)的不同決定了濾波效果。中值濾波采用的是一種排序算法，將領(lǐng)域內(nèi)各點的像素值從大到小進行排序，選擇序列中間的像素值來替代當前坐標的原有像素值。中值濾波對環(huán)境產(chǎn)生的隨機噪聲有非常理想的去噪能力，采用3×3大小模板的中值濾波對采集圖片進行降噪處理。

2.2 二值化

P1P2(μ1-μ2)2

(1)

采用Otsu閾值法的二值化結(jié)果如圖2所示。

圖2 二值化結(jié)果圖

2.3 相機標定

在工業(yè)環(huán)境中，隨著相機和鏡頭的逐漸老化，所采集的圖片會發(fā)生一定的畸變。盡管目前各相機廠商通過各種方法消除畸變，但為了提高軸承外圈檢測精度，會對圖像的二值圖添加畸變參數(shù)。研究發(fā)現(xiàn)，若未對二值圖進行畸變修正，經(jīng)邊緣處理的圖像將會產(chǎn)生較大誤差。

課題采用了Zhang99、Zhang00和Sturm99的標定方法。首先采集多張不同位置的棋盤格圖像，棋盤格為黑白交替的模式，保證了在各個方向上沒有偏移，其中棋盤格角點數(shù)目為(6,4)。然后通過亞像素定位檢測出棋盤格中的角點，繪制出角點，并通過直線依次將它們相連。這些角點被檢出后被添加到坐標點的向量中，計算出標定參數(shù)，即畸變矩陣。通過采集十幅不同距離和不同視角的圖片，得到相機參數(shù)和鏡頭的畸變參數(shù)(徑向)。最后將畸變參數(shù)和相機參數(shù)代入圖像進行修正。相機參數(shù)和透鏡的參數(shù)為保持不變的內(nèi)部參數(shù)，因此只需事先進行一次標定即可。

標定后圖像如圖3所示。圖像離中心越遠，畸變越嚴重，同時默認的引入填充顏色為黑色。通過改進，在標定之前先將圖片反轉(zhuǎn)，然后進行標定，并在標定之后再反轉(zhuǎn)，這樣可以除去標定帶來的填充在四周的黑色區(qū)域，消除標定所帶來的后續(xù)影響。

圖3 標定后圖像

2.4 形態(tài)學(xué)去內(nèi)壁

捕捉圖像時，能確保軸承位于相機視場內(nèi)，但不能保證軸承外圈軸線和相機光軸重合。由于軸承外圈有一定的壁厚，所以需要去除圖片中軸承外圈內(nèi)壁。

形態(tài)學(xué)，即數(shù)學(xué)形態(tài)學(xué)。其最初是數(shù)學(xué)集合之間的運算，在圖像處理中被廣泛應(yīng)用，如用來對圖像細化、像素化、修剪毛刺、提取邊界、尋找連通區(qū)域等。二值圖像的基本形態(tài)學(xué)包括腐蝕、膨脹、開運算和閉運算。二值形態(tài)運算是通過結(jié)構(gòu)元S對二值圖A的運算。機構(gòu)元通常是一幅較小的二值圖，通過結(jié)構(gòu)元二值圖表現(xiàn)的一種任意形狀。通常將結(jié)構(gòu)元上某個像素作為結(jié)構(gòu)元的原點，若結(jié)構(gòu)元對稱，一般選取中心點為原點。

結(jié)構(gòu)元S對二值圖B膨脹的定義為：

(2)

當原點遇到二值圖中像素值為1的像素時，整個結(jié)構(gòu)元就和圖像進行邏輯“或”運算。該“或”運算是在原圖像上以結(jié)構(gòu)元S原點為中心，將整個圖像以結(jié)構(gòu)元為領(lǐng)域的像素填充為1作為輸出。

用結(jié)構(gòu)元S對二值圖像B腐蝕的定義為：

BΘS={b|b+s∈B?s∈S}

(3)

這種運算同樣是用結(jié)構(gòu)元S以原點為中心掃描整幅圖像。

將先進行腐蝕再進行膨脹的運算稱為開運算，記作BoS：

BoS=(BΘS)⊕S

(4)

將先進行膨脹再進行腐蝕的運算稱為閉運算，記作B·S：

B·S=(B⊕S)ΘS

(5)

膨脹運算使物體的邊界變大，能夠連接原本斷裂的物體。而腐蝕運算能夠使物體在細的連通處斷裂，并會使圖片中的物體縮小，且結(jié)構(gòu)元越大縮小得越厲害。另一方面，開運算使圖像輪廓變得光滑。在不改變輪廓大小的情況下，能斷開狹窄的鏈接和消除毛刺。閉運算通常能夠彌合狹窄的間斷。在研究中，對軸承外圈的二值圖采用形態(tài)學(xué)開運算。為了達到去除內(nèi)壁的目的，經(jīng)多次試驗，選用正方形結(jié)構(gòu)元(邊長為15像素)。如果結(jié)構(gòu)元過大，會腐蝕軸承外圈；若結(jié)構(gòu)元太小，則不能完全去除內(nèi)壁。

2.5 邊緣提取

我們把圖像中點周圍灰度值有階躍性變化或屋頂變化的點稱為邊緣點。通過檢測邊緣點來達到邊緣檢測的目的。基本的邊緣檢測方法有基于最大梯度原理的一階倒數(shù)的邊緣算子，如：Roberts算子、Sobel算子、Prewitt算子[7-9]。它們雖然考慮了領(lǐng)域的信息，邊緣的定位效果不錯，但是檢測出的邊緣會出現(xiàn)多像素寬度。其次是基于二階導(dǎo)數(shù)的邊緣檢測算子，有拉普拉斯算子和高斯-拉普拉斯算子。拉普拉斯算子對噪聲很敏感，如果預(yù)處理還存在噪聲，將引入新的邊緣。而高斯-拉普拉斯算子能抑制比較尖銳的邊緣，故尖銳的邊緣無法被檢測到。此外，還有Canny邊緣檢測算法。其基本思想是：首先對圖像進行Gauss平滑濾波;然后抑制一階差分梯度幅值的非最大值，即保留局部最大值點；最后通過兩個閥值來檢測和連接邊緣。

運用試驗中比較常見的邊緣檢測算子后發(fā)現(xiàn)，Roberts算子和Log算子定位精度高，Sobel算子、Prewitt算子檢測斜向階躍邊緣效果好，Robert算子檢測水平和垂直邊緣效果較好，Log算子不具備邊緣方向檢測的能力，Sobel算子可以提供最精確的邊緣方向估計。同時，Roberts和Log算子定位精度雖高，但受噪聲影響大，而Canny算子是一種邊緣定位和抗噪性較好的折中選擇。另外，課題中自適應(yīng)閥值化也可以得到圖像的邊緣。針對強照明或反射梯度的圖像，需要根據(jù)梯度進行閥值化時，自適應(yīng)將非常實用，需使用中值和高斯兩種思想相結(jié)合加以解決。

對軸承外圈使用不同的算子進行處理，通過比較發(fā)現(xiàn)，Roberts、Sobel、Prewitt三種算子對于軸承外圈檢測效果相差不大；Sobel、Laplacian和Canny三種精度都在一個或兩個像素，自適應(yīng)偶爾出現(xiàn)三個像素。雖然Canny算子既能抑制噪聲，又能達到良好較細的邊緣，但在水平和豎直方向上邊緣都是兩個像素，如圖4(a)所示。而Laplacian是斜率越大的地方只有一個像素，斜率相對小的地方為兩個像素，如圖4(b)所示。針對軸承外圈的圓形輪廓提取，斜率偏大，故選擇Laplacian作為邊緣檢測算法能得到單像素邊緣，最終得到了單像素的邊緣圖像，其形狀是同心圓。

圖4 邊緣檢測算子比較圖

3 尺寸檢測及分析

通過Laplacian邊緣提取后，得到了軸承外圈的內(nèi)外邊緣。為了分離內(nèi)外邊緣，首先填充整個圖像，再提取出外邊界。通過將Laplacian處理后的圖像減去外邊界，就可以得到內(nèi)邊界圖像。為了檢測軸承外圈或軸承內(nèi)圈的半徑，需要進行尺寸標定，得知每個像素所代表的實際尺寸。研究中將標塊置于檢測軸承的同一高度平面上，使用標準的Hough變換檢測法，檢測出標塊中的圓并得到圓的半徑[10-11]。以實際的半徑值和像素的比例作為檢測圖像和實際尺寸的比例因子。為了達到區(qū)別變形和分類的目的，采用下述方法對邊界圖像進行處理。

①首先計算邊界圖像的邊界面積和周長。

②由周長l=2πra知，ra=l/2π。

③選取圖像輪廓中水平距離最大的兩點和豎直距離最大的點，所在的水平直線和豎直直線的交點C坐標為(x0,y0)。統(tǒng)計出所有的像素值為255的像素點(xi,yi)總數(shù)為N，則點C到所有像素為255的點的距離ri為：

(6)

④求得到點(xmin,ymin)距離最小值rmin和到點(xmax,ymax)距離最大值rmax。若(x0,y0)、(xmin,ymin)和(xmax,ymax)三點在一條直線上，則半徑rb=(rmin+rmax/2)。若不在同一條直線上，則試驗發(fā)現(xiàn)誤差比為1/450,故減去0.5個像素作為修正值 rb=(rmin+rmax)/2-0.5。

⑤若有微小變形，由橢圓周長l=2πb+4(a-b)可知，變形周長可近似表示為l=2πr+4Δ，則r=l/2π-2Δ/π。設(shè)誤差μ=|ra-rb|，經(jīng)過多次試驗，設(shè)定值μ為3。若μ超過閥值，則剔除。

⑥以ra乘以比例因子c作為實際檢測尺寸r，以0.05mm為分類界限，進行分類。同時，在實際檢測線上，由于標定可能帶來誤差，可通過一次性加入標定修正常量ε，得到最終的實際尺寸d=2r=2ra/(c+ε)。

4 結(jié)果及分析

表1中，-I表示小于標準尺寸的軸承外圈。

對軸承外圈，主要考慮外環(huán)的尺寸；而對內(nèi)圈，主要考慮內(nèi)環(huán)尺寸。軸承外圈以外環(huán)分類，軸承內(nèi)圈以內(nèi)環(huán)分類。由于軸承外圈一般對大徑尺寸偏差要求更嚴格，因此在上述處理過程中，以軸承外圈作為處理和分類基礎(chǔ)。而處理軸承內(nèi)圈則以小徑尺寸作為參考依據(jù)，這里不再重復(fù)敘述。

5 結(jié)束語

研究中所檢測的軸承外圈尺寸為55 mm，設(shè)定的研究精度為0.05 mm，以滿足每0.05 mm的分類需求，因此選用130萬像素的工業(yè)相機。若需要提高精度，可以采用拼接技術(shù)、亞像素技術(shù)或提高相機分辨率來實現(xiàn)。同時，文中的半徑提取方法區(qū)別于常見的最小二乘和Hough變換的半徑提取方法,使檢測不再限于理想圓。此外，該檢測及分類方法不僅可以作為獨立工序運作，還可以融入到軸承組裝的自動化生產(chǎn)線中，提高軸承制造的自動化程度。

[1] 唐飛.機器視覺圓鋼坯輪廓與裂紋測量[D].成都：電子科技大學(xué)，2014.

[2] 雷良育，周曉軍.基于機器視覺的軸承內(nèi)外徑尺寸檢測系統(tǒng)[J].農(nóng)業(yè)機械學(xué)報，2005,36(3):131-134.

[3] 劉科文，周平，付斌斌.基于機器視覺的圓環(huán)形零件行位尺寸自動測量[J].工業(yè)控制計算機，2010,23(7):1-3.

[4] 劉勝利.基于工業(yè)視覺的軸承尺寸在線檢測技術(shù)[D].西安：西安工業(yè)大學(xué)，2014.

[5] 崔明，顧啟民，黃霞.基于機器視覺的軸承滾動體缺陷檢測算法研究[J].組合機床與自動化加工技術(shù)，2015(11):74-78.

[6] 劉國陽.基于機器視覺的微小零件尺寸測量技術(shù)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2014.

[7] 陳文達,白瑞林，吉峰，等.基于機器視覺的軸承防塵蓋表面缺陷檢測[J].計算機工程與應(yīng)用，2014,50(6):250-254.

[8] LUGHOFER E.On-line evolving image classifiers and their application to surface inspection [J]. Image and Vision Computing,2010,28 (7):1065-1079.

[9] DERGANC J,LIKAR B,PERMU F.A machine vision system for measuring the eccentricity of bearings[J].Computer in Industry.2003,50(1):103-111.

[10]NARANBAATAR E,KIM H S,LEE B R.Radius measuring algorithm based on machine vision using ltrative fuzzy search method[J].International Journal of Precision Engineering and Manufacturing,2012,13(6):915-926.

[11]SHEN H,LI S X.Bearing defect inspection based on machinevision[J].Measurement,2012,45(1):719-733.

Detecting and Classifying the Inner-outer Ring Sizes of Bearings Based on Machine Vision

In practical production line of bearings,the same model bearings are classified and assembled according to their different sizes of inner and outer rings.The technology of machine vision is researched,and a set of detection and classification system for inner and outer ring sizes of bearings is designed to replace the manual inspection and classification.Through designing detection mechanism，image filtering，binarization，camera and lens calibration; morphology removing the lining,and edge extraction,etc.,the goals of detection and classification are achieved.In the measurement of sizes,by operating two special pixel points,the inner-outer radius of the bearing is obtained,which avoids the positioning for the center of circle and contour extraction.Test shows that the system well implements the detection and classification of inner and outer ring sizes of bearings.

Bearing Machine vision Image processing Size detedion Camera calibration Filtering Binarization Edge detection Contour extraction

范帥(1992—)，男，現(xiàn)為電子科技大學(xué)機械工程專業(yè)在讀碩士研究生；主要從事機器視覺應(yīng)用方向的研究。

TH13;TP391

A

10.16086/j.cnki.issn 1000-0380.201611021

修改稿收到日期：2016-04-14。