尚 軍，張曉暉，劉 青

(西安理工大學(xué) 工程訓(xùn)練中心，西安 710048)

1001-2265(2017)10-0022-05

10.13462/j.cnki.mmtamt.2017.10.005

2017-06-08；

2017-07-07

國(guó)家自然科學(xué)基金項(xiàng)目(61405157，61075007)；陜西省自然科學(xué)基礎(chǔ)研究計(jì)劃(2012JM7006)

尚軍(1975—)，男，陜西府谷人，西安理工大學(xué)工程師，研究方向?yàn)槟Ｊ阶R(shí)別、計(jì)算機(jī)應(yīng)用、機(jī)電設(shè)備研發(fā)，(E-mail)shjun@xaut.edu.cn；張曉暉(1975—)，男，陜西興平人，西安理工大學(xué)教授，博士生導(dǎo)師，博士，研究方向?yàn)樾畔⒖刂?、視覺識(shí)別算法。

基于預(yù)測(cè)匹配差與全局-局部閾值化的軸承缺陷檢測(cè)與定位算法*

尚 軍，張曉暉，劉 青

(西安理工大學(xué) 工程訓(xùn)練中心，西安 710048)

為了準(zhǔn)確檢測(cè)軸承在生產(chǎn)加工過程中出現(xiàn)的滾動(dòng)體漏裝等缺陷，提出了基于預(yù)測(cè)匹配差與全局-局部閾值化的軸承缺陷檢測(cè)與定位算法，完成滾動(dòng)體缺失、破損檢測(cè)與定位。首先，引入分段線性圖像增強(qiáng)技術(shù)，擴(kuò)大滾動(dòng)體與軸承背景的對(duì)比度；其次，綜合全局與局部閾值化方法，結(jié)合種子填充技術(shù)，對(duì)軸承進(jìn)行連通邊緣標(biāo)記；再設(shè)計(jì)一種圓驗(yàn)證機(jī)制，將軸承中的非圓邊緣濾除，以提取滾動(dòng)體的ROI區(qū)域，縮小了目標(biāo)檢測(cè)范圍，提高滾動(dòng)體缺陷的檢測(cè)效率；最后，利用OpenCV來統(tǒng)計(jì)不同部件的輪廓面積，從而設(shè)計(jì)預(yù)測(cè)匹配差方法，對(duì)缺失或破損的滾動(dòng)體進(jìn)行定位。仿真結(jié)果顯示，與當(dāng)前軸承檢測(cè)方法相比，對(duì)于滾動(dòng)體漏裝或破損軸承，所提算法具有更高的檢測(cè)與定位準(zhǔn)確。

滾動(dòng)體缺失檢測(cè)；滾動(dòng)體定位；全局-局部二值化；預(yù)測(cè)匹配差定位

0 引言

在機(jī)械行業(yè)中，滾動(dòng)軸承應(yīng)用非常廣，在動(dòng)力傳動(dòng)機(jī)構(gòu)中具有重要作用，而滾動(dòng)體對(duì)軸承力學(xué)性能和實(shí)用壽命具有重大影響，但是在制造滾動(dòng)軸承過程中，經(jīng)常容易漏裝滾動(dòng)體或者滾動(dòng)體損壞的情況，若不及時(shí)將其檢測(cè)出來，會(huì)導(dǎo)致傳動(dòng)效率下降[1]。在實(shí)際軸承生產(chǎn)期間，為了防止出現(xiàn)滾動(dòng)體漏裝、或者滾動(dòng)體損壞等現(xiàn)象，當(dāng)前各工廠主要還是借助人工目視和稱重法[2-3]，其中，人工目視是通過人眼觀察來判別是否存在漏裝或破損情況，這種方式跟檢測(cè)人員的經(jīng)驗(yàn)以及工作態(tài)度有關(guān)，主觀性強(qiáng)，且長(zhǎng)時(shí)間工作后檢測(cè)人員往往因?yàn)槠诙档凸ぷ餍屎蜋z測(cè)的準(zhǔn)確性；對(duì)于稱重法[3]，由于滾動(dòng)軸承加工時(shí)存在尺寸偏差，這種重量的偏差和單個(gè)滾動(dòng)體破損重量的偏差往往相近，因此，此時(shí)如果使用稱重法會(huì)出現(xiàn)誤檢情況。

為了解決人工作業(yè)的不足，部分學(xué)者著手于對(duì)該問題的研究，提出了一些軸承缺陷檢測(cè)技術(shù)，且取得良好的實(shí)際應(yīng)用效果，陳韜等[4]提出一種對(duì)滾動(dòng)體及鉚釘缺失檢測(cè)的方法，根據(jù)已知的軸承半徑和保持架的尺寸來確定ROI區(qū)域和滾動(dòng)體所在圓周的半徑，然后檢測(cè)滾動(dòng)體是否存在缺失。該方法先驗(yàn)知識(shí)過多，當(dāng)軸承半徑尺寸未知時(shí)算法失效，且該算法不能對(duì)破損的滾動(dòng)體進(jìn)行檢測(cè)。崔明等[5]提出一種基于機(jī)器視覺的軸承滾動(dòng)體缺陷檢測(cè)算法，首先提取ROI區(qū)域，然后根據(jù)連通區(qū)域的面積以及圓度對(duì)缺陷進(jìn)行檢測(cè)和分類，該方法可以一定程度上檢測(cè)出滾動(dòng)體缺陷，但是其基于圓度分析的滾動(dòng)體檢測(cè)準(zhǔn)確率不高，且沒有對(duì)缺失的滾動(dòng)體進(jìn)行定位。彭平[6]提出了一種基于機(jī)器視覺的雙列深溝球軸承滾動(dòng)體缺失檢測(cè)系統(tǒng)，用于檢測(cè)雙列深溝球軸承的滾動(dòng)體。他通過逐環(huán)掃描展開法，提取滾動(dòng)區(qū)域，并利用面積統(tǒng)計(jì)滾動(dòng)體的數(shù)目，在所提取的區(qū)域中用標(biāo)準(zhǔn)塊掃描，對(duì)缺失的位置進(jìn)行定位。郝永興[7]對(duì)鐵路貨車滾動(dòng)軸承的表面缺陷進(jìn)行了研究，對(duì)滾動(dòng)軸承表面的麻點(diǎn)、臟污等缺陷進(jìn)行了檢測(cè)，但是沒有對(duì)滾動(dòng)體缺失進(jìn)行檢測(cè)。

為了實(shí)現(xiàn)對(duì)滾動(dòng)體缺陷進(jìn)行精確檢測(cè)與定位，本文提出了基于預(yù)測(cè)匹配差與全局-局部閾值化的軸承圖像缺陷檢測(cè)算法主要分為滾動(dòng)體區(qū)域的提取、滾動(dòng)體檢測(cè)與定位兩部分。通過全局-局部閾值化方法，來提取滾動(dòng)體區(qū)域，同時(shí)，通過設(shè)計(jì)預(yù)測(cè)匹配差方法，對(duì)滾動(dòng)體進(jìn)行檢測(cè)與定位。通過以上兩個(gè)方法，最終可以判別待測(cè)軸承是否存在滾動(dòng)體漏裝或破損，如果存在，將對(duì)漏裝或破損的滾動(dòng)體進(jìn)行定位。最后，測(cè)試了所提算法的缺陷檢測(cè)與定位精度。

1 本文軸承缺陷檢測(cè)與定位算法設(shè)計(jì)

所提的基于預(yù)測(cè)匹配差與全局-局部閾值化的軸承圖像缺陷檢測(cè)算法過程見圖1。其包含了三個(gè)階段：①對(duì)軸承進(jìn)行分段線性增強(qiáng)；②基于全局-局部閾值化方法的ROI區(qū)域提??；③基于預(yù)測(cè)匹配差方法的滾動(dòng)體定位。如圖1所示。

圖1 本文滾動(dòng)軸承缺陷檢測(cè)與定位算法過程

1.1 滾動(dòng)軸承圖像增強(qiáng)處理

分段線性變換[8]是指將圖像的像素值分為若干段，每段對(duì)應(yīng)一個(gè)單獨(dú)的灰度變換，目的在于放大某個(gè)灰度范圍的細(xì)節(jié)，相對(duì)抑制不感興趣的灰度。圖2a為采集的滾動(dòng)軸承圖像，滾動(dòng)體的灰度范圍在(100,200)之間。其中，滾動(dòng)體是檢測(cè)的對(duì)象，為了突出此區(qū)域，引入分段線性變換對(duì)其增強(qiáng)處理：

(1)

其中，f為采集的滾動(dòng)軸承圖像；g為增強(qiáng)圖像。

利用式(1)處理圖2a后，獲取的增強(qiáng)圖像見圖2b。由圖可知，增強(qiáng)后的軸承圖像中，其滾動(dòng)體更亮，滾動(dòng)體背景更黑，滾動(dòng)體與背景對(duì)比度更大。

(a)初始采集的軸承圖像 (b)增強(qiáng)圖像 圖2 軸承圖像的增強(qiáng)處理

1.2 基于全局-局部閾值化方法的ROI提取

由于滾動(dòng)體位于軸承的溝道中，溝道在軸承的內(nèi)圈和外圈之間，為了去除內(nèi)外圈對(duì)滾動(dòng)體提取的干擾，需要提取裝載滾動(dòng)體的圓環(huán)狀溝道區(qū)域，即ROI區(qū)域。為了提取ROI區(qū)域，本文設(shè)計(jì)了全局-局部閾值化方法。

1.2.1 全局-局部閾值化

全局閾值化[9]是指對(duì)于整個(gè)圖像，設(shè)定一個(gè)閾值，大于和小于該閾值的像素被分為兩類。而局部閾值化[10]則是根據(jù)像素的鄰域塊的像素值分布來確定該像素位置上的二值化閾值，其優(yōu)點(diǎn)在于每個(gè)像素位置處的二值化閾值不是固定不變的，而是由其周圍鄰域像素的分布來決定的。不同亮度、對(duì)比度、紋理的圖像區(qū)域?qū)?huì)擁有不同的局部二值化閾值[10]。

為此，本文先對(duì)增強(qiáng)圖像進(jìn)行全局閾值化處理，見圖3a；再利用局部自適應(yīng)二值化方法對(duì)圖3a進(jìn)行處理，結(jié)果見圖3b。通過觀察圖3可以發(fā)現(xiàn)，全局閾值化使內(nèi)外圈全部成了背景，留下了溝道區(qū)域，但是滾動(dòng)體邊界模糊，與背景相融。再通過局部自適應(yīng)閾值化處理，基本保留了軸承的基本輪廓信息，滾動(dòng)體邊界清晰，和內(nèi)外圈沒有任何粘連。

(a)全局閾值化處理結(jié)果 (b)局部閾值化處理結(jié)果圖3 全局-局部閾值化處理結(jié)果

1.2.2 溝道內(nèi)外圈獲取及ROI提取

利用全局-局部閾值化后的軸承圖像溝道區(qū)域外圈輪廓清晰，但是內(nèi)圈輪廓雜亂。為了確定滾動(dòng)體區(qū)域，可以先確定滾動(dòng)體溝道的外圈，計(jì)算出圓心，然后根據(jù)內(nèi)圈邊緣點(diǎn)與圓心的距離確定內(nèi)圈半徑。為此，本文首先引入Canny邊緣檢測(cè)算子[11]，提取軸承的邊緣圖，過程如下：

(1)令圖3b為f(x,y)，利用高斯函數(shù)G(x)對(duì)f(x,y)進(jìn)行平滑處理：

(2)

I(x,y)=[G(x)G(y)]*f(x,y)

(3)

其中，σ為G(x)的標(biāo)準(zhǔn)方差；I(x,y)為平滑圖像。

(2)隨后，求取I(x,y)的梯度幅值與方向：

(4)

H(x,y)=arctan[kx(x,y),ky(x,y)]

(5)

(6)

其中，M(x,y)為I(x,y)的梯度幅值；H(x,y)為I(x,y)的梯度方向；fx,fy為x,y方向的濾波器。

(3)最后，對(duì)梯度幅值M(x,y)完成非極大值抑制處理，并利用雙閾值來處理抑制的M(x,y)，從而獲取兩個(gè)閾值邊緣圖像，通過連接邊緣，獲取目標(biāo)邊緣[11]。

經(jīng)過上述Canny檢測(cè)過程處理圖3b，獲取軸承邊緣，見圖4a。為了從圖4a 中提取出外圈邊緣，本文通過設(shè)計(jì)了一種圓驗(yàn)證機(jī)制，聯(lián)合種子填充法[12]來實(shí)現(xiàn)。

首先，本文利用種子填充法(Seed Filling)[12]，在圖4a中選定一個(gè)邊緣點(diǎn)，然后從該邊緣點(diǎn)出發(fā)將與之相鄰的邊緣逐次合并，直到無相鄰點(diǎn)為止，最后獲取一個(gè)邊緣點(diǎn)彼此連通的連通域，其過程見圖4b，在圖像中從上到下、從左至右掃描，得到一個(gè)邊緣點(diǎn)P1，將P1存儲(chǔ)，并以P1為“種子”在P1的八鄰域內(nèi)尋找其他邊緣點(diǎn)，如P4和P6，依次將P4和P6存儲(chǔ)，接著分別以P4和P6為種子，在其八鄰域內(nèi)尋找其他邊緣點(diǎn)，直至無相鄰邊緣點(diǎn)為止，即可獲取一個(gè)連通域，輸出結(jié)果見圖4c。其中，位于最外面的邊緣用黃色標(biāo)記，是一個(gè)完整的圓形狀，而其他邊緣短小且不規(guī)則。

(a) Canny邊緣檢測(cè)結(jié)果 (b)種子填充標(biāo)記過程 (c) 連通邊緣標(biāo)記結(jié)果圖4 軸承圖像的連通邊緣標(biāo)記結(jié)果

通過種子填充法，獲取了數(shù)條用不同顏色標(biāo)記的連通邊緣，為了從中篩選出最外側(cè)的黃色外圈邊緣，設(shè)計(jì)了一種圓驗(yàn)證算法，通過該算法可以將非圓邊緣濾除，從而得到外圈邊緣。對(duì)于任意一個(gè)連通域邊緣，按如下步驟進(jìn)行驗(yàn)證：

Step 1：計(jì)算連通邊緣點(diǎn)的個(gè)數(shù)C，如果C小于閾值TC，那么刪除，否則進(jìn)入下一步；

Step 2：在連通邊緣上隨機(jī)選取4個(gè)點(diǎn)；

Step 3：從4個(gè)點(diǎn)中選擇3個(gè)點(diǎn)，由這3個(gè)點(diǎn)擬合出圓；

Step 4：計(jì)算第4個(gè)點(diǎn)到擬合的圓的距離D,如果D小于閾值TD,則此連通邊緣為圓狀邊緣，否則篩除。

如圖5a所示，分別在曲線l1,l2上隨機(jī)選取4個(gè)點(diǎn)P1～P4,選擇其中3個(gè)點(diǎn)P1～P3(空心圓點(diǎn))擬合圓分別獲得擬合圓C1和C2,在曲線l1中的第4個(gè)點(diǎn)P4距離擬合的圓C1很近，幾乎在擬合圓上，所以曲線l1被認(rèn)為是圓形狀曲線，而曲線l2中的第4個(gè)點(diǎn)P4(實(shí)心圓點(diǎn))與擬合圓C2的距離D較大，大于閾值TD，所以將曲線l2濾除。

根據(jù)以上驗(yàn)證過程，有效地將除溝道外圈邊緣以外的所有邊緣濾除，并由步驟3計(jì)算出外圈邊緣的擬合參數(shù)(x,y,r)。其中，x是擬合圓心的橫坐標(biāo)；y為縱坐標(biāo)；r為半徑。得到計(jì)算出滾動(dòng)體區(qū)域外圈邊緣的擬合圓心坐標(biāo)后，再計(jì)算所有邊緣點(diǎn)到圓心的距離，取最小的距離作為滾動(dòng)體區(qū)域的內(nèi)圈半徑，即內(nèi)圈擬合圓內(nèi)部包含任何邊緣點(diǎn)。最終得到了擬合結(jié)果，用藍(lán)色標(biāo)記滾動(dòng)體區(qū)域的內(nèi)外圈，見圖5b。

(a) 圓驗(yàn)證示意圖 (b) 滾動(dòng)體區(qū)域內(nèi)外圈擬合圓圖5 溝道內(nèi)外圈的獲取

再根據(jù)內(nèi)外圈邊緣的擬合圓，制作出滾動(dòng)體區(qū)域掩膜板，如圖6a，其中，滾動(dòng)體區(qū)域?yàn)榘咨渌麉^(qū)域?yàn)楹谏尘?。將滾動(dòng)體區(qū)域掩膜版和局部二值化結(jié)果(圖3b)進(jìn)行“與”操作，即可獲取滾動(dòng)體ROI區(qū)域，見圖6b。由圖可知，除了ROI區(qū)域外，其他無關(guān)信息都被屏蔽。

(a) 滾動(dòng)體區(qū)域掩膜板 (b) 提取的ROI區(qū)域圖6 滾動(dòng)體區(qū)域的提取

1.3 基于預(yù)測(cè)匹配差方法的缺失滾動(dòng)體檢測(cè)與定位

得到滾動(dòng)體區(qū)域后，本文利用OpenCV中輪廓提取函數(shù)FindContours()來獲取封閉輪廓，見圖7a?？梢姡崛〉妮喞獢?shù)量多，且除了滾動(dòng)體輪廓外，還存在其他次要信息，如內(nèi)外圈輪廓、鉚釘輪廓等。為了篩選出滾動(dòng)體，利用函數(shù)ContourArea()來計(jì)算輪廓面積，統(tǒng)計(jì)結(jié)果見表1。依據(jù)表1可知，面積大小在800～200之間的輪廓為滾動(dòng)體輪廓；200～600之間的為鉚釘輪廓；而小于100的為噪聲輪廓；大于1200的為內(nèi)外圈輪廓。因此，可以簡(jiǎn)單地通過設(shè)置面積閾值篩選出滾動(dòng)體。通過將面積在800～1200之間的輪廓篩選出來，結(jié)果如圖7b。依圖可在，其他輪廓全部被濾除。

表1 輪廓面積統(tǒng)計(jì)表

(a) 滾動(dòng)體區(qū)域輪廓 (b) 提純后的滾動(dòng)體輪廓圖7 滾動(dòng)體輪廓的提取

隨后，計(jì)算出滾動(dòng)體的數(shù)量，與完好的滾動(dòng)軸承所擁有的滾動(dòng)體數(shù)量進(jìn)行對(duì)比，可以判別是否存在漏裝或破損等情況。為了對(duì)缺失的滾動(dòng)體進(jìn)行定位，本文設(shè)計(jì)了預(yù)測(cè)匹配差方法，通過求取完好的滾動(dòng)體輪廓的最小外接矩形，從而獲取完好滾動(dòng)體的位置。具體步驟如下：

Step 1:對(duì)識(shí)別出的滾動(dòng)體的最小外接矩形的中心點(diǎn)(C1,C2,…Cn) 進(jìn)行圓擬合，獲得這些中心點(diǎn)的擬合圓，參數(shù)為(c_x,c_y,c_r);

Step 2:建立坐標(biāo)系，根據(jù)參數(shù)方程計(jì)算任意一個(gè)中心點(diǎn)到擬合圓心(c_x,c_y)與橫坐標(biāo)軸的夾角為θ0;

Step3:假設(shè)合格滾動(dòng)軸承的滾動(dòng)體個(gè)數(shù)為N，那么對(duì)于i=1:N,根據(jù)公式(2)計(jì)算所有期望滾動(dòng)體的中心點(diǎn)位置Mi(xi,yi):

xi=c_x+c_rcos(θ0+i2π/N);yi=c_y+c_rsin(θ0+i2π/N);

(7)

根據(jù)上述過程，獲取滾動(dòng)體的實(shí)際中心位置與期望的位置匹配結(jié)果見圖8a，綠色圈表示實(shí)際擁有的位置，紅色圈表示期望的位置。

依據(jù)步驟1～4，按對(duì)圖7b中的缺失位置進(jìn)行定位，結(jié)果見圖8b?？梢?，缺失位置被準(zhǔn)確定位出來，用綠色圓圈進(jìn)行標(biāo)記。

(a)滾動(dòng)體中心位置的匹配結(jié)果 (b)滾動(dòng)體缺失位置的定位結(jié)果圖8 缺失滾動(dòng)體檢測(cè)與定位

2 實(shí)驗(yàn)結(jié)果與討論

為了測(cè)試所提算法的準(zhǔn)確性，在VS2012集成開發(fā)環(huán)境下進(jìn)行的實(shí)驗(yàn)。同時(shí)，為了體現(xiàn)所提算法的優(yōu)異性，將缺陷檢測(cè)精度較高的技術(shù)作為對(duì)照組(文獻(xiàn)[3])。滾動(dòng)體數(shù)量為16個(gè)；全局閾值為35；局部自適應(yīng)參數(shù)為(1,35,1)；連通邊緣區(qū)域至少包含25個(gè)像素點(diǎn)。

為了驗(yàn)證本文所提算法的有效性，采用4幅圖像作為檢測(cè)對(duì)象，其中表2中的圖a為合格滾動(dòng)軸承，不存在任何漏裝情況；圖b存在兩個(gè)位置的漏裝；圖c存在兩個(gè)損壞的滾動(dòng)體；圖d存在一個(gè)漏裝位置和一個(gè)損壞滾動(dòng)體。再使用所提算法與文獻(xiàn)[3]對(duì)其完成檢測(cè)，結(jié)果見表1。其中，第一列為待檢測(cè)圖像；第二列為檢測(cè)出的滾動(dòng)體；第三列為對(duì)滾動(dòng)體及缺失位置的定位，其中方框?yàn)閷?duì)存在的滾動(dòng)體的定位，圓框?yàn)閷?duì)缺失或損壞位置的定位。第四列為文獻(xiàn)[3]中的滾動(dòng)體定位方法。通過觀察表1的第二列可知，所檢測(cè)到的滾動(dòng)體的輪廓準(zhǔn)確誤差小，且不存在漏檢或多檢情況。其中，圖a檢測(cè)出12個(gè)滾動(dòng)體，圖b、c、d檢測(cè)出10個(gè)滾動(dòng)體。依據(jù)第三列可知，即滾動(dòng)體與滾動(dòng)體缺失位置定位，從標(biāo)記結(jié)果看，所有完整的滾動(dòng)體全部被準(zhǔn)確定位，且漏裝位置或缺損滾動(dòng)體全部被準(zhǔn)確定位，如被測(cè)圖b中定位了兩個(gè)漏裝位置，被測(cè)圖c中定位了兩個(gè)損壞的滾動(dòng)體，圖d中定位了一個(gè)破損滾動(dòng)體和一個(gè)漏裝位置。根據(jù)實(shí)驗(yàn)提供的被測(cè)圖像，可以得到以下數(shù)據(jù)：滾動(dòng)體檢測(cè)準(zhǔn)確率為100%；滾動(dòng)體缺失檢測(cè)為100%。且滾動(dòng)體及缺失定位準(zhǔn)確，沒有誤檢現(xiàn)象。

相比之下，文獻(xiàn)[3]方法在圖a中將2個(gè)鉚釘檢測(cè)成滾動(dòng)體，在圖b中將1個(gè)鉚釘檢測(cè)成滾動(dòng)體，圖c中漏檢了一個(gè)破損滾動(dòng)體且把一個(gè)鉚釘檢測(cè)成滾動(dòng)體。因此，與文獻(xiàn)[3]算法相比，本文方法檢測(cè)準(zhǔn)確度更高，不存在多檢和漏檢情況。原因是所提技術(shù)通過利用分段線性變換技術(shù)來擴(kuò)大滾動(dòng)體與其背景的對(duì)比度差異，并聯(lián)合全局-局部閾值技術(shù)，并通過設(shè)計(jì)圓驗(yàn)證機(jī)制，對(duì)內(nèi)外圈進(jìn)行圓擬合，精確獲取滾動(dòng)體區(qū)域，同時(shí)統(tǒng)計(jì)出滾動(dòng)體與其他部分的特征差異，通過設(shè)計(jì)預(yù)測(cè)匹配差方法，準(zhǔn)確獲取完好的滾動(dòng)體輪廓的最小外接矩形，從而獲取完好滾動(dòng)體的位置。而文獻(xiàn)[3]技術(shù)是利用偽時(shí)頻特征與多普勒小波濾波器來檢測(cè)軸承缺陷，但是，偽時(shí)頻特征易受對(duì)比度的影響，導(dǎo)致其時(shí)頻特征較為微弱，且內(nèi)外圈的時(shí)頻特征較為接近，從而使其存在較多的偽特征，難以準(zhǔn)確獲取滾動(dòng)體的位置。

另外，通過記錄兩種檢測(cè)技術(shù)的時(shí)耗可知，本文算法的檢測(cè)時(shí)間平均約0.5s，而文獻(xiàn)[3]的平均時(shí)耗為0.7s?？梢?，所提算法的檢測(cè)耗時(shí)更少，速度更快，能夠滿足在線檢測(cè)需求。原因是本文通過全局-局部閾值方法，以及圓驗(yàn)證方法來獲取軸承的滾動(dòng)體ROI區(qū)域，有效縮小了目標(biāo)檢測(cè)范圍，提高滾動(dòng)體缺陷的檢測(cè)效率，而文獻(xiàn)[3]則是對(duì)整個(gè)軸承所有部位進(jìn)行逐一檢測(cè)，顯著增大其技術(shù)的計(jì)算量，使其效率不佳。

表2 滾動(dòng)體缺失檢測(cè)與定位

3 結(jié)論

本文采用圖像處理技術(shù)實(shí)現(xiàn)了對(duì)軸承滾動(dòng)體的檢測(cè)，可以判別滾動(dòng)軸承是否存在滾動(dòng)體漏裝或破損，并對(duì)缺失或破損位置進(jìn)行準(zhǔn)確定位。所采用方法速度快、檢測(cè)準(zhǔn)確率高，定位精確，有效減少了漏檢或錯(cuò)檢的現(xiàn)象。為了實(shí)現(xiàn)以上功能，使用了圖像增強(qiáng)算法、基于全局-局部閾值化方法的ROI提取算法以及基于預(yù)測(cè)匹配差方法的缺失滾動(dòng)體定位。實(shí)驗(yàn)表明，所提算法可以準(zhǔn)確地檢測(cè)軸承是否存在滾動(dòng)體缺失或損壞，對(duì)缺失位置的定位精確。此外本文所提算法時(shí)間短，僅為0.5s，滿足在線檢測(cè)需求。

[1] S Abdusslam, P Raharjo, F Gu. Bearing defect detection and diagnosis using a time encoded signal processing and pattern recognition method [J]. Journal of Physics: Conference Series. 2012, 364(1): 12036-12047.

[2]魏永合, 王明華, 林夢(mèng)菊. 基于改進(jìn)EEMD的滾動(dòng)軸承故障特征提取技術(shù)[J]. 組合機(jī)床與自動(dòng)化加工技術(shù), 2015(1): 87-90.

[3]Zhang Haibin, Lu Siliang, He Qingbo. Multi-bearing defect detection with trackside acoustic signal based on a pseudo time-frequency analysis and Dopplerlet filter [J]. Mechanical Systems and Signal Processing, 2016, 70(3): 176-200.

[4] 陳韜,王獻(xiàn)鋒,鄧四二,等， 軸承滾動(dòng)體及鉚釘缺失檢測(cè)系統(tǒng)開發(fā)[J].軸承，2007(9):42-43.

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

[6] 彭平. 雙列深溝球軸承滾動(dòng)體缺失檢測(cè)技術(shù)研究[D]. 河南: 河南科技大學(xué), 2012.

[7] 郝永興. 基于機(jī)器視覺的鐵路貨車滾動(dòng)軸承表面缺陷檢測(cè)技術(shù)研究[D].甘肅: 蘭州交通大學(xué), 2016.

[8] Chun-ming Tsai. Contrast Enhancement by Automatic and Parameter-Free Piecewise Linear Transformation for Color Images[J]. IEEE Transactions on Consumer Electronics, 2016, 54(2): 213-219.

[9] 吳海濱, 周后偉, 張鐵譯. 基于OTSU的動(dòng)態(tài)結(jié)合全局閾值的圖像分割[J]. 大氣與環(huán)境光學(xué)學(xué)報(bào), 2012, 7(6): 463-468.

[10] Hegazy Mohamed A A, HC Min,SY Lee. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. Biomedical Engineering Online, 2016, 15(1) 119-125.

[11] A Tsanakas, D Chrysostomou, P N Botsaris. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. BioMedical Engineering OnLine, 2016, 15(1): 1201-1209.

[12] 李曉瑜, 楊馬英. 機(jī)器人視覺圖像分割算法[J]. 吉林大學(xué)學(xué)報(bào)(工學(xué)版), 2013, 23(S1): 260-264.

BearingDefectDetection-LocationAlgorithmBasedonPredictiveMatchingDifferenceandGlobalLocalThresholding

SHANG Jun， ZHANG Xiao-hui， LIU Qing

(Engineering Training Center, Xi′an University of Technology, Xi′an 710048,China)

In order to accurately detect the defects of rolling body leakage in the process of production bearing, the bearing defect detection-location algorithm based on predictive matching difference and global local thresholding was proposed in this paper to finish the detection and location of missing and damaged rolling bodies. Firstly, the piecewise linear image enhancement technique was introduced to enlarge the contrast between the rolling body and the bearing. Then the linking edge marking of the bearing was done by constructing the global-local thresholding method and combining the seed filling technology. And the ROI region of the rolling body was extracted by designing a circle verification mechanism to filter out the non circle edge of the bearing for reducing the target detection range and improving the detection efficiency. Finally, the predictive matching method was designed by using the OpenCV to calculate the contour area of different components for locating the missing or damaged rolling objects. Simulation results show that this algorithm has higher detection and localization accuracy compared with current bearing detection methods.

rolling body missing detection; rolling body localization; global-local binaryzation; predictive matching difference localization

TH165;TG115

A

(編輯李秀敏)