CN102636490B - 基于机器视觉的轴承防尘盖表面缺陷检测方法 - Google Patents

Abstract

本发明涉及一种基于机器视觉的轴承防尘盖表面缺陷检测方法，其包括如下步骤：a、获取待检测轴承的灰度图像，b、分离得到轴承防尘盖圆环图像；c、进行灰度变换、自适应中值滤波的预处理；d、利用最大类间方差法进行阈值分割，并利用Roberts边缘检测算子提取阈值分割后轴承防尘盖圆环图像的边缘；e、对上述轴承防尘盖圆环图像每隔2°时计算图像区域内数值为1的数目；f、提供模板轴承图像，并计算得到偏转角度σ；g、分离得到轴承防尘盖圆环图像的字符区域与非字符区域；h、对轴承防尘盖圆环图像中对应字符区域、非字符区域根据连通域数量及缺陷面积进行表面缺陷判定。本发明能实现自动检测，降低人工检测目测工作量，提高检测效率，安全可靠。

Description

基于机器视觉的轴承防尘盖表面缺陷检测方法

技术领域

本发明涉及一种轴承防尘盖表面缺陷的检测方法，尤其是一种基于机器视觉的轴承防尘盖表面缺陷检测方法，属于机器视觉的技术领域。

背景技术

轴承在机械行业中应用非常广泛，轴承质量关系到机械产品的使用性能和寿命，这是轴承厂家一直很关心的问题。轴承在生产、装配过程中，由于加工技术、微小异物等因素，在轴承防尘盖表面会产生各种压痕、吭伤、划痕等瑕疵，这些缺陷一方面使得轴承不美观，更严重的是若瑕疵过深，则可能在轴承转动过程中与机器的其他部件相擦碰，从而降低轴承的使用性能，影响装有轴承机器的使用，造成各种安全隐患；这不仅将给企业造成经济损失，而且带来负面影响，使企业信誉受到损害。所以这类存在瑕疵的轴承，在出厂前必须识别并剔除出来。

目前，国内外轴承生产厂家对轴承防尘盖表面的检测主要是人工目测。由于受检查人员技术、经验、工作环境以及视力疲劳等影响，很容易出现误检和漏检，并且人工目测效率低、缺乏准确性和规范化，检测结果与检查人员的能力及精神状态密切相关，稳定性和可靠性比较差，另外，也不能将检测数据分类实时送入计算机进行质量管理。为了解决人工目测工作量大、效率低、漏检率高的难题，企业急需引进一种自动检测技术，以替代人工操作，在降低人力成本的同时又能实现对产品质量的严格控制。所以研究实现轴承的自动检测有着重要的意义。

随着人类对视觉机理的认识和计算机技术的快速发展，利用机器模拟人类的视觉系统成为科学技术发展的必然趋势，机器视觉已成为令人感兴趣的前沿研究领域之一。机器视觉从起步发展到现在，凭借其速度快、精度高、永不疲劳的优点，正在逐渐融入到各行各业中，并且成果斐然，现已广泛应用于钢板、钢带、合金板、钢球等机械加工零件的表面缺陷检测。利用机器视觉对轴承防尘盖表面进行自动检测不但能提高轴承行业的生产效率、降低人力成本，而且能为轴承质量的评估制定客观标准打下基础。此外，基于机器视觉的轴承防尘盖表面缺陷检测是现代高新科技的综合应用，有关该领域的理论研究和深入实践必将为应用高新技术提升我国传统产业做出积极贡献。

发明内容

本发明的目的是克服现有技术中存在的不足，提供一种基于机器视觉的轴承防尘盖表面缺陷检测方法，其能实现轴承防尘盖缺陷的自动检测，降低人工检测目测工作量，提高检测效率，安全可靠。

按照本发明提供的技术方案，一种基于机器视觉的轴承防尘盖表面缺陷检测方法，所述轴承防尘盖表面缺陷检测方法包括如下步骤：

a、将待检测轴承放置于黑色背景上，并获取所述待检测轴承的灰度图像，且以所述灰度图像的左上角为坐标原点建立坐标系；

b、对上述灰度图像利用边界跟踪、最小二乘法和轴承防尘盖内、外径占待检测轴承外圆半径的比例，分离得到以待检测轴承的圆心为中心的轴承防尘盖圆环图像；

c、对上述分离得到的轴承防尘盖圆环图像进行灰度变换、自适应中值滤波的预处理；

d、对上述预处理后的轴承防尘盖圆环图像利用最大类间方差法进行阈值分割，并利用Roberts边缘检测算子提取阈值分割后轴承防尘盖圆环图像的边缘；

e、对上述轴承防尘盖圆环图像每隔2°时计算图像区域内数值为1的数目，得到1×180的一维向量数据；

f、提供模板轴承图像，并计算得到上述轴承防尘盖圆环图像与模板轴承图像旋转重合时的偏转角度σ；

g、根据模板轴承图像的字符区域、非字符区域与上述偏转角度σ，分离得到上述轴承防尘盖圆环图像的字符区域与非字符区域；

h、对上述轴承防尘盖圆环图像中对应字符区域、非字符区域根据连通域数量及缺陷面积进行表面缺陷判定，并输出轴承防尘盖表面缺陷判断信息。

所述步骤a中，以黑色绒布为黑色背景，待检测轴承位于检测支架上；待检测轴承的正上方设有安装于检测支架上的CCD相机及位于所述CCD相机正下方的蓝色同轴光源；所述CCD相机邻近蓝色同轴光源的端部安装有定焦镜头。

所述步骤b中，包括如下步骤：

b1、在获取待检测轴承的灰度图像上寻找灰度值大于25的点，得到位于待检测轴承最左上方的边缘点A；

b2、在边缘点A的右侧、右下侧、下侧及左下侧中寻找邻接边缘点B，并以边缘点B为起点按照与待检测轴承边缘相对应的方向寻找邻接灰度值大于25的边缘点C；

b3、当边缘点C与边缘点A为同一点时，则上述跟踪边界为待检测轴承的边缘；当边缘点C与边缘点A不是同一点时，则以边缘点C为起点，以与边缘点B至边缘点C相反的方向寻找邻接灰度值大于25的点，直至寻找回到边缘点A为止，以搜索确定待检测轴承的边缘轮廓；

b4、上述搜索确定待检测轴承边缘轮廓的点集为(x_i y_i)，利用最小二乘法得到：

F＝(N∑x_i ²-∑x_i∑x_i)；                D＝(N∑x_iy_i-∑x_i∑y_i)；

E＝N∑x_i ³+N∑x_iy_i ²-∑(x_i ²+y_i ²)∑x_i    G＝(N∑y_i ²-∑y_i∑y_i)

H＝N∑x_i ²y_i+N∑y_i ³-∑(x_i ²+y_i ²)∑y_i

其中，x_i，y_i分别为边缘轮廓内点的横坐标、纵坐标，N为边缘轮廓的点集数目；

从而得到

$a=\frac{\mathrm{HD}-\mathrm{EG}}{\mathrm{FG}-D^2};$ $b=\frac{\mathrm{HF}-\mathrm{ED}}{D^2-\mathrm{GF}};$ $c=-\frac{\mathrm{\Σ}({x_i}^2+{y_i}^2)+\mathrm{a\Σ}{x}_i+\mathrm{b\Σ}{y}_i}{N},$ 则得到拟合的圆曲线为R²＝(x-P)²+(y-Q)²，圆心坐标(P，Q)和外圆半径R：

$P=\frac{a}{-2}$ $Q=\frac{b}{-2}$ $R=\frac{1}{2}\sqrt{a^2+b^2-4c};$

b5、根据待检测轴承的先验知识得知轴承防尘盖的内、外径占待检测轴承外圆半径的比例，以得到待检测轴承的灰度图像中轴承防尘盖的内径与外径，

b6、根据上述得到待检测轴承的灰度图像中轴承防尘盖内径与外径参数，截取上述灰度图像，以得到轴承防尘盖圆环图像。

所述步骤c中，包括如下步骤：

c1、对得到的轴承防尘盖圆环图像采用线性拉伸的灰度变换，以提高轴承防尘盖圆环图像的亮度；所述线性拉伸函数为

s＝T(w)；

其中，w为轴承防尘盖圆环图像灰度变换前点(x，y)的亮度值，s为轴承防尘盖圆环图像灰度变换后点(x，y)的亮度值，T为拉伸函数；

c2、对上述灰度变换后的轴承防尘盖圆环图像进行自适应中值滤波。

所述步骤d中，包括如下步骤：

d1、对上述预处理后的轴承防尘盖圆环图像，利用最大类间方差法进行阈值分割，所述分割阈值为L，以获得相应的前景像素点与背景像素点；

d2、所述前景像素点占轴承防尘盖圆环图像的比例为ω₀，其平均灰度为μ₀；所述背景像素点占轴承防尘盖圆环图像的比例为ω₁，其平均灰度为μ₁；轴承防尘盖圆环图像的总平均灰度记为

类间方差记为g；则有

$g={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-\stackrel{\‾}{\mathrm{\μ}})}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-\stackrel{\‾}{\mathrm{\μ}})}^2;$

d3、根据上述公式求取类间方差g的最大值，以得到最优的分割阈值L，并根据获得最优的分割阈值L对轴承防尘盖圆环图像进行分割；

d4、利用Roberts边缘检测算子检测上述阈值分割后的轴承防尘盖圆环图像，Roberts边缘检测算子的水平、垂直方向检测算子为：

$g_x=\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right],$ $g_y=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right];$

其中，g_x为水平方向检测算子，g_y为垂直方向检测算子。

所述步骤e中，包括如下步骤：

e1、以轴承防尘盖圆环图像的圆心为中心，水平方向0°开始，每隔2°计算相应轴承防尘盖圆环图像中数值为1的点数目；

e2、上述进行计算一周后，得到1×180维的数据Ψ1。

所述步骤f中，包括如下步骤：

f1、提供模板轴承图像，并以模板轴承图像的圆心为中心，水平方向为0°开始，每个2°计算模板轴承图像中轴承防尘盖内数值为1的点数目，并在进行计算一周后，得到1×180维的数据Ψ2；

f2、将数据Ψ1内的元素与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a₀；

f3、将数据Ψ1内的元素每次移动步长p，以形成新数据Ψ1^p，数据Ψ1^p与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a_p；所述移动步长p∈[1，2，…，179]；

f4、当移动步长p取到1～179中的任意一个数值后，得到180个误差，所述误差为a₀、a₁、a₂、……、a₁₇₉；

f5、比较并取上述误差a₀～a₁₇₉中的最小值，所述最小误差对应的移动步长为p，根据移动步长p得到偏转角度σ＝p×2°。

所述步骤g中，根据模板轴承图像中字符区域覆盖的角度(α，β)及偏转角度σ，得到待检测轴承的轴承防尘盖圆环图像中字符区域覆盖的角度(α+σ，β+σ)。

所述步骤h中，包括如下步骤：

h1、对上述分离出的轴承防尘盖字符区域与轴承防尘盖非字符区域进行区域标记，并根据标记区域内的像素值计算对应区域的面积，以得到轴承防尘盖字符区域内连通域是Φ个，轴承防尘盖非字符区域内连通域是Γ个；

h2、当轴承防尘盖字符区域内超过面积S的连通域是Θ个，当Θ与Φ不相等时，则轴承防尘盖字符区域表面存在缺陷；

h3、当轴承防尘盖非字符区域内超过面积S的连通域是K个，且K不等于0时，则轴承防尘盖非字符区域表面存在缺陷。

所述CCD相机采用30万像素的CCD相机；定焦焦头的焦距为25mm。

本发明的优点：利用CCD相机、定焦镜头及蓝色同轴光源形成的机器视觉技术对轴承防尘盖表面缺陷实现检测，具有非接触、速度快、操作简单、重复性好等特点；系统光源恒定、采集速度快、图像精度高，能长时间稳定工作；轴承防尘盖图像分成字符、非字符区域，两部分分开进行缺陷判别，避免相互干扰，算法速度快，可靠性高。

附图说明

图1为本发明用于获取待检测轴承灰度图像的图像采集装置的结构示意图。

图2为本发明对轴承防尘盖表面缺陷的检测流程图。

图3为本发明每隔2°计算轴承防尘盖圆环图像中数值为1的点数目的原理图。

附图标记说明：100-CCD相机、110-定焦镜头120-蓝色同轴光源、130-待检测轴承、140-黑色绒布及150-检测支架。

具体实施方式

下面结合具体附图和实施例对本发明作进一步说明。

如图1所示：为了能够方便获取轴承防尘盖的图像，本发明通过先获取待检测轴承130的灰度图像，再通过对待检测轴承130灰度图像处理后得到轴承防尘盖的圆环图像。获取待检测轴承130的图像时，本发明包括检测支架150，所述检测支架150具有底座，所述底座的正上方设有支撑臂，所述支撑臂上分别安装CCD相机100及蓝色同轴光源120，所述CCD相机100对应邻近蓝色同轴光源120的端部具有定焦镜头110，所述CCD相机100的轴线与蓝色同轴光源120的轴线位于同一直线上。获取待检测轴承130的灰度图像时，在检测支架150的底座上布置有黑色绒布140，待检测轴承130放置于黑色绒布140上，且待检测轴承130的轴线与所述待检测轴承130正上方的蓝色同轴光源120同轴分布。其中，CCD相机100采用30万像素的CCD(Charge-coupled device)相机，定焦镜头110的焦距为25mm，蓝色同轴光源120具有均匀的光分布，其光线平行于CCD相机100所在的轴线，能够消除采集到图像的重影。

如图2所示：当通过上述图像采集装置获取待检测轴承130的灰度图像后，对待检测轴承130上轴承防尘盖表面缺陷检测方法包括如下步骤：

a、将待检测轴承130放置于黑色背景上，并获取所述待检测轴承130的灰度图像，且以所述灰度图像的左上角为坐标原点建立坐标系；

获取待检测轴承130灰度图像的图像采集装置结构如图1所示，为了方便对灰度图像处理，需要建立以左上角为坐标原点的坐标系；

b、对上述灰度图像利用边界跟踪、最小二乘法和轴承防尘盖内、外径占待检测轴承130外圆半径的比例，分离得到以待检测轴承130的圆心为中心的轴承防尘盖圆环图像；

所述步骤b具体包括如下步骤：

b1、在获取待检测轴承130的灰度图像上寻找灰度值大于25的点，得到位于待检测轴承130最左上方的边缘点A；

边界跟踪就是通过依序找出边缘点以跟踪出边界，由于利用纯黑色绒布140做待检测轴承130背景，能够保证CCD相机100获得的待检测轴承130图像的背景灰度值小于25，所以从左到右、从上到下扫描时，找到的第一个灰度值大于25的点就是待检测轴承130的外圆轮廓上的点，且位于最左上方，即一定能得到边缘点A。所述灰度值的参数25由蓝色同轴光源120的强度和CCD相机100的曝光、增益决定，图像视觉清晰时，选取22～30都可以，一般选取25较适宜。

b2、在边缘点A的右侧、右下侧、下侧及左下侧中寻找邻接边缘点B，并以边缘点B为起点按照与待检测轴承130边缘相对应的方向寻找邻接灰度值大于25的边缘点C；

当获得边缘点A后，由于待检测轴承130的外圆轮廓可知，在边缘点A的右侧、右下侧、下侧及左下侧至少有一个边缘点，即能得到邻近边缘点A的边缘点B；寻找出边缘点B后，以顺时针方向依次寻找邻接灰度值大于25的边缘点，即此处与待检测轴承130边缘相应的方向为顺时针方向；

b3、当边缘点C与边缘点A为同一点时，则上述跟踪边界为待检测轴承130的边缘；当边缘点C与边缘点A不是同一点时，则以边缘点C为起点，以与边缘点B至边缘点C相反的方向寻找邻接灰度值大于25的点，直至寻找回到边缘点A为止，以搜索确定待检测轴承130的边缘轮廓；

当以边缘点C为起点进行再次搜索时，搜索寻找方向为逆时针方向，即与顺时针相反的方向；一般地，以边缘点C为起点，以边缘点B最后的搜索方向逆时针退90°作为新的初始搜索方向，直至待检测轴承130外圆轮廓的确定；

b4、上述搜索确定待检测轴承130边缘轮廓的点集为(x_i，y_i)，利用最小二乘法得到：

F＝(N∑x_i ²-∑x_i∑x_i)；                 D＝(N∑x_iy_i-∑x_i∑y_i)；

E＝N∑x_i ³+N∑x_iy_i ²-∑(x_i ²+y_i ²)∑x_i     G＝(N∑y_i ²-∑y_i∑y_i)

H＝N∑x_i ²y_i+N∑y_i ³-∑(x_i ²+y_i ²)∑y_i其中，F、D、E、G及H均为中间参数，x_i，y_i为轮廓点的横，纵坐标，N为点集数目，这些均为最小二乘法计算时的常规计算过程；

从而得到

$a=\frac{\mathrm{HD}-\mathrm{EG}}{\mathrm{FG}-D^2};$ $b=\frac{\mathrm{HF}-\mathrm{ED}}{D^2-\mathrm{GF}};$ $c=-\frac{\mathrm{\Σ}({x_i}^2+{y_i}^2)+\mathrm{a\Σ}{x}_i+\mathrm{b\Σ}{y}_i}{N},$ 则得到拟合的圆曲线为R²＝(x-P)²+(y-Q)²，圆心坐标(P，Q)和外圆半径R：

$P=\frac{a}{-2}$ $Q=\frac{b}{-2}$ $R=\frac{1}{2}\sqrt{a^2+b^2-4c};$

b5、根据待检测轴承130的先验知识得知轴承防尘盖的内、外径占待检测轴承130外圆半径的比例，以得到待检测轴承130的灰度图像中轴承防尘盖的内径与外径；所述先验知识宝库知道待检测轴承130的类型等相关参数；

b6、根据上述得到待检测轴承130的灰度图像中轴承防尘盖内径与外径参数，截取上述灰度图像，以得到轴承防尘盖圆环图像。

一般地，轴承防尘盖外侧的区域为多余部分，为减少数据量，也为处理方便，以待检测轴承130的圆心为中心，以轴承防尘盖的外圆直径为边长，截取轴承防尘盖外圆的外切正方形，所述外切正方形及外切正方形内包括的轴承防尘盖图像可以作为后续图像处理的依据。

c、对上述分离得到的轴承防尘盖圆环图像进行灰度变换、自适应中值滤波的预处理；

所述步骤c包括如下步骤：

c1、对得到的轴承防尘盖圆环图像采用线性拉伸的灰度变换，以提高轴承防尘盖圆环图像的亮度，并能突出要处理的亮度带；所述线性拉伸函数为

s＝T(w)；

其中，w为轴承防尘盖圆环图像灰度变换前点(x，y)的亮度值，s为轴承防尘盖圆环图像灰度变换后点(x，y)的亮度值，T为拉伸函数；

c2、对上述灰度变换后的轴承防尘盖圆环图像进行自适应中值滤波；采用自适应中值滤波能滤除噪声，滤除毛刺，并最大程度地保留防尘盖圆环图像的边缘信息；所述自适应中值滤波的具体过程为：

S_xy表示一个被处理的、中心在(x，y)处的子图像，Z_min表示S_xy中的最小亮度值，Z_max表示S_xy中的最大亮度值，Z_med表示S_xy中的亮度中值，Z_xy表示(x，y)处的亮度值，则能得到中值滤波的条件为

Level A：若Z_min＜Z_med＜Z_max，则转向Level B；

否则增加窗口尺寸；

若窗口尺寸≤S_nax重复level A；

否则输出Z_med；

Level B：若Z_min＜Z_xy＜Z_max则输出Z_xy；

否则输出Z_med；

S_max表示允许的最大自适应滤波器窗口的大小，本发明中S_max＝5。

d、对上述预处理后的轴承防尘盖圆环图像利用最大类间方差法进行阈值分割，并利用Roberts边缘检测算子提取阈值分割后轴承防尘盖圆环图像的边缘；

d1、对上述预处理后的轴承防尘盖圆环图像，利用最大类间方差法(OSTU)进行阈值分割，所述分割阈值为L，以获得相应的前景像素点与背景像素点；

d2、所述前景像素点占轴承防尘盖圆环图像的比例为ω₀，其平均灰度为μ₀；所述背景像素点占轴承防尘盖圆环图像的比例为ω₁，其平均灰度为μ₁；轴承防尘盖圆环图像的总平均灰度记为

类间方差记为g；则有

$g={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-\stackrel{\‾}{\mathrm{\μ}})}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-\stackrel{\‾}{\mathrm{\μ}})}^2;$

d3、根据上述公式求取类间方差g的最大值，以得到最优的分割阈值L，所述最优的分割阈值L即为类间方差g取最大值对应的分割数值；并根据获得最优的分割阈值L对轴承防尘盖圆环图像进行分割；

d4、利用Roberts边缘检测算子检测上述阈值分割后的轴承防尘盖圆环图像，Roberts边缘检测算子的水平、垂直方向检测算子为：

$g_x=\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right],$ $g_y=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right];$

其中，g_x为水平方向检测算子，g_y为垂直方向检测算子。

e、对上述轴承防尘盖圆环图像每隔2°时计算图像区域内数值为1的数目，得到1×180的一维向量数据；

所述步骤e包括如下步骤：

e1、以轴承防尘盖圆环图像的圆心为中心，水平方向0°开始，每隔2°计算相应轴承防尘盖圆环图像中数值为1的点数目；

上述轴承防尘盖圆环图像经过最大类间方差法及Roberts边缘检测算子边缘检测后，轴承防尘盖圆环图像变为只有0、1的二值图像；

如图3所示：为每隔2°计算轴承防尘盖圆环图像内数值为1的点数目示意图；每隔2°计算的方法为：在(θ，θ+2°)两度范围内的点(x，y)满足以下两个条件：

①、点(x，y)到圆心的距离满足：r₁＜r＜r₂，即：r₁ ²＜(x-x_c)²+(y-y_c)²＜r₂ ²，其中r₁表示轴承防尘盖内径，r₂表示轴承防尘盖外径；

②、点(x，y)与圆心连成的直线斜率满足：k₁＜k＜k₂，即：

其中，k₁为θ角度边界线的斜率，k₂为θ+2°角度边界线的斜率；一般地也可以选取其他间隔度数进行计算，但是当间隔度数大于2°时，计算得到的误差就会变大，当间隔度数小于2°时，计算速度会降低；

e2、上述进行计算一周后，得到1×180维的数据Ψ1。

f、提供模板轴承图像，并计算得到上述轴承防尘盖圆环图像与模板轴承图像旋转重合时的偏转角度σ；

所述步骤f包括如下具体步骤：

f1、提供模板轴承图像，并以模板轴承图像的圆心为中心，水平方向为0°开始，每个2°计算模板轴承图像中轴承防尘盖内数值为1的点数目，并在进行计算一周后，得到1×180维的数据Ψ2；

一般地，模板轴承图像的数值为1点数目计算方式需要与待检测轴承防尘盖圆环图像相对应；

f2、将数据Ψ1内的元素与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a₀；

具体地，由于数据Ψ1与数据Ψ2均为一维180列的矩阵，因此可以将数据Ψ1与数据Ψ2对应的元素作差，每个对应元素作差后的差值平方，再将180个差值平方累加求和能得到误差a₀；

f3、将数据Ψ1内的元素每次移动步长p，以形成新数据Ψ1^p，数据Ψ1^p与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a_p；所述移动步长p∈[1，2，…，179]；

所述移动步长是指数据Ψ1内的第p个元素形成新数据Ψ1^p中的第一个元素，后续的依次类推，数据Ψ1中第p个元素之前的元素依次形成新数据Ψ1^p最后列元素，数据Ψ1中对应的第p-1个元素形成最后一列元素，其余数据Ψ1中对应第p个之前元素依次类推，形成环形；上述作差求和的过程与步骤f2的计算过程一致；

f4、当移动步长p取到1～179中的任意一个数值后，得到180个误差，所述误差为a₀、a₁、a₂、……、a₁₇₉；

当移动步长p取到1～179中的任意一个数值后，即能保证数据Ψ1能循环一遍，保证得到误差数据的有效性及可靠性；

f5、比较并取上述误差a₀～a₁₇₉中的最小值，所述最小误差对应的移动步长为p，根据移动步长p得到偏转角度σ＝p×2°；即轴承防尘盖圆环图像经过偏转σ度后，能够与模板轴承图像中轴承防尘盖区域完全重合一致。

g、根据模板轴承图像的字符区域、非字符区域与上述偏转角度σ，分离得到上述轴承防尘盖圆环图像的字符区域与非字符区域；

根据模板轴承图像中字符区域覆盖的角度(α，β)及偏转角度σ，得到待检测轴承130的轴承防尘盖圆环图像中字符区域覆盖的角度(α+σ，β+σ)；即知道模板轴承图像中字符覆盖区域的角度范围时，先选取对应角度包含的图像区域，并偏转σ角能得到轴承防尘盖圆环图像的字符覆盖区域；

h、对上述轴承防尘盖圆环图像中对应字符区域、非字符区域根据连通域数量及缺陷面积进行表面缺陷判定，并输出轴承防尘盖表面缺陷判断信息。

所述步骤h包括如下具体步骤：

h1、对上述分离出的轴承防尘盖字符区域与轴承防尘盖非字符区域进行区域标记，并根据标记区域内的像素值计算对应区域的面积，以得到轴承防尘盖字符区域内连通域是Φ个，轴承防尘盖非字符区域内连通域是Γ个；

所述区域标记可以采用常用的4邻域递归标记或8邻域递归标记，区域标记为常规的标记过程，此处不再详述；

h2、当轴承防尘盖字符区域内超过面积S的连通域是Θ个，当Θ与Φ不相等时，则轴承防尘盖字符区域表面存在缺陷；

所述面积S根据相应轴承的类型进行人为预先确定，所述连通域的面积S可以根据连通域内的像素个数来确定；当面积小于S时，一般不认为是缺陷，算作噪声干扰；

h3、当轴承防尘盖非字符区域内超过面积S的连通域是K个，且K不等于0时，则轴承防尘盖非字符区域表面存在缺陷。

具体地，当轴承防尘盖的字符区域与非字符区域中只要有一个区域的表面存在缺陷，就认为整个轴承防尘盖表面存在缺陷；当输出轴承防尘盖表面缺陷判断信息后，能够方便对轴承防尘盖进行统一质量管理，建立相应的质量管理体系，适应范围广，安全可靠。

本发明利用CCD相机100、定焦镜头110及蓝色同轴光源120形成的机器视觉技术对轴承防尘盖表面缺陷实现检测，具有非接触、速度快、操作简单、重复性好等特点；系统光源恒定、采集速度快、图像精度高，能长时间稳定工作；轴承防尘盖图像分成字符、非字符区域，两部分分开进行缺陷判别，避免相互干扰，算法速度快，可靠性高。

Claims (1)

1.一种基于机器视觉的轴承防尘盖表面缺陷检测方法，其特征是，所述轴承防尘盖表面缺陷检测方法包括如下步骤：

（a）、将待检测轴承（130）放置于黑色背景上，并获取所述待检测轴承（130）的灰度图像，且以所述灰度图像的左上角为坐标原点建立坐标系；

（b）、对上述灰度图像利用边界跟踪、最小二乘法和轴承防尘盖内、外径占待检测轴承（130）外圆半径的比例，分离得到以待检测轴承（130）的圆心为中心的轴承防尘盖圆环图像；

（c）、对上述分离得到的轴承防尘盖圆环图像进行灰度变换、自适应中值滤波的预处理；

（d）、对上述预处理后的轴承防尘盖圆环图像利用最大类间方差法进行阈值分割，并利用Roberts边缘检测算子提取阈值分割后轴承防尘盖圆环图像的边缘；

（e）、对上述轴承防尘盖圆环图像每隔2°时计算图像区域内数值为1的数目，得到1×180的一维向量数据；

（f）、提供模板轴承图像，并计算得到上述轴承防尘盖圆环图像与模板轴承图像旋转重合时的偏转角度σ；

（g）、根据模板轴承图像的字符区域、非字符区域与上述偏转角度σ，分离得到上述轴承防尘盖圆环图像的字符区域与非字符区域；

（h）、对上述轴承防尘盖圆环图像中对应字符区域、非字符区域根据连通域数量及缺陷面积进行表面缺陷判定，并输出轴承防尘盖表面缺陷判断信息；

所述步骤（a）中，以黑色绒布（140）为黑色背景，待检测轴承（130）位于检测支架（150）上；待检测轴承（130）的正上方设有安装于检测支架（150）上的CCD相机（100）及位于所述CCD相机（100）正下方的蓝色同轴光源（120）；所述CCD相机（100）邻近蓝色同轴光源（120）的端部安装有定焦镜头（110）；

所述步骤（b）中，包括如下步骤：

（b1）、在获取待检测轴承（130）的灰度图像上寻找灰度值大于25的点，得到位于待检测轴承（130）最左上方的边缘点A；

（b2）、在边缘点A的右侧、右下侧、下侧及左下侧中寻找邻接边缘点B，并以边缘点B为起点按照与待检测轴承（130）边缘相对应的方向寻找邻接灰度值大于25的边缘点C；

（b3）、当边缘点C与边缘点A为同一点时，则上述跟踪边界为待检测轴承（130）的边缘；当边缘点C与边缘点A不是同一点时，则以边缘点C为起点，以与边缘点B至边缘点C相反的方向寻找邻接灰度值大于25的点，直至寻找回到边缘点A为止，以搜索确定待检测轴承（130）的边缘轮廓；

（b4）、上述搜索确定待检测轴承（130）边缘轮廓的点集为(x_i,y_i)，利用最

小二乘法得到：

F=(N∑x_i ²-∑x_i∑x_i)；D=(N∑x_iy_i-∑x_i∑y_i)；

E=N∑x_i ³+N∑x_iY_i ²-∑(x_i ²+y_i ²)∑x_i G=(N∑y_i ²-∑y_i∑y_i)

H=N∑x_i ²y_i+N∑Y_i ³-∑(x_i ²+y_i ²)∑y_i

从而得到

$a=\frac{\mathrm{HD}-\mathrm{EG}}{\mathrm{FG}-D^2};$ $b=\frac{\mathrm{HF}-\mathrm{ED}}{D^2-\mathrm{GF}};$ $c=-\frac{\mathrm{\Σ}({x_i}^2+{y_i}^2)+\mathrm{a\Σ}{x}_i+\mathrm{b\Σ}{y}_i}{N},$ 则得到拟合的圆曲线为R²=(x-P)²+(y-Q)²，圆心坐标（P，Q）和外圆半径R：

$P=\frac{a}{-2}$ $Q=\frac{b}{-2}$ $a=\frac{\mathrm{HD}-\mathrm{EG}}{\mathrm{FG}-D^2};$

（b5）、根据待检测轴承（130）的先验知识得知轴承防尘盖的内、外径占待检测轴承（130）外圆半径的比例，以得到待检测轴承（130）的灰度图像中轴承防尘盖的内径与外径，

（b6）、根据上述得到待检测轴承（130）的灰度图像中轴承防尘盖内径与外径参数，截取上述灰度图像，以得到轴承防尘盖圆环图像；

所述步骤（c）中，包括如下步骤：

（c1）、对得到的轴承防尘盖圆环图像采用线性拉伸的灰度变换，以提高轴承防尘盖圆环图像的亮度；所述线性拉伸函数为

s=T（w）；

其中，w为轴承防尘盖圆环图像灰度变换前点（x，y）的亮度值，s为轴承防尘盖圆环图像灰度变换后点（x，y）的亮度值，T为拉伸函数；

（c2）、对上述灰度变换后的轴承防尘盖圆环图像进行自适应中值滤波；

所述步骤（d）中，包括如下步骤：

（d1）、对上述预处理后的轴承防尘盖圆环图像，利用最大类间方差法进行阈值分割，所述分割阈值为T，以获得相应的前景像素点与背景像素点；

（d2）、所述前景像素点占轴承防尘盖圆环图像的比例为ω₀，其平均灰度为μ₀；所述背景像素点占轴承防尘盖圆环图像的比例为ω₁，其平均灰度为μ₁；轴承防尘盖圆环图像的总平均灰度记为

类间方差记为g；则有

$g={\mathrm{\ω}}_0{({\mathrm{\μ}}_0-\stackrel{\‾}{\mathrm{\μ}})}^2+{\mathrm{\ω}}_1{({\mathrm{\μ}}_1-\stackrel{\‾}{\mathrm{\μ}})}^2;$

（d3）、根据上述公式求取类间方差g的最大值，以得到最优的分割阈值T，并根据获得最优的分割阈值T对轴承防尘盖圆环图像进行分割；

（d4）、利用Roberts边缘检测算子检测上述阈值分割后的轴承防尘盖圆环图像，Roberts边缘检测算子的水平、垂直方向检测算子为：

$g_x=\left[\begin{array}{cc}-1& 0\\ 0& 1\end{array}\right],$ $g_y=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right];$

其中，g_x为水平方向检测算子，g_y为垂直方向检测算子；

所述步骤（e）中，包括如下步骤：

（e1）、以轴承防尘盖圆环图像的圆心为中心，水平方向0°开始，每隔2°计算相应轴承防尘盖圆环图像中数值为1的点数目；

（e2）、上述进行计算一周后，得到1×180维的数据Ψ1；

所述步骤（f）中，包括如下步骤：

（f1）、提供模板轴承图像，并以模板轴承图像的圆心为中心，水平方向为0°开始，每个2°计算模板轴承图像中轴承防尘盖内数值为1的点数目，并在进行计算一周后，得到1×180维的数据Ψ2；

（f2）、将数据Ψ1内的元素与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a₀；

（f3）、将数据Ψ1内的元素每次移动步长p，以形成新数据Ψ1^p，数据Ψ1^p与数据Ψ2内对应的元素做作差后进行平方，并将180个平方值求和，得到误差a_p；所述移动步长p∈[1,2,…,179]；

（f4）、当移动步长p取到1～179中的任意一个数值后，得到180个误差，所述误差为a₀、a₁、a₂、……、a₁₇₉；

（f5）、比较并取上述误差a₀～a₁₇₉中的最小值，所述最小误差对应的移动步长为p，根据移动步长p得到偏转角度σ=p×2⁰；

所述步骤（g）中，根据模板轴承图像中字符区域覆盖的角度(α,β)及偏转角度σ，得到待检测轴承（130）的轴承防尘盖圆环图像中字符区域覆盖的角度(α+σ,β+σ)；

所述步骤（h）中，包括如下步骤：

（h1）、对上述分离出的轴承防尘盖字符区域与轴承防尘盖非字符区域进行区域标记，并根据标记区域内的像素值计算对应区域的面积，以得到轴承防尘盖字符区域内连通域是Φ个，轴承防尘盖非字符区域内连通域是Γ个；

（h2）、当轴承防尘盖字符区域内超过面积S的连通域是Θ个，当Θ与Φ不相等时，则轴承防尘盖字符区域表面存在缺陷；

（h3）、当轴承防尘盖非字符区域内超过面积S的连通域是Κ个，且Κ不等于0时，则轴承防尘盖非字符区域表面存在缺陷；

所述CCD相机（110）采用30万像素的CCD相机；定焦焦头（120）的焦距为25mm。

Images