CN102663386B - 机械轴承环形分布压印字符的在线检测方法 - Google Patents

Abstract

本发明涉及一种针对机械轴承上按环形分布的压印字符的在线检测方法。该方法首先将现场在线采集到的轴承灰度图片二值化，使用改进的随机圆检测算法准确而快速地定位出轴承的圆心位置；然后以轴承圆心为原点建立极坐标系，利用投影法找出轴承圆环上的字符区域，并使用仿射变换的方法将字符环形分布矫正为水平分布。其优点是：该处理方法能够有效减少变换过程中产生的毛刺，变换后图像质量较好；最后对归一化后的字符提取轮廓层次特征并使用支持向量机进行训练和识别，最终实现机械轴承环形分布压印字符的在线检测。

Description

机械轴承环形分布压印字符的在线检测方法

技术领域

本发明涉及字符识别领域，具体涉及一种机械轴承环形分布压印字符的在线检测方法。

背景技术

随着工业自动化生产程度的不断提高，企业为了提高生产效率降低人力成本，采用更加智能化的生产和管理方式成为了必然的要求。将字符识别技术应用于工业生产中，通过辨识产品表面的具有特定意义的标识码，可以很方便地实现工业生产自动化和产品管理智能化。如果通过人工肉眼识别产品的标识码，不但会增加人力成本，也会有较大的错误检测机率，具有较大局限性。此外，利用计算机识别字符，还可以提高识别速度，也可以用于高温高压等恶劣的作业环境中。

轴承压印字符的内容承载着产品的重要信息。在轴承产品生产、运输、管理等各个环节，这些信息将发挥较大的作用。如果能实现轴承压印字符的自动化识别，必将大大提高产品生产效率，方便产品的运输和管理。

经文献检索，直接针对轴承压印字符的在线检测尚没有相关研究，金属压印字符和轮胎号与轴承压印字符具有一定相似性。山东大学的路长厚、李建美、李学勇等人对压印字符有过较为深入的研究，针对压印字符的特点，设计了获取压印字符图像的机器视觉系统，并提出了一种适用于标牌图像特点的分割算法。同时也研究了低质量压印凹凸字符的特征提取和识别方法。轴承是圆形结构，字符分布在轴承环形结构上。轮胎号字符与轴承字符有着相似的分布。天津大学的杨基春、黄战华等人对轮胎图像规格号的识别进行了研究。针对轮胎图像高噪声的特点，提出了一系列改进方法用于图像的预处理、特征提取和识别。但由于轴承压印字符的特殊性，以上研究成果不能直接用于轴承字符在线检测中。需要针对轴承字符的特点研究相应的识别方法。

发明内容

本发明的目的是解决环形分布的字符难以进行处理和识别的问题，提供一种针对机械轴承上按环形分布的压印字符的在线检测方法，以实现轴承压印字符的自动识别，方便轴承的生产和管理。

按照本发明提供的技术方案，所述机械轴承环形分布压印字符的在线检测方法包括如下步骤：

步骤一、将在线采集到的轴承灰度图转化为二值图并定位轴承的圆心位置；

步骤二、以轴承圆心为原点建立极坐标系，在极坐标上利用投影法进行轴承字符区域定位，然后使用基于仿射变换的方法将字符环形分布矫正为水平分布；

步骤三、对归一化后的单个字符提取改进的轮廓层次特征，并使用支持向量机进行训练和识别；所述的改进的轮廓层次特征为：

从左、右、上、下方向抽取字符的两层轮廓层次特征L_n(j)、R_n(j)、U_n(i)、D_n(i)，设f(x，y)是经预处理归一化为48×32大小的二值图像，即宽为48，长为32；规定f(x，y)=1为目标像素，f(x，y)=0为背景像素；

字符的左侧第1层轮廓层次特征L₁(j)定义为字符图像的第j行从左到右扫描第1次遇到图像像素从″0″转变到″1″时的水平坐标值，即：

L₁(j)=min{min{i|f(i，j)=1}，宽-1}，j=0，1，...长-1，

字符的左侧第n层轮廓层次特征L_n(j)定义为对字符图像的j行从左到右扫描，f(x，y)第n次从″0″转变到″1″时的水平坐标值；递归公式如下：

L_n(j)=min{min{i|i＞L_n0(j)&&f(i，j)=1}，宽-1}，j=0，1，...长-1

根据递归公式求取字符的左侧轮廓层次特征；同理，可以得到从右侧及上下方向抽取的特征R_n(j)、Un(i)、D_n(i)；取n=1，2，将四个方向上的轮廓层次特征合并得字符的两层轮廓层次特征：

G(k)={L₁(j)，L₂(j)，R₁(j)，R₂(j)，U₁(i)，U₂(i)，D₁(i)，D₂(i)}，

i＝0，1，...宽-1，j=0，1，...长-1，k=0，1，...(宽+长)×4-1，

选取Daubechies小波系中的db2作为小波基函数，分解尺度选择为2，对两层轮廓层次特征进行小波分解；两层轮廓层次特征的维数为(宽+长)×2×2=320；经过两次分解，选取得到的维数为80的近似分量为特征向量。

所述的投影法进行轴承字符区域定位，包括：

(1)当沿着圆周方向扫描计算投影时，扫描起点选择水平方向0°为起点，顺时针扫描找出一块宽度大于设定阈值的空白背景区域，并选取此空白区域的中点为圆周方向的扫描起点；选定扫描起点后使用投影法定位字符区域；

(2)统计轴承压印字符的平均宽度，并将其作为先验知识；对于字符过宽或过窄的情况，按照以下准则处理：

(2.1)分析过宽字符区域，若字符区域是由两个字符组成，则分成两块区域；

(2.2)分析过窄字符区域，若其左右有可以合并的字符区域，则合并；

所述字符过宽或过窄是指字符宽度大于或小于设定的阈值。

本发明的优点是：1)使用改进的随机圆检测算法用于轴承的圆心定位，在候选圆选取的过程中通过简单的判断节省了大量无效运算，能够快速而准确定位出轴承圆心。2)在对轴承字符扇形区域进行矫正时，采用基于仿射变换的字符矫正方法，该方法能使变换后的图像毛刺较少且速度上也能满足要求。3)特征提取使用基于小波变换的轮廓层次特征，充分利用了小波分解的特性，特征抗噪性更好且维数更低，识别效果佳。4)本发明所提出的算法在时间上能够满足在线检测系统对实时性的要求。

附图说明

图1是本发明的实施的流程图。

图2是本发明的轴承灰度图。

图3是本发明的轴承圆心定位示意图。

图4是本发明的轴承环形分布字符矫正示意图。

图5是本发明的轴承字符矫正结果示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

图1所示是本发明实施的流程图，本发明所涉及的主要包括其中三个主要步骤：预处理、特征提取、识别。其中预处理由主要包含：二值化、圆心定位、字符区域定位、字符区域矫正，预处理步骤将环形分布的字符矫正为水平，解决了轴承环形字符难以处理和识别的问题。特征提取部分就是提取归一化后字符的改进的轮廓层次特征。识别部分分为离线训练和在线识别，离线训练后得到训练好的支持向量机模型，将此模型用于在线识别。

本发明所采用的识别方案是：

首先，将在线采集到的机械轴承灰度图像利用大津法转化为二值图像；采用Canny算子提取图像边缘，对边缘图像生成分段边缘坐标链；利用得到的分段边缘坐标链使用改进的随机圆检测算法求出轴承的圆心位置。

然后，以轴承圆心为原点建立极坐标系，在极坐标上找出合适的扫描起点并利用投影法找出轴承圆环上的字符区域，字符粘连或断裂的情况需要做特殊处理；使用基于仿射变换的方法将环形分布的字符区域矫正为水平分布。

最后，对矫正后的单个字符做归一化处理，并字符的提取轮廓层次特征，利用小波分解对特征进行降维；建立样本特征库，使用支持向量机进行训练和识别。

图2是实际采集到的轴承灰度图片，利用大津法求取二值化的阈值对全图进行二值化，得到的二值图片如图3所示。

为了得到轴承的圆心位置，基于二值图像采用Canny算子提取边缘，然后对边缘图像生成分段边缘坐标链，步骤如下：

1)由上至下，由左至右扫描边缘图像，将扫描到的目标像素点设置为起始点，新建坐标链，并将其像素值设为背景像素。然后将起始点设置为当前点。

2)对于当前点按照如下规则处理：首先顺时针扫描当前点的4-邻接的四个点，然后顺时针扫描当前点的8-邻接的四个斜向点，检查其中是否存在目标像素点，如果有，则将此点加入坐标链并将其设置为当前点，像素值改为背景像素。

按照以上规则递归处理所有当前点。

3)重复步骤1和2至处理完边缘图像中的所有目标像素点。

设边缘坐标链集为D，利用此边缘点集使用改进的RDC算法进行圆形检测：

1)设定检测圆的最大半径maxR和最小半径minR，随机取点最大次数nmax，候选圆参数累积阈值Pt等。

2)从集合D中随机选取不共线的三点(x_i，y_i)，(x_j，y_j)，(x_k，y_k)。若任意两点间距离大于maxR，则重复本步。

3)由下式计算这三点所确定圆C_ijk的圆心(a_ijk，b_ijk)和半径R_ijk。

$a_{\mathrm{ijk}}=\frac{\left|\begin{array}{cc}{x_j}^2+{y_j}^2-({x_i}^2+{y_i}^2)& 2(y_i-y_i)\\ {x_k}^2+{y_k}^2-({x_i}^2+{y_i}^2)& 2(y_k-x_j)\end{array}\right|}{4[(x_j-x_i)(y_k-x_j)-(x_k-x_i)(y_j-y_i)]}$

$b_{\mathrm{ijk}}=\frac{\left|\begin{array}{cc}2(x_j-x_i)& {x_j}^2+{y_j}^2-({x_i}^2+{y_i}^2)\\ 2(x_k-x_i)& {x_k}^2+{y_k}^2-({x_i}^2+{y_i}^2)\end{array}\right|}{4[(x_j-x_i)(y_k-x_j)-(x_k-x_i)(y_j-y_i)]}$

$R_{\mathrm{ijk}}=\sqrt{{(x_i-a_{\mathrm{ijk}})}^2+{(y_i-b_{\mathrm{ijk}})}^2},$

若圆心超出图像范围或半径不在minR～maxR内，则跳转到步骤2，否则继续执行。

4)采用Sobel算子求得边缘在这三点处的梯度所在直线的方向α_i，α_j，α_k，取值范围为(-π／2，π/2]。候选圆在这三点处法线方向为：

$\left\{\begin{array}{c}{\mathrm{\β}}_i=\arctan [(b_{\mathrm{ijk}}-y_i)/(a_{\mathrm{ijk}}-x_i)]\\ {\mathrm{\β}}_j=\arctan [(b_{\mathrm{ijk}}-y_i)/(a_{\mathrm{ijk}}-x_i)]\\ {\mathrm{\β}}_k=\arctan [(b_{\mathrm{ijk}}-y_k)/(a_{\mathrm{ijk}}-x_k)]\end{array}\right.$

|β₁-α₁|≤θ_th，|β_j-α_j|≤θ_th，|β_k-α_k|≤θ_th，θ_th为预先指定的阈值。

当上式成立时，将此圆确定为候选圆，否则跳转到步骤2。

5)遍历集合D中的点(x₁，y₁)，若满足下式，则表示此点在候选圆上。

$(d_{l-\mathrm{ijk}}=|\sqrt{{(x_l-a_{\mathrm{ijk}})}^2+{(y_l-b_{\mathrm{ijk}})}^2}-R_{\mathrm{ijk}}\left|\right)<\mathrm{\&delta;}$

在对集合D中的点进行遍历时，若点在候选圆的外接矩形框的范围之外，即：

x_l＞a_ijk+R_ijk+t或x_l＜a_ijk-R_ijk-t或y_l＞b_ijk+R_ijk+t或y_l＜b_ijk-R_ijk-t，则无须计算此点与候选圆圆心的距离，其中t为设定的阈值。设置累加器P对候选圆进行参数累积，边缘点属于候选圆则累加器P加1。当P＞P_t时，判定候选圆为真实圆。否则转到步骤2。

6)当找到了符合要求的圆，或随机取点次数超过nmax，算法停止。

利用上述方法对轴承进行圆心定位，结果如图4所示。

以轴承的圆心为原点建立极坐标系，利用投影法扫描确定字符区域的具体位置。当沿着圆周方向扫描计算投影时，如果扫描起点选取不当，例如扫描起点处于字符区域内甚至是某个字符上，则有可能人为地造成字符区域扫描不完整或单个字符残缺。为了避免这种情况，采取如下措施：选择水平方向0°为起点，顺时针扫描找出一块宽度大于设定阈值的空白背景区域，并选取此空白区域的中点为圆周方向的扫描起点。投影法字符定位分割步骤描述如下：

1)设定半径方向扫描范围radiusbegin～radiusend(由先验知识确定)，圆周方向扫描范围为anglebegin～angleend(一般取0°～360°)，并确定扫描的起点。

2)计算径向和圆周方向投影值，得到的投影曲线如图2-9所示；利用得到的投影值，确定每个字符在极坐标中的位置。

3)当投影值大于thresholdhigh时，将对应的点设为起点，当投影值小于thresholdlow时，将对应的点设为终点，即是将两个投影曲线波谷之间的区域判定为字符区域。字符只有一行，字符行的起始值和终止值为rowbegin～rowend，第n个字符列的起始值和终止值为lineend[n]～linebegin[n]。

统计轴承压印字符的平均宽度，并将其作为先验知识。对于字符过宽(字符粘连)或过窄(字符断裂)的情况，按照以下准则处理：

1)分析过宽字符区域，若字符区域是由两个字符组成，则分成两块区域。

2)分析过窄字符区域，若其左右有可以合并的字符区域，则合并。

所述字符过宽或过窄是指字符宽度大于或小于设定的阈值。

采取基于仿射变换的方法矫正字符图像，如图5所示，步骤为：

1)利用单个字符在极坐标系中的位置和圆心坐标，求字符的外接矩形abcd。顶点a在直角坐标系中的坐标计算公式为：

$\left\{\begin{array}{c}\mathrm{ax}=\mathrm{midtopx}-\sin \mathrm{\&gamma;}\&CenterDot;\mathrm{width}/2\\ \mathrm{ay}=\mathrm{midtopy}+\cos \mathrm{\&gamma;}\&CenterDot;\mathrm{width}/2\end{array}\right.$

其中(midtopx，midtopy)是外接矩形边ab的中点，width和hight为外接矩形的宽和高，分别由下式求得：

$\left\{\begin{array}{c}\mathrm{\&gamma;}=(\mathrm{linebegin}+\mathrm{lineend})/2\\ \mathrm{midtopx}=a_{\mathrm{ijk}}-\cos \mathrm{\&gamma;}\&CenterDot;\mathrm{rowbegin}\\ \mathrm{midtopy}=b_{\mathrm{ijk}}-\sin \mathrm{\&gamma;}\&CenterDot;\mathrm{rowbegin}\end{array}\right.$ $\left\{\begin{array}{c}\mathrm{width}=(\mathrm{lineend}-\mathrm{linebegin})\&CenterDot;(\mathrm{rowbegin}+\mathrm{rowend})\\ \mathrm{height}=\mathrm{rowend}-\mathrm{rowbegin}\end{array}\right.$

同理可得b(bx，by)，c(cx，cy)，d(dx，dy)，从而得到单个字符的外接矩形abcd。

2)计算需要进行仿射变换的矩形区域ABCD：

$\left\{\begin{array}{c}(\mathrm{Ax},\mathrm{Ay})=(\min (\mathrm{ax},\mathrm{dx}),\min (\mathrm{ay},\mathrm{by}))\\ (\mathrm{Bx},\mathrm{By})=(\max \left(\mathrm{bx}\right),\min (\mathrm{ay},\mathrm{by}))\\ (\mathrm{Cx},\mathrm{Cy})=(\max (\mathrm{bx},\mathrm{cx}),\max (\mathrm{cy},\mathrm{dy}))\\ (\mathrm{Dx},\mathrm{Dy})=(\min (\mathrm{ax},\mathrm{dx}),\max (\mathrm{cy},\mathrm{dy}))\end{array}\right.$

3)以矩形ABCD的中心M(X，Y)为轴心，顺时针旋转theta，仿射变换公式为：

$\left[\begin{array}{c}{x}^{\&prime;}\\ y^{\&prime;}\\ 1\end{array}\right]=\left[\begin{array}{ccc}1& 0& -x\\ 0& 1& -y\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}\cos \left(\mathrm{theta}\right)& -\sin \left(\mathrm{theta}\right)& 0\\ \sin \left(\mathrm{theta}\right)& \cos \left(\mathrm{theta}\right)& 0\\ 0& 0& 1\end{array}\right]\left[\begin{array}{ccc}1& 0& x\\ 0& 1& y\\ 0& 0& 1\end{array}\right]$

其中(X，Y)=((Ax+Bx)／2，(Ay+Dy)／2)，theta=π／2-γ。计算过程中使用邻近插值。

字符区域矫正的结果如图6所示，随后对单个字符进行归一化处理。

在特征提取阶段，提取字符的轮廓层次特征。设f(x，y)是经预处理归一化为48×32大小的二值图像，即宽为48，长为32。规定f(x，y)=1为目标像素，f(x，y)=0为背景像素。

字符的左侧第1层轮廓层次特征L₁(j)定义为字符图像的第j行从左到右扫描第1次遇到图像像素从″0″转变到″1″时的水平坐标值，即：

L₁(j)=min{min{i|f(i，j)=1}，宽-1}，j=0，1，...长-1，

字符的左侧第n层轮廓层次特征L_n(j)定义为对字符图像的j行从左到右扫描，f(x，y)第n次从″0″转变到″1″时的水平坐标值。递归公式如下：

L_n(j)=min{min{i|i＞L_n0(j)&&f(i，j)=1}，宽-1}，j=0，1，...长-1

根据递归公式求取字符的左侧轮廓层次特征。同理，可以得到从右侧及上下方向抽取的特征Rn(j)、U_n(i)、D_n(i)。取n=1，2，将四个方向上的轮廓层次特征合并得字符的两层轮廓层次特征：

G(k)={L₁(j)，L₂(j)，R₁(j)，R₂(j)，U₁(i)，U₂(i)，D₁(i)，D₂(i)}，

i＝0，1，...宽-1，j=0，1，...长-1，k=0，1，...(宽+长)×4-1

对两层轮廓层次特征进行小波分解。选取Daubechies小波系中的db2作为小波基函数，分解尺度选择为2。分解表达式为：

$\left\{\begin{array}{c}{d}_{j+1}\left(n\right)=a_j\left(n\right)*g\left(n\right)=\mathrm{\&Sigma;g}\left(k\right)a_j(2n-k)\\ a_{j-1}\left(n\right)=a_j\left(n\right)*h\left(n\right)=\underset{k}{\overset{k}{\mathrm{\&Sigma;}}}h\left(k\right)a_j(2n-k)\end{array}\right.$

式中，j表示分解尺度，_aj(n)为信号分解第j层的低频(近似)部分，d_j(n)为信号分解第j层的高频(细节)部分。h(n)和g(n)分别表示所选取的小波基函数对应的低通和高通滤波器的系数序列。两层轮廓层次特征的维数为：(宽+长)×2×2=320。经过两次分解，选取得到的维数为80(每次分解都有一个向下2抽样的过程)的近似分量为特征向量。

支持向量机识别部分分为训练和识别两个部分。选择RBF函数为核函数，并使用网格搜索法来选择支持向量机的惩罚因子和核函数参数。提取样本图片中字符的轮廓层次特征建立样本特征库，使用样本库中的特征对支持向量机进行离线训练，训练完成后保存训练好的支持向量机模型。在识别阶段直接使用训练好的支持向量机模型即可对待测样本进行在线识别，输出识别结果。

Claims (2)

1.机械轴承环形分布压印字符的在线检测方法，其特征是，包括如下步骤：

步骤一、将在线采集到的轴承灰度图转化为二值图并定位轴承的圆心位置；

步骤二、以轴承圆心为原点建立极坐标系，在极坐标上利用投影法进行轴承字符区域定位，然后使用基于仿射变换的方法将字符环形分布矫正为水平分布；

步骤三、对归一化后的单个字符提取改进的轮廓层次特征，并使用支持向量机进行训练和识别；所述的改进的轮廓层次特征为：

从左、右、上、下方向抽取字符的两层轮廓层次特征Ln(j)、Rn(j)、U_n(i)、D_n(i)；设f(x，y)是经预处理归一化为48×32大小的二值图像，即宽为48，长为32；规定f(x，y)=1为目标像素，f(x，y)=0为背景像素；

字符的左侧第1层轮廓层次特征L₁(j)定义为字符图像的第j行从左到右扫描第1次遇到图像像素从″0″转变到″1″时的水平坐标值，即：

L₁(j)=min{min{i|f(i，j)=1}，宽-1}，j=0，1，...长-1，

字符的左侧第n层轮廓层次特征L_n(j)定义为对字符图像的j行从左到右扫描，f(x，y)第n次从″0″转变到″1″时的水平坐标值；递归公式如下：

L_n(j)=min{min{i|i＞L_n0(j)&&ff(i，j)=1}，宽-1}，j=0，1，...长-1

根据递归公式求取字符的左侧轮廓层次特征；同理，可以得到从右侧及上下方向抽取的特征R_n(j)、U_n(i)、D_n(i)；取n=1，2，将四个方向上的轮廓层次特征合并得字符的两层轮廓层次特征：

G(k)={L₁(j)，L₂(j)，R₁(j)，R₂(j)，U₁(i)，U₂(i)，D₁(i)，D₂(i)}，

i=0，1，...宽-1，j=0，1，...长-1，k=0，1，...(宽+长)×4-1，

选取Daubechies小波系中的db2作为小波基函数，分解尺度选择为2，对两层轮廓层次特征进行小波分解；两层轮廓层次特征的维数为(宽+长)×2×2=320；经过两次分解，选取得到的维数为80的近似分量为特征向量。

2.根据权利要求1所述的机械轴承环形分布压印字符的在线检测方法，其特征在于，所述的投影法进行轴承字符区域定位，包括：

(1)当沿着圆周方向扫描计算投影时，扫描起点选择水平方向0°为起点，顺时针扫描找出一块宽度大于设定阈值的空白背景区域，并选取此空白区域的中点为圆周方向的扫描起点；选定扫描起点后使用投影法定位字符区域；

(2)统计轴承压印字符的平均宽度，并将其作为先验知识；对于字符过宽或过窄的情况，按照以下准则处理：

(2.1)分析过宽字符区域，若字符区域是由两个字符组成，则分成两块区域；

(2.2)分析过窄字符区域，若其左右有可以合并的字符区域，则合并；

所述字符过宽或过窄是指字符宽度大于或小于设定的阈值。

Images