CN107492093B - 基于图像处理的轴承异常检测方法 - Google Patents
基于图像处理的轴承异常检测方法 Download PDFInfo
- Publication number
- CN107492093B CN107492093B CN201710595248.0A CN201710595248A CN107492093B CN 107492093 B CN107492093 B CN 107492093B CN 201710595248 A CN201710595248 A CN 201710595248A CN 107492093 B CN107492093 B CN 107492093B
- Authority
- CN
- China
- Prior art keywords
- bearing
- balls
- image
- ball
- outputting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 230000002159 abnormal effect Effects 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000000034 method Methods 0.000 abstract description 13
- 238000007781 pre-processing Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 238000007689 inspection Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Rolling Contact Bearings (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像处理的轴承异常检测方法。本发明包括以下几个步骤：步骤1、对轴承图像预处理，判断该轴承图像是否在本发明适用范围内；步骤2、提取滚珠圈所在区域，检测滚珠圈区域中各滚珠所在的小区域像素点位置，并将非滚珠误检测为滚珠的小区域去除；步骤3、统计滚珠数量，判断是否符合预设滚珠数量，如果是，则输出“正常”，否则输出“异常”。本发明在应用于检测过程中时，不需要任何人工的干预，可以完全自主地完成轴承滚珠的识别检测。相比于人工识别的方法，更加快速有效，能够有效地节约人工成本，解放劳动力。我们用本发明对部分轴承进行了检测，获得了非常好的检测效果。
Description
技术领域
本发明属于图像处理领域,特别是一种基于图像处理的轴承异常检测方法。
背景技术
由于计算机图形和图像处理技术的迅速发展，图像处理技术已经广泛应用于各种生产和生活领域，例如工业尺寸测量、目标识别、异常检测、遥感数据特征提取、图像修复和智能系统控制等等。在工业异常检测中，需要采集图像并对图像进行处理以实现对图像中目标主体的识别和检测。
采用传统的人工识别的方法对产品零件进行异常检测已经不能满足当前智能化生产的需求。对于轴承滚珠问题而言，传统的人工检测方法主要有以下四点缺点：
第一，大量的产品检验需要投入大量的劳动力，随着劳动力价格的上涨，势必会带来高额的成本。对于轴承这样的微成本微利润的产品而言，检验的成本可能会远远高于产品本身的成本，进一步压缩了利润空间。
第二，轴承生产是批量化的，大量的产品检验需要检验人员进行长期地、机械化地、重复地操作，这容易使工作人员陷入枯燥乏味的工作环境中，导致注意力下降，最终会影响检测效率和检测正确率。
第三，对于轴承这种批量生产的产品，一般采取流水线模式。如何协调流水线与检验人员之间的速度将会影响最终的生产效益。
第四，对于微小尺寸的轴承而言，检验人员比较难以用肉眼进行长期地、高效率地检测。微小尺寸轴承的检验必然会在检测效率和检测正确率上带来比较大的挑战。
发明内容
针对现有技术的不足，本发明提出了一种基于图像处理的轴承异常检测方法，该检测方法不需要任何人工的干预，可以完全自主地完成轴承滚珠的识别检测，快速有效，节约成本，具体技术方案如下：
一种基于图像处理的轴承异常检测方法，包括以下几个步骤：
步骤1.将采集的轴承的RGB/灰度图像转换为二值图像，对二值图像去噪锐化；
步骤2.利用Sobel导数算子处理步骤1去噪锐化后的二值图像，获得轴承的内外轮廓，利用霍夫变换检测所述的内外轮廓的曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承不在该检测方案检测范围内；
步骤3.对步骤1获得的去噪锐化后的二值图像和步骤2获得的轴承的内外轮廓采用与或操作提取轴承区域图像，并对其去噪锐化，得到更加清晰的轴承区域图像；
步骤4.利用Sobel导数算子对步骤3获得的轴承区域图像进行轮廓提取，获得滚珠圈内外轮廓，利用霍夫变换检测所述的滚珠圈轮廓曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承滚珠不在该检测方案检测范围内；
步骤5.对步骤3获得的轴承区域图像和步骤4获得的滚珠圈的内外轮廓采用与或操作提取轴承滚珠圈区域图像，并去噪锐化，得到更加清晰的轴承滚珠区域；
步骤6.通过逐行扫描步骤5得到的图像，获得滚珠区域中各滚珠所在的小区域像素点位置，并将非滚珠误检测为滚珠的小区域去除；
步骤7.统计滚珠数量，判断是否符合预设滚珠数量，如果是，则输出“正常”，否则输出“异常”。
与现有技术相比，本发明具有如下的有益效果：
本发明在应用于检测过程中时，不需要任何人工的干预，完全可以自主地完成轴承滚珠的识别。相比于人工识别的方法，更加快速有效，能够有效地节约人工成本，解放劳动力。
附图说明
图1是本发明的基于图像处理的轴承异常检测的流程图；
图2是本发明测试使用的轴承截面图；
图3是本发明测试得到的有效滚珠小区域。
具体实施方式
为了使本发明的目的和优点更加清楚，下面结合具体实施例对本发明提出的方法作进一步的阐述。
基于图像处理的轴承异常检测方法，包括以下几个步骤：
步骤1.将采集的轴承的RGB/灰度图像转换为二值图像，对二值图像去噪锐化；
对于图像处理/机器视觉方面的算法/方法，原始图像的质量将在很大程度上决定最终的检测结果，没有质量好的原始图像，最终可能无法得到理想的结果。在原始图像上进行预处理，能够在一定程度上抑制图像中的无效信息，使图像中的有效信息利用最大化。对于轴承滚珠问题，颜色信息相对比较冗余，先把获得的RGB/灰度图像转换为二值图像，然后对二值图像进行高斯去噪，由于去噪之后的图像会丢失小部分边缘信息，对去噪后的图像进行边缘锐化，从而得到更清晰的轴承图像。
步骤2.利用Sobel导数算子处理步骤1去噪锐化后的二值图像，获得轴承的内外轮廓，利用霍夫变换检测所述的内外轮廓的曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承不在该检测方案检测范围内；
本发明的基于图像处理的轴承异常检测方法不适用非圆形轴承。
步骤3.对步骤1获得的去噪锐化后的二值图像和步骤2获得的轴承的内外轮廓采用与或操作提取轴承区域图像，并对其去噪锐化，得到更加清晰的轴承区域图像；
本发明采用高斯去噪，去除部分小噪点的影响，然后对去噪后的图像进行边缘锐化，从而获得更清晰的轴承区域。
步骤4.利用Sobel导数算子对步骤3获得的轴承区域图像进行轮廓提取，获得滚珠圈内外轮廓，利用霍夫变换检测所述的滚珠圈轮廓曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承滚珠不在该检测方案检测范围内；
本发明的基于图像处理的轴承异常检测方法不适用滚珠圈为非圆形的情况。
步骤5.对步骤3获得的轴承区域图像和步骤4获得的滚珠圈的内外轮廓采用与或操作提取轴承滚珠圈区域图像，并去噪锐化，得到更加清晰的轴承滚珠区域；
步骤6.通过逐行扫描步骤5得到的图像，获得滚珠区域中各滚珠所在的小区域像素点位置，并将非滚珠误检测为滚珠的小区域去除；
检测二值图像中所有滚珠所在区域，计算每个滚珠的中心位置。经过步骤5，可以得到滚珠圈圆心，得到每个滚珠相对于圆心的角度，然后根据角度对所有滚珠进行排序，使得滚珠按照顺时针/逆时针排序。根据预先知道的正常轴承滚珠数量，得到正确的滚珠之间的相对角度，然后根据这一已知条件，核实所有检测出来的滚珠是否都是正常的，如果检测出来异常滚珠，则将其去除。
步骤7.统计滚珠数量，判断是否符合预设滚珠数量，如果是，则输出“正常”，否则输出“异常”。
下面通过具体实施例对本方法进行验证。
图2是本发明测试使用的轴承截面图，按照上述描述的技术方案，最终得到的结果如图3所示，从图3中可以看出，疑似滚珠的区域并没有被当作是滚珠，成功检测出滚珠的区域(用白框表示)及数量。
Claims (1)
1.基于图像处理的轴承异常检测方法，包括以下几个步骤：
步骤1. 可将采集的轴承的RGB/灰度图像转换为二值图像，对二值图像去噪锐化；
步骤2. 利用Sobel导数算子处理步骤1去噪锐化后的二值图像，获得轴承的内外轮廓，利用霍夫变换检测所述的内外轮廓的曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承不在该检测方案检测范围内；
步骤3. 对步骤1获得的去噪锐化后的二值图像和步骤2获得的轴承的内外轮廓采用与或操作提取轴承区域图像，并对其去噪锐化，得到更加清晰的轴承区域图像；
步骤4. 利用Sobel导数算子对步骤3获得的轴承区域图像进行轮廓提取，获得滚珠圈内外轮廓，利用霍夫变换检测所述的滚珠圈内外轮廓曲率，判断轮廓是否是圆形，如果是，则进行下一步，否则，检测中断，输出“异常”，表明该轴承滚珠不在该检测方案检测范围内；
步骤5. 对步骤3获得的轴承区域图像和步骤4获得的滚珠圈的内外轮廓采用与或操作提取轴承滚珠圈区域图像，并去噪锐化，得到更加清晰的轴承滚珠区域；
步骤6. 通过逐行扫描步骤5得到的图像，获得滚珠区域中各滚珠所在的小区域像素点位置，并将非滚珠误检测为滚珠的小区域去除；
步骤7. 统计滚珠数量，判断是否符合预设滚珠数量，如果是，则输出“正常”，否则输出“异常”。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595248.0A CN107492093B (zh) | 2017-07-20 | 2017-07-20 | 基于图像处理的轴承异常检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710595248.0A CN107492093B (zh) | 2017-07-20 | 2017-07-20 | 基于图像处理的轴承异常检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107492093A CN107492093A (zh) | 2017-12-19 |
| CN107492093B true CN107492093B (zh) | 2019-12-10 |
Family
ID=60643473
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710595248.0A Active CN107492093B (zh) | 2017-07-20 | 2017-07-20 | 基于图像处理的轴承异常检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107492093B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108387580A (zh) * | 2018-02-08 | 2018-08-10 | 深圳市晟达机械设计有限公司 | 一种轴承缺陷检测装置 |
| CN111429401A (zh) * | 2020-02-24 | 2020-07-17 | 国网天津市电力公司电力科学研究院 | 一种快速检测配网电缆线芯单线根数的方法 |
| CN111833318A (zh) * | 2020-06-30 | 2020-10-27 | 佛山科学技术学院 | 一种基于图像处理的轴承异常检测方法及装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918627A (en) * | 1986-08-04 | 1990-04-17 | Fmc Corporation | Computer integrated gaging system |
| CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
| CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
| CN106408555A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种基于图像视觉的轴承表面瑕疵检测方法 |
-
2017
- 2017-07-20 CN CN201710595248.0A patent/CN107492093B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4918627A (en) * | 1986-08-04 | 1990-04-17 | Fmc Corporation | Computer integrated gaging system |
| CN102636490A (zh) * | 2012-04-12 | 2012-08-15 | 江南大学 | 基于机器视觉的轴承防尘盖表面缺陷检测方法 |
| CN104966300A (zh) * | 2015-06-19 | 2015-10-07 | 浙江理工大学 | 轴承滚子图像检测系统及方法及图像检测装置 |
| CN106408555A (zh) * | 2015-12-27 | 2017-02-15 | 华南理工大学 | 一种基于图像视觉的轴承表面瑕疵检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 《Detection of rolling bearing defects using discrete wavelet analysis》;Abderrazek Djebala，et al;《Meccanica》;20071129;第43卷(第3期);第339-348页 * |
| 《基于工业视觉的轴承尺寸在线检测技术》;刘胜利;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140915(第9期);第I138-1136页 * |
| 《基于机器视觉的轴承内外圈尺寸检测及分类》;范帅，等;《自动化仪表》;20161130;第37卷(第11期);第77-80，87页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107492093A (zh) | 2017-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108776140B (zh) | 一种基于机器视觉的印刷品瑕疵检测方法及系统 | |
| CN107341802B (zh) | 一种基于曲率与灰度复合的角点亚像素定位方法 | |
| CN106404793B (zh) | 基于视觉的轴承密封件缺陷检测方法 | |
| CN108960237B (zh) | 一种指针式油位计读数识别方法 | |
| CN107492093B (zh) | 基于图像处理的轴承异常检测方法 | |
| CN109658391B (zh) | 一种基于轮廓归并和凸包拟合的圆半径测量方法 | |
| CN104282018A (zh) | 基于机器视觉的工业产品外形直径在线检测的方法 | |
| CN113487538B (zh) | 一种多目标分割缺陷检测方法、装置及其计算机存储介质 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN113643276A (zh) | 一种基于统计分析的纺织物纹理缺陷自动检测方法 | |
| CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
| Luo et al. | Research on edge detection algorithm of work piece defect in machine vision detection system | |
| CN110232703B (zh) | 一种基于颜色和纹理信息的运动目标识别装置及方法 | |
| CN114926415A (zh) | 一种基于pcnn与深度学习的钢轨表面检测方法 | |
| CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
| CN114022441A (zh) | 一种不规则五金件的缺陷检测方法 | |
| CN107748897B (zh) | 基于模式识别的大尺寸弯曲零件轮廓度质量检测方法 | |
| JP2002140713A (ja) | 画像処理方法およびその装置 | |
| CN116823708A (zh) | 基于机器视觉的pc构件边模识别与定位研究 | |
| CN114266719B (zh) | 一种基于霍夫变换的产品检测方法 | |
| CN116542910A (zh) | 基于亚像素边缘提取的冲压件圆孔定位及形变检测方法 | |
| CN109272480B (zh) | 一种不相溶溶液分界线的检测方法 | |
| CN115471684A (zh) | 注塑工件模板匹配方法、电子设备及存储介质 | |
| CN113870328A (zh) | 一种液体异物视觉检测方法及系统 | |
| CN108401142B (zh) | 一种流水线上的工件计数装置及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |