CN109816644A - 一种基于多角度光源影像的轴承缺陷自动检测系统 - Google Patents

Abstract

本发明公开了种基于多角度光源影像的轴承缺陷自动检测系统，包括采集单元、PC端处理单元、数据分析单元、中间处理单元和缺陷检测单元。该系统提出在多光源光照条件下进行取像检测，可以更好地检测微小误差，并且解决了对轴承上特有标识识别的问题，使得检测更加智能。本系统不仅包含了轴承图像处理方面的软件也自主搭建了相配套的检测处理硬件框架，模拟工业自动化轴承检测流程，使得整个系统可以流畅运行达到自动化筛选轴承的目的同时更加贴切实际应用。

Description

一种基于多角度光源影像的轴承缺陷自动检测系统

技术领域

本发明涉及轴承缺陷检测技术领域，尤其涉及一种基于多角度光源影像的轴承缺陷自动检测系统。

背景技术

传统的轴承工业检测技术多在单光源光照条件下进行取像检测，一些细微缺陷不易被识别检测到，并且传统检测系统对轴承上特有的标识字符无法智能识别，容易产生误差进行误判。另外现有技术中多通过邻域像素比较方法寻找缺陷区域。

发明内容

根据现有技术存在的问题，本发明公开了一种基于多角度光源影像的轴承缺陷自动检测系统，具体方案包括：

用于采集待测轴承的正面图像信息的采集单元，所述采集单元采用PLC依次控制多个角度光源的方式对待测轴承进行拍照获得待测轴承的正面的多个灰度图像，所述采集单元还采用多个光源同时曝光的方式获取一张同轴光源图像；

实时接收所述采集单元传送的待测轴承的多个灰度图像的PC端处理单元，所述PC端处理单元读取同轴光源图像、并通过去噪处理和最大熵阈值分割法确定轴承圆心位置；

接收所述PC端处理单元传送的一张图片信息的数据分析单元，所述数据分析单元读取该图片信息采用大津二值化处理方法获得图片中轴承边界信息、以及确定图像中轴承上各个圆形边界的半径；

接收所述数据分析单元传送的图片信息和采集单元传送的同轴光源图像的中间处理单元，所述中间处理单元采用多层感知器识别图片中的文字标识；

接收所述中间处理单元传送的图片信息和采集单元传送的多光源灰度图像的缺陷检测单元，所述缺陷检测单元统计轴承上的缺陷种类并使用分类别针对性的像素比较方法获取轴承的缺陷部位，所述缺陷检测单元将是否检测到轴承缺陷的结果信息输出；

接收所述缺陷检测单元传送的轴承缺陷的结果信息的循环判断单元，如果所述循环判断单元接收到该轴承具有缺陷则排除该轴承，如果接收到该轴承的正面没有缺陷则通知采集单元继续对轴承的反面采用上述方式进行缺陷检测。

所述PC端处理单元对获得的同轴光源图像进行低通滤波处理、并采用最大熵阈值化分割方法获取图像中轴承的圆心坐标。

所述数据分析单元获得轴承的边界信息采用如下方式：

采用二值化处理获得图像上的边界信息，根据得到的圆心坐标计算圆形轮廓上所有像素到轴承圆心的距离，将该距离定义为圆心距，将得到的圆心距按照波峰排序，根据边界上的点在可疑半径上的聚集程度确定各个圆形半径的半径值，将轴承划分为三个区域分别为内环、中环、外环，获得轴承划分区域后的轴承图像。

所述中间处理单元对获取的文字标识进行识别、具体采用如下方式：

在字符标识清晰的同轴光源图像中提取含有文字的中环区域并进行直角坐标变换、转换为矩形图，对图像进行自适应阈值分割处理突出文字标识部分；

设置四层网络的多层感知器，将用于训练的图像的特征输入至多层感知器得到文字字符对应的训练集，提取中环区域二值图的轮廓以及对应的最小外接矩形图，调用多层感知器和对应的训练集对矩形图中的字符进行识别，判断是否为轴承上的文字标识，如果是则记录该文字的像素位置缺陷并在检测过程中对该区域不进行检测，如果否则对该区域进行正常的缺陷检测。

所述缺陷检测单元采用分类别针对性的像素比较方法获取轴承的缺陷部位具体采用如下方式：

统计并概括了轴承上可能出现的四类缺陷，其中四类缺陷分别为：缺口、锈斑、瘪盖和划痕。

轴承缺口类的缺陷检测方式为：根据缺口在同轴光下显示明显的特性，直接对轴承的同轴光源图像分区后进行阈值化处理找到缺口部分并提取；

轴承锈斑类的缺陷检测方式为：根据锈斑处的灰度值在多角度光源下变化不明显的特性，计算轴承多角度光源图像上每一个像素位置的灰度信息的最值之差，差值最小的位置即为锈斑。

轴承瘪盖类的缺陷检测方式为：根据瘪盖处灰度值在多角度光源下明显差异于相邻区域像素位置的灰度值的特性，统计轴承多角度光源图像直角变换后每一个区域每一行的灰度信息，使用莱伊特法则迭代消除其中影响检测的异常数据，找到数据中的波峰段，统计出现的所有波峰，波峰出现频率最高的位置映射到图像上即为瘪盖缺陷；

轴承划痕类的缺陷检测方式为：根据划痕处在多角度光源下明暗交替的特性，统计直角变换后的轴承多角度光源图像每一个分区每一列的灰度信息，遍历每一列灰度信息，找到其中明显差异化同一列其余像素的像素，并将其映射到图像上，将识别出的文字标识进行腐蚀处理并在图像处理过程中对腐蚀后的区域进行遮盖最后得到划痕处的缺陷位置。

由于采用了上述技术方案本发明提供的一种基于多角度光源影像的轴承缺陷自动检测系统，该系统提出在多光源光照条件下进行取像检测，可以更好地检测微小误差，并且解决了对轴承上特有标识识别的问题，使得检测更加智能。另外采用机器学习中的神经网络对轴承图像中的文字标识提取特征进行智能化训练得到对应训练集，使得系统在检测过程中可以智能识别轴承上的文字区域与非文字区域，避免被当作缺陷处理，相较于传统检测系统更加智能，处理起来更加快捷高效。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明系统的结构示意图；

图2为本发明系统的工作流程图；

图3为本系统框架概念图及硬件组成成分示意图；

图4为系统图像采集单元采集的多光源图像，同一轴承不同光照角度下所拍取的图像示意图；

图5为同轴光源图像示意图；

图6为将合成图像最大熵阈值分割之后得到的结果图；

图7为对得到的大津二值化图像提取的轮廓示意图；

图8为轴承划分区域示意图；

图9为轴承中区(含文字区域)直角变换图；

图10为构建出的文字遮罩示意图；

图11为检测出的缺陷结果示意图(瘪盖与划痕)。

具体实施方式

为使本发明的技术方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚完整的描述：

如图1至图11所示的一种基于多角度光源影像的轴承缺陷自动检测系统，包括采集单元、PC端处理单元、数据分析单元、中间处理单元和缺陷检测单元。

所述采集单元首先从多个角度采用相同光源的方式对待测轴承进行拍照获得待测轴承的多个灰度图像，之后同时接通多个光源获取唯一张字符清晰的同轴光源图像。本系统在采集轴承图像的时候采用多光源的光照条件，光源从不同角度给轴承打光采集到轴承的多光源图像，通过多光源图像可以更好地辨别轴承上不易发现的细微缺陷，这是传统单光源(多为同轴光)光照条件下所达不到的效果。

PC端处理单元接收采集单元传送的待测轴承的多个灰度图像，PC端处理单元读取同轴光源图像，对图像进行低通滤波处理，并采用最大熵阈值分割法分割图像得到轴承圆形边界信息从而获取圆心坐标。

数据分析单元接收所述PC端处理单元传送的合成的一张图片，读取该图片信息进行去噪处理并采用二值化处理获得图片中的轴承轮廓信息(即边界信息)、再确定轴承上各个圆形轮廓的半径。

中间处理单元接收所述数据分析单元传送的图片信息和采集单元传送的同轴光源图像，同时中间处理单元多层感知器识别方式获取图片中的文字标识并将获取的文字标识覆盖。

缺陷检测单元接收所述中间处理单元传送的图片信息和采集单元传送的多光源灰度图像，缺陷检测单元统计轴承上的缺陷种类并使用分类别针对性的像素比较方法获取轴承的缺陷部位。

进一步的，所述PC端处理单元对同轴光源图像进行低通滤波进行去噪处理，并采用最大熵阈值化分割方法获取图像中轴承的圆心坐标。

进一步的，所述数据分析单元对目标图像首先进行最大熵阈值分割法处理获得图片中的轴承边界信息，然后使用大津二值化处理目标图像获得轴承轮廓信息基本公式原理为：

μ＝ω₀·μ₀+ω₁·μ₁ (1.3)

g＝ω₀(μ₀-μ)²+ω₁(μ₁-μ)² (1.4)

其中，前景部分的像素点数占整幅图像像素点数的比例为ω₀，其平均灰度为μ₀，背景部分的像素点数占整幅图像的像素点数的比例为ω₁,其平均灰度为μ₁。将(2.3)带入到(2.4)中得到：

g＝ω₀ω₁(μ₀-μ₁)² (1.5)

通过遍历所有的阈值(像素值)T(从0-255)，使用公式(1.5)计算前后景的类间方差g，找出g最大时所对应的阈值T即找到最佳的分割阈值，使用得到的最佳分割阈值，以此阈值进行二值化，图像经过二值化分割前背景之后，基本保存了轴承的圆形轮廓边界，使用Satoshi Suzuki等人所提出的轮廓搜索算法来得到二值图像中的所有轮廓(每一个轮廓都是由若干的点组成)，因为每一个轮廓具有不同点集数目，以此对轮廓进行筛选，筛出掉一部分点集数目不足的轮廓(所需的圆形轮廓的点集数目较大)，然后对剩下的轮廓计算圆形度，再次筛选掉一部分圆形度不高的轮廓(与圆形相似度不足)，对剩下的轮廓进行最小二乘法圆拟合(将点集拟合成圆)，然后计算轮廓上所有点到其所确定的圆心的距离与拟合得到圆的半径的差的标准差，标准差越小，那么该轮廓所拟合出的圆应该越精确，也说明该轮廓本身也比较精确，根据最后得到的最优圆确定出轴承的圆心位置。

确定圆心位置之后，对已知的圆形轮廓进行遍历，计算当前轮廓上的所有像素点到圆心的距离，统计得到当前轮廓的最优圆心距，并记录为当前圆的半径，确定各个圆形半径从而确定轴承划分三个区域所需的六个半径值，将轴承划分为三个区域分别为内区、含文字区域、外区，获得轴承划分区域后的轴承图像。

因为轴承上含有特定的文字标识，而文字实质上可以看作是比较细的凹痕，所以如果不去除文字的话，在后续的检测中文字部分会被识别为缺陷，从而造成检测结果的错误，本系统采用Class-specific Extremal Regions方法来获取待检测区域，之后对待检测区域使用训练好的神经网络进行识别，得到文字的区域，最后用模板文字将识别出的文字区域覆盖来去除文字区域。

进一步的，中间处理单元采用神经网络识别方式获取图片中的文字标识并将获取的文字标识覆盖具体采用如下方式：

针对中环区域中的文字，文字的检测主要分两个步骤，第一个对中环区域提取可疑的文字区域。第二个步骤就对可疑文字区域利用神经网络进行识别，将文字区域找出。文字区域去除部分主要是依靠找到的文字区域，使用模板文字去覆盖，使得后续的检测中不再将文字区域纳入检测范围，也就不会将文字检测为缺陷，影响检测结果。

第一个步骤：使用字符标识清晰的同轴光源图像(灰度图)，提取含有文字的中环区域并进行直角坐标变换转换为矩形图，对图像进行二值化，突出文字标识，然后提取图像中的轮廓，得到每个轮廓的外接矩形，筛选掉不符合标准大小(以文字图像大小为基准)的矩形。

第二个步骤：针对本系统采用了四层网络的多层感知器，包括一个输出层，两个中间隐含层，对图像提取了36维的HOG特征以及20维的深度特征，特征向量长度一共56维，所以神经网络的输入层包含了56个神经元。根据目前测试轴承的文字种类数量，确定了7个文字类别以及一个非文字类别，总共8个类别，所以神经网络的输出层包含了8个神经元。两个中间隐含层的神经元数量经过测试比较，设置为第一层42个神经元，第二层28个神经元。本系统使用训练集图像上获得的文字区域图进行特征提取，用于本系统神经网络的训练，训练结果保存到xml文件中，训练方法采用BACKPROP,权值更新率为0.1，权值更新冲量为0.1，激活函数采用SIGMOID_SYM，迭代次数设定为5000次，误差最小值0.001。

检测时通过训练得到的训练集，输入当前轴承图像的文字标识特征，智能识别提取的矩形区域中的文字标识，并构建文字遮罩。由于文字标识的相邻区域在多角度光源下会产生反光现象，类似区域在图像处理过程中会被当作缺陷进行处理，所以将识别出的文字标识进行腐蚀处理并在图像处理过程中对腐蚀后的区域进行遮盖，从而防止文字标识被当作划痕处理。

进一步的，缺陷检测单元采用区域像素比较方法获取轴承的缺陷部位，具体采用如下方式：

通过对轴承拍取多角度光源影像的方式模拟人眼识别缺陷的原理，通过机器视觉的方式来检测轴承是否具有缺陷，首先将目前轴承上出现的缺陷分为四大类，分别为缺口、锈斑、瘪盖、划痕，针对第一类缺陷：缺口，的处理方法是将轴承的同轴光源图像划分区域后，对每一个区域进行阈值分割，缺口作为较为明显的缺陷，分割后可以清晰的区分出来，从而找到缺陷位置；针对第二类缺陷：锈斑，的处理方法是，根据轴承锈斑在不同光照条件下，像素灰度信息变化不明显的特性，统计轴承N张多角度光源图像上每一个像素位置的灰度信息，将相同像素位置的N个灰度信息存放在一起，并的得到该位置的灰度特征：灰度最值之差，若某一像素位置的最大灰度值与最小灰度值之差较小，则认为该位置为缺陷锈斑的位置。针对第三类缺陷：瘪盖，发现轴承瘪盖在不同角度光照条件下会出现不同于相邻区域的反光现象，统计每一张轴承多角度光源图像上不同划区的每一行的像素值，发现某些图像上缺陷位置的像素值明显高于相邻区域，将数据映射到统计图像上会出现较为明显的波峰变化，而波峰位置即为瘪盖的缺陷位置，对于这一特性，的处理方法是，首先将统计得到的每一张直角变换后的多角度光源图像上不同划区的每一行的像素值通过莱伊特(3σ)法则进行迭代处理，消除其中影响检测的脏数据，使得数据变化稳定易于处理，其中莱伊特(3σ)法则的基本公式原理为：

σ为当前图像当前行的像素值标准差，X_i为当前像素值，为当前行的像素平均值，若二者差值的绝对值大于三倍标准差，则认为当前像素值为脏数据；

然后通过梯度计算法记录每一行像素灰度值的变化趋势，从而找到数据中的波峰，然后对每一张不同划区的每一行的波峰进行统计，波峰出现最多的像素区域即为瘪盖缺陷的位置。针对第四类缺陷：划痕，发现轴承划痕在不同角度光照条件下会出现明显的暗光与亮光现象，因为划痕作为很细小的缺陷，的处理方法是：统计每一张直角变换后的多角度光源图像每一列的像素信息，划痕所在列会出现明显的像素灰度值差异性，遍历每一张多角度光源图像的每一个像素位置并与同一列像素位置的灰度信息进行比较，从而找到划痕所在的缺陷位置，因为轴承本身的文字标识与划痕类似，所以易被当作划痕处理，采用上一步得到的文字标识的位置构成文字模板，并将文字模板图像进行腐蚀从而覆盖掉被误判的划痕缺陷。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (5)

1.一种基于PLC与多角度光源影像的轴承缺陷自动检测系统，其特征在于包括：

用于采集待测轴承的正面图像信息的采集单元，所述采集单元采用PLC依次控制多个角度光源的方式对待测轴承进行拍照获得待测轴承的正面的多个灰度图像，所述采集单元还采用多个光源同时曝光的方式获取一张同轴光源图像；

实时接收所述采集单元传送的待测轴承的多个灰度图像的PC端处理单元，所述PC端处理单元读取同轴光源图像、并通过去噪处理和最大熵阈值分割法确定轴承圆心位置；

接收所述PC端处理单元传送的一张图片信息的数据分析单元，所述数据分析单元读取该图片信息采用大津二值化处理方法获得图片中轴承边界信息、以及确定图像中轴承上各个圆形边界的半径；

接收所述数据分析单元传送的图片信息和采集单元传送的同轴光源图像的中间处理单元，所述中间处理单元采用多层感知器识别图片中的文字标识；

接收所述中间处理单元传送的图片信息和采集单元传送的多光源灰度图像的缺陷检测单元，所述缺陷检测单元统计轴承上的缺陷种类并使用分类别针对性的像素比较方法获取轴承的缺陷部位，所述缺陷检测单元将是否检测到轴承缺陷的结果信息输出；

接收所述缺陷检测单元传送的轴承缺陷的结果信息的循环判断单元，如果所述循环判断单元接收到该轴承具有缺陷则排除该轴承，如果接收到该轴承的正面没有缺陷则通知采集单元继续对轴承的反面采用上述方式进行缺陷检测。

2.根据权利要求1所述的一种基于多角度光源影像的轴承缺陷自动检测系统，其特征还在于：所述PC端处理单元对获得的同轴光源图像进行低通滤波处理、并采用最大熵阈值化分割方法获取图像中轴承的圆心坐标。

3.根据权利要求1所述的一种基于多角度光源影像的轴承缺陷自动检测系统，其特征还在于：所述数据分析单元获得轴承的边界信息采用如下方式：

采用二值化处理获得图像上的边界信息，根据得到的圆心坐标计算圆形轮廓上所有像素到轴承圆心的距离，将该距离定义为圆心距，将得到的圆心距按照波峰排序，根据边界上的点在可疑半径上的聚集程度确定各个圆形半径的半径值，将轴承划分为三个区域分别为内环、中环、外环，获得轴承划分区域后的轴承图像。

4.根据权利要求3所述的一种基于多角度光源影像的轴承缺陷自动检测系统，其特征还在于：所述中间处理单元对获取的文字标识进行识别、具体采用如下方式：在字符标识清晰的同轴光源图像中提取含有文字的中环区域并进行直角坐标变换、转换为矩形图，对图像进行自适应阈值分割处理突出文字标识部分；

设置四层网络的多层感知器，将用于训练的图像的特征输入至多层感知器得到文字字符对应的训练集，提取中环区域二值图的轮廓以及对应的最小外接矩形图，调用多层感知器和对应的训练集对矩形图中的字符进行识别，判断是否为轴承上的文字标识，如果是则记录该文字的像素位置缺陷并在检测过程中对该区域不进行检测，如果否则对该区域进行正常的缺陷检测。

5.根据权利要求1所述的一种基于多角度光源影像的轴承缺陷自动检测系统，其特征还在于：所述缺陷检测单元采用分类别针对性的像素比较方法获取轴承的缺陷部位具体采用如下方式：统计并概括了轴承上可能出现的四类缺陷，其中四类缺陷分别为：缺口、锈斑、瘪盖和划痕；

轴承缺口类的缺陷检测方式为：根据缺口在同轴光下显示明显的特性，直接对轴承的同轴光源图像分区后进行阈值化处理找到缺口部分并提取；

轴承锈斑类的缺陷检测方式为：根据锈斑处的灰度值在多角度光源下变化不明显的特性，计算轴承多角度光源图像上每一个像素位置的灰度信息的最值之差，差值最小的位置即为锈斑。

轴承瘪盖类的缺陷检测方式为：根据瘪盖处灰度值在多角度光源下明显差异于相邻区域像素位置的灰度值的特性，统计轴承多角度光源图像直角变换后每一个区域每一行的灰度信息，使用莱伊特法则迭代消除其中影响检测的异常数据，找到数据中的波峰段，统计出现的所有波峰，波峰出现频率最高的位置映射到图像上即为瘪盖缺陷；

轴承划痕类的缺陷检测方式为：根据划痕处在多角度光源下明暗交替的特性，统计直角变换后的轴承多角度光源图像每一个分区每一列的灰度信息，遍历每一列灰度信息，找到其中明显差异化同一列其余像素的像素，并将其映射到图像上，将识别出的文字标识进行腐蚀处理并在图像处理过程中对腐蚀后的区域进行遮盖最后得到划痕处的缺陷位置。