基于视觉的轴承密封件缺陷检测方法与流程

本发明实施例涉及机器视觉技术领域，特别涉及一种基于视觉的轴承密封件缺陷检测方法。

背景技术：

当前我国的轴承制造业仍以传统产品为主，技术水平并不高，由此带来的影响是，国内轴承生产仍然是劳动力密集型为主，总体产量高，但技术含量低、精度低、产品附加值低，且质量无法保证。尽管少数国内轴承生产企业，从国外引进了一些自动化、半自动化轴承制造装备，形成了部分高精密轴承产品的生产产能，但由于检测手段以人工检测、离线抽查为主，使得产品质量无法得到保证，无法满足国外用户的质量要求，在出现质量问题时，往往面临着巨额的罚款。同时，由于无法实现精密轴承的实时在线检测，生产线自动化、智能化控制水平无法提高，生产效率无法与国外企业相比，国内处在前列的几家国内企业，生产效益还无法与一家国外大型企业相比。在线检测技术可实现制造、检测的自动化和一体化，还可以实现检测手段的标准化。随着我国高精密轴承产品需求的增加，产能的扩大，以及出口量的加大，特别是轴承产品领域国际标准的贯彻实施，使得对高精密轴承的在线检测技术的需求越来越迫切。

在轴承及其配件的制造加工过程中，可能出现毛刺、色差、溢胶、锈蚀、裂纹、刮伤、结疤、孔洞、表面分层、麻点、缺珠、倒角未加工、倒角过大或过小、压伤、端面未加工等缺陷，这将降低轴承的抗腐蚀性、耐磨性和抗疲劳强度等性能。目前国内外轴承制造企业通常采用人工目视抽检的方式来进行质量评估，缺乏检测的一致性和科学性，且效率较低，而以信息技术为基础研制的智能检测设备可解决此类问题。伴随着高精度图像传感器件、数字信号处理器技术、计算机视觉、模式识别等相关领域的理论探索和应用研究日臻完善和实用化，基于视觉的轴承缺陷自动检测系统的研制受到越来越多轴承厂家的重视。

基于计算机视觉的缺陷检测具有非接触、快速、精确和可靠性高等优点，因此已经在食品分级、印刷品、玻璃、钢铁、液晶显示器等表面的缺陷检测获得了广泛的研究和应用。然而，现有的视觉检测系统无法应用于轴承密封件的在线检测，其主要原因在于：1)轴承密封件的模式比较复杂，颜色多样，有正反面之分，且反面密封件金属区域的面积差别很大，2)轴承密封件上存在的缺陷种类很多，包括毛刺、色差、溢胶、锈蚀等，3)轴承密封件缺陷检测的精度要求很高，对毛刺的检测精度通常要求在0.1mm²甚至更高，因此需要采用高分辨率的图像传感器(300万象素或500万象素)，这就对视觉图像处理方法的效率提出了较高的要求。

有鉴于此，特提出本发明。

技术实现要素：

本发明的主要目的在于提供一种基于视觉的轴承密封件缺陷检测方法，用以解决轴承密封件上可能存在的毛刺、色差、溢胶和锈蚀缺陷的在线检测问题。

为实现上述目的，提供了以下技术方案：

一种基于视觉的轴承密封件缺陷检测方法，所述方法包括：

获取轴承密封件图像；

对所述轴承密封件图像运用图像分割和目标关联方法，得到所述轴承密封件的工件图像；

对所述工件图像运用工件范围计算，得到所述轴承密封件的有效工件图像；

对所述有效工件图像运用工件范围比对和方向差异判定方法，得到毛刺缺陷；

对所述有效工件图像运用直方图分析方法，得到正面工件图像和反面工件图像；

对所述正面工件图像运用颜色显著性和矩形特征判定方法，得到色差缺陷；

对所述反面工件图像运用金属范围计算，得到工件金属部分图像；

对所述工件金属部分图像运用亮度显著性和颜色变换方法，得到溢胶和锈蚀缺陷。

优选地，所述对所述轴承密封件图像运用图像分割和目标关联方法，得到所述轴承密封件的工件图像，具体包括：

对所述轴承密封件图像运用有监督过渡区域分割方法和连通区域分析方法，得到候选工件区域；

对所述候选工件区域运用其大小和位置信息，得到当前时刻图像中的工件区域信息；

对所述当前时刻图像中的工件区域信息运用目标关联方法，得到工件运动轨迹信息；

对所述工件运动轨迹信息运用状态估计方法，得到所述轴承密封件的所述工件图像。

优选地，所述对所述工件图像运用工件范围计算，得到所述轴承密封件的有效工件图像，具体包括：

对所述工件图像运用有监督过渡区域分割方法和尺寸滤波方法，得到有效工件区域；

对所述有效工件区域运用其在极坐标系下的最外边缘和最内边缘信息，得到所述有效工件区域的内外边缘信息；

对获得的所述内外边缘信息运用最小二乘拟合方法，得到所述轴承密封件的位置和大小信息；

将所述轴承密封件的所述位置和大小信息所对应几何区域的图像确定为所述有效工件图像。

优选地，所述对所述有效工件图像运用工件范围比对和方向差异判定方法，得到毛刺缺陷，具体包括：

对所述有效工件图像运用有监督过渡区域分割方法和尺寸滤波方法，得到有效工件区域；

对所述有效工件区域和所述有效工件图像运用工件范围比对、形态学开运算和连通成分分析方法，得到候选毛刺区域；

对所述候选毛刺区域运用方向差异判定方法，得到所述毛刺缺陷。

优选地，所述对所述候选毛刺区域运用方向差异判定方法，得到所述毛刺缺陷，具体包括：

对所述候选毛刺区域运用形态学边缘检测和连通成分分析方法，得到毛刺边缘轮廓；

对所述毛刺边缘轮廓上均匀分布的三个点，计算以中间点为顶点的三点间的夹角值；

用所述三点间的夹角值减去所述三个点的间距与所述工件半径的比值，得到在给定点间距离下的在当前点的归一化角度变化值；

将在不同点的位置和点间距离的情况下，所述归一化角度变化值的最大值确定为方向差异特征，从而得到所述毛刺缺陷。

优选地，所述对所述正面工件图像运用颜色显著性和矩形特征判定方法，得到色差缺陷，具体包括：

对所述正面工件图像运用颜色统计特征和自适应分割阈值判定方法，得到色差分割图像；

对所述色差分割图像运用形态学开运算和连通成分分析方法，得到候选色差区域图像；

对所述候选色差区域图像运用矩形特征判定方法，得到所述色差缺陷。

优选地，所述对所述候选色差区域图像运用矩形特征判定方法，得到所述色差缺陷，具体包括：

对所述候选色差区域图像运用中心四周差异算子，得到极值矩形特征；

对所述候选色差区域图像分别运用0度、45度、90度和135度方向的小波矩形算子，得到四个方向矩形特征；

若所述候选色差区域在Y空间的矩形特征值大于第一设定值或者在IQ空间的矩形特征值大于第二设定值，则判定所述候选色差区域为所述色差缺陷；其中，所述矩形特征包括所述极值矩形特征和所述方向矩形特征。

优选地，所述对所述反面工件图像运用金属范围计算，得到工件金属部分图像，具体包括：

对所述反面工件图像运用分块颜色差异分析方法，得到金属相似度图像；

对所述金属相似度图像运用有监督过渡区域分割方法、形态学开运算和尺寸滤波方法，得到金属分割图像；

对所述金属分割图像运用其在极坐标系下的最外边缘和最内边缘信息，得到金属区域的内外边缘信息；

对所述金属区域的内外边缘信息运用最小二乘拟合方法，得到所述轴承密封件反面金属区域的位置和大小信息，并将所述反面金属区域的位置和大小信息所对应几何区域的图像确定为所述工件金属部分图像。

优选地，所述对所述工件金属部分图像运用亮度显著性和颜色变换方法，得到溢胶和锈蚀缺陷，具体包括：

对所述工件金属部分图像运用亮度显著性和金属相似度分析方法，得到溢胶分割图像；

对所述溢胶分割图像运用形态学开运算和连通成分分析方法，得到溢胶缺陷；

对所述工件金属部分图像运用颜色变换方法，得到锈蚀颜色特征；

对所述工件金属部分图像运用所述锈蚀颜色特征和亮度特征分析方法，得到锈蚀分割图像；

对所述锈蚀分割图像运用形态学开运算和连通成分分析方法，得到锈蚀缺陷。

优选地，所述对所述锈蚀分割图像运用形态学开运算和连通成分分析方法，得到锈蚀缺陷，具体包括：

对所述锈蚀分割图像运用形态学开运算去除噪声；

对形态学开运算的结果运用连通成分分析方法得到所述锈蚀缺陷。

本发明实施例提供一种基于视觉的轴承密封件缺陷检测方法，通过获取轴承密封件图像；对轴承密封件图像运用图像分割和目标关联方法，得到轴承密封件的工件图像；对工件图像运用工件范围计算，得到轴承密封件的有效工件图像；对有效工件图像运用工件范围比对和方向差异判定方法，得到毛刺缺陷；对有效工件图像运用直方图分析方法，得到正面工件图像和反面工件图像；对正面工件图像运用颜色显著性和矩形特征判定方法，得到色差缺陷；对反面工件图像运用金属范围计算，得到工件金属部分图像；对工件金属部分图像运用亮度显著性和颜色变换方法，得到溢胶和锈蚀缺陷。通过本发明实施例解决了轴承密封件的在线检测问题，克服了人工离线抽检方法效率低、容易疲劳、质量无法保证的缺陷，可满足轴承生产厂家提升自动化水平的需要。

附图说明

图1为根据本发明实施例的基于视觉的轴承密封件缺陷检测方法的流程示意图；

图2a为根据本发明实施例的工件图像提取示意图；

图2b为根据本发明实施例的当轴承密封件在摄像机视野中心时输出的工件图像；

图3为根据本发明实施例的有效工件图像提取示意图；

图4为根据本发明实施例的毛刺缺陷检测结果示意图；

图5为根据本发明实施例的计算极值矩形特征和方向矩形特征的计算模板示意图；

图6为根据本发明实施例的色差缺陷检测结果示意图；

图7为根据本发明实施例的溢胶缺陷检测结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式做进一步地详细描述。

本发明实施例的主要思想是：利用机器视觉光源(例如：RL-170-20-W)控制环境亮度，以高分辨率工业摄像机实时采集的图像为主要信息源，采用视觉图像处理对工件进行定位和分析，实现轴承密封件缺陷的在线检测，确定工件的缺陷位置和类型。

本发明实施例提供一种基于视觉的轴承密封件缺陷检测方法。如图1所示，该方法可以包括：

S100：获取轴承密封件图像。

本步骤可以使用高分辨率工业摄像机(例如：MV-3000UC，300万象素)实时采集轴承密封件图像。利用高分辨率工业摄像机克服了人工检测效率低和质量无法保证的缺陷。

S110：对轴承密封件图像运用图像分割和目标关联方法，得到轴承密封件的工件图像。

其中，本步骤可以将实时采集的轴承密封件图像运用图像分割和目标关联，得到轴承密封件在摄像机视场中心时的工件图像。

具体地，本步骤额可以进一步包括：

S111：对轴承密封件图像运用有监督过渡区域分割方法和连通区域分析方法，得到候选工件区域。

在实际应用中，可以采用下采样实时采集的方式，这样可以减少工作量。

下面以一优选实施例的方式来详细说明得到候选工件区域的过程。

步骤A1：统计轴承密封件图像的灰度直方图，并利用ISODATA算法求得分割图像所需要的阈值，记为t_2a1。

步骤A2：判定阈值在带宽内的像素比例；如果比例不大，则执行步骤A3；若t_2a1在20带宽内的像素比例大于70％，执行步骤A4。

步骤A3：确定存在工件，且t_2a1在背景和工件亮度之间，

步骤A4：确定当前时刻图像中不存在工件，直接返回步骤A1；

步骤A5：求得轴承密封件图像的灰度直方图的峰值，记为t_2a2。

步骤A6：根据以下公式计算图像分割的阈值：

t_2a3＝1.1t_2a1-0.1t_2a2

其中，t_2a3表示图像分割的阈值。

步骤A7：根据t_2a3两边亮度值的像素个数，判断出目标的明暗，并以此分割图像，得到候选工件区域。

S112：对候选工件区域运用其大小和位置信息，得到当前时刻图像中的工件区域信息。

在具体实施过程中，可以运用连通成分分析技术得到尺寸大于一定数量像素(例如：2000像素)的目标区域信息；然后合并相互有重叠部分的区域，并得到最终的工件区域信息。

S113：对当前时刻图像中的工件区域信息运用目标关联方法，得到工件运动轨迹信息。

下面以一优选实施例来详细说明得到工件运动轨迹信息的过程。

步骤B1：把当前时刻图像中的工件区域信息按照其出现的时间排序。

步骤B2：判断目标轨迹库中是否有工件区域信息；若无，则执行步骤B3。

步骤B3：把当前时刻的工件区域信息存入目标轨迹库中，返回步骤B1。

步骤B4：对每一个目标轨迹，加上速度预测，查找与其最匹配的当前时刻图像中的工件区域信息；若有，则执行步骤B5；否则，执行步骤B6。

步骤B5：找出与其最匹配的当前时刻图像中的工件区域信息，并将其加入目标轨迹中。

步骤B6：删除该目标轨迹。

若没有和当前目标轨迹匹配的工件区域信息，则说明目标离开了视野，那么就删除该目标轨迹。

步骤B7：判断是否存在和当前工件区域信息匹配的目标轨迹，若无，则执行步骤B8。

步骤B8：添加目标轨迹。

若没有和当前工件区域信息匹配的目标轨迹，则说明工件进入了视野，添加目标轨迹。

步骤B9：判断工件的运动速度是否为零，若是，则执行步骤10。

步骤B10：判定皮带的运行方向及速度大小。

当工件的运动速度为0时，说明第一个目标出现，则利用该目标判定皮带的运行方向及速度大小。

S114：对工件运动轨迹信息运用状态估计方法，得到轴承密封件的工件图像。

在实际应用中，如果采用高分辨率工业摄像机进行实时采集，则本步骤对工件运动轨迹信息运用预测方法，得到的是轴承密封件在高分辨率工业摄像机视场中心时的工件图像，也即如果工件轨迹的当前位置加上预测速度的大小超过视野长度的一半，输出工件图像。

图2a和图2b示例性地示出了工件图像提取示意图。其中图2a的矩形区域11和矩形区域12为经过图像分割、连通成分分析和目标关联后所得到的目标轨迹信息；图2b为当轴承密封件在摄像机视野中心时输出的工件图像(也即图2a中矩形区域12的放大示意图)。

S120：对工件图像运用工件范围计算，得到轴承密封件的有效工件图像。

具体地，本步骤可以进一步包括：

S121：对工件图像运用有监督过渡区域分割方法和尺寸滤波方法，得到有效工件区域。

在实际应用中，本步骤可以通过以下优选方式来实现。

步骤C1：统计工件图像的灰度直方图，并利用ISODATA算法求得分割图像所需要的阈值。

步骤C2：利用阈值分割工件图像，得到候选工件区域。

步骤C3：利用尺寸滤波器去除面积小于工件图像1％的噪声，得到有效工件区域。

步骤C4：判断工件图像边缘地区是否有工件区域，若有，则执行步骤C5。

步骤C5：判定工件出界，且判定为不合格产品。

如果在工件图像边缘地区有工件区域，则判定工件出界，且为不合格产品。

S122：对有效工件区域运用其在极坐标系下的最外边缘和最内边缘信息，得到有效工件区域的内外边缘信息。

下面以一优选实施例来详细说明得到有效工件区域的内外边缘信息的过程。

步骤D1：以工件图像中心为原点，在采样角度方向均匀取720个采样点。

步骤D2：沿着每一个采样角度方向，从外至里扫描，以第一个目标点为外边缘上的点。

步骤D3：以工件图像中心为原点，统计出0度、90度、180度和270度四个方向上的目标点随距离的变化情况，并以第一个非零点的距离减去10为内边缘点的最小值。

步骤D4：以内边缘的最小值为起点，沿着每一个采样角度方向，从里至外扫描，以第一个目标点为内边缘上的点。

S123：对获得的内外边缘信息运用最小二乘拟合方法，得到轴承密封件的位置和大小信息。

S124：将轴承密封件的位置和大小信息所对应几何区域的图像确定为有效工件图像。

下面以一优选实施例来详细说明得到轴承密封件的位置和大小信息的过程。

步骤E1：对内、外边缘信息做下采样，初始化所有边缘点为内点。

本步骤采用下采样的方式可以减小计算量。

步骤E2：将当前点设置为外点，以所有的内点为基础进行最小二乘椭圆拟合。

步骤E3：判断边缘点和拟合的椭圆的距离是否小于第一阈值，若是，则执行步骤E4。

其中，第一阈值较佳地可以取0.02。

步骤E4：判定边缘点为内点。

步骤E5：重复步骤E2和步骤E3，直到所有的采样边缘点都被处理过，输出基于采样点的轴承密封件的位置和大小信息。

步骤E6：针对所有的内外边缘信息，将内外边缘和基于采样点拟合的椭圆的距离小于第二阈值的点确定为内点。

其中，第二阈值较佳地可以取0.01。

步骤E7：利用所有内点拟合得到轴承密封件的位置、长轴、短轴、倾斜角等信息。

步骤E8：将轴承密封件的位置和大小信息所对应几何区域的图像确定为有效工件图像。

上述有效工件图像也即根据外椭圆和内椭圆的几何参数得到轴承密封件对应的图像区域。

图3为根据本发明实施例的有效工件图像提取示意图，图中的外椭圆和内椭圆为对有效工件图像进行工件范围计算所得到的工件几何区域。

S130：对有效工件图像运用工件范围比对和方向差异判定方法，得到毛刺缺陷。

具体地，本步骤可以进一步包括：

S131：对有效工件图像运用有监督过渡区域分割方法和尺寸滤波方法，得到有效工件区域。

作为示例，本步骤可以通过以下优选方式予以实现：统计图像的灰度直方图，并利用ISODATA算法求得分割图像所需要的阈值，并以此分割图像，得到候选工件区域；然后，利用尺寸滤波器去除面积小于工件图像大小1％的噪声，从而得到有效工件区域。

S132：对有效工件区域和有效工件图像运用工件范围比对、形态学开运算和连通成分分析方法，得到候选毛刺区域。

下面以一优选实施例来详细说明确定候选毛刺区域的过程。

步骤F1：判断当前点是否为有效工件区域的点，以及其是否在有效工件图像之外，若是，则确定当前点为候选毛刺点。

步骤F2：判断当前点是否为有效工件区域的点，以及其距离外椭圆或者内椭圆的距离是否小于1，若是，则其为候选毛刺点。

步骤F3：对候选毛刺点应用形态学开运算去除狭长带状区域噪声。

步骤F4：运用连通成分分析得到缺陷尺寸大于用户设定值的候选毛刺区域。

S133：对候选毛刺区域运用方向差异判定方法，得到毛刺缺陷。

下面以一优选实施例来详细说明步骤S133得到毛刺缺陷的过程。

步骤G1：对候选毛刺区域运用形态学边缘检测和连通成分分析方法，得到毛刺边缘轮廓。

在实际应用中，根据实际情况可以得到8邻域连通的单像素宽的毛刺边缘轮廓。

步骤G2：对该毛刺边缘轮廓上均匀分布的三个点，计算以中间点为顶点的三点间的夹角值。

步骤G3：用三点间的夹角值减去三个点的间距与工件半径的比值，得到在给定点间距离下的在当前点的归一化角度变化值。

步骤G4：将在不同点的位置和点间距离的情况下，归一化角度变化值的最大值确定为方向差异特征，从而得到毛刺缺陷。

图4示例性地示出了毛刺缺陷检测结果示意图，图中矩形框a为对有效工件图像运用工件范围比对和方向差异判定方法，得到的毛刺缺陷。

S140：对有效工件图像运用直方图分析方法，得到正面工件图像和反面工件图像。

S150：对正面工件图像运用颜色显著性和矩形特征判定方法，得到色差缺陷。

具体地，本步骤可以进一步包括：

步骤S151:对正面工件图像运用颜色统计特征和自适应分割阈值判定方法，得到色差分割图像。

下面以一具体实施例来详细说明得到色差分割图像的过程。

步骤H1：计算正面工件图像中间4/5区域内像素的YIQ(亮度色彩饱和度)的平均值作为工件的颜色标准值。

步骤H2：选择以半径为20的圆周上均匀分布的20个点为自适应邻域分析点。

步骤H3：若当前点和邻域点的灰度差值大于37或IQ空间(色调空间)的差值大于12，则当前点为候选色差点。

步骤H4：若当前点和邻域点的灰度差值大于20或IQ空间的差值大于7，则当前点的特征值(记为susan)加1，若susan值大于6，则当前点为候选色差点，并将候选色差点为前景点所组成的图像确定为色差分割图像。

步骤S152:对色差分割图像运用形态学开运算和连通成分分析方法，得到候选色差区域图像。

举例来说，在一种可选的实现方式中，本步骤可以运用形态学开运算去除噪声，然后运用连通成分分析方法得到大于用户设定值的候选色差区域。

步骤S153:对候选色差区域图像运用矩形特征判定方法，得到色差缺陷。

在步骤S153中，矩形特征是指不同尺度下极值矩形特征和方向矩形特征的最大值。矩形特征的计算可以采取如下步骤来实现：对候选色差区域图像运用中心四周差异算子，得到极值矩形特征；对候选色差区域图像分别运用0度、45度、90度和135度方向的小波矩形算子，得到四个方向矩形特征。

下面以一具体实施例来详细说明步骤S153的过程。

步骤I1：对候选色差区域图像运用中心四周差异算子，得到极值矩形特征。

在具体实施过程中，中心四周差异算子可以选择尺度为s的中心四周差异算子。

步骤I2：对候选色差区域图像分别运用0度、45度、90度和135度方向的小波矩形算子，得到四个方向矩形特征。

在具体实施过程中，小波矩形算子可以采用尺度为s的0度、45度、90度和135度方向的小波矩形算子。

图5示例性地示出了用于计算极值矩形特征和方向矩形特征的计算模板。其中，w表示色差候选区域图像的宽度，sw表示中心区域的大小，矩形特征的值等于黑色区域对应的图像亮度的平均值与白色区域对应的图像亮度的平均值的差(灰色区域不参与运算)。优选地，矩形特征是指s在0.1倍至0.3倍目标尺度取值时，极值矩形特征和方向矩形特征的最大值。本步骤分别得到候选色差区域在Y空间和IQ空间的矩形特征值。

步骤I3：若候选色差区域在Y空间(亮度空间)的矩形特征值大于第一设定值或者在IQ空间的矩形特征值大于第二设定值，则判定候选色差区域为色差缺陷。

其中，第一设定值例如可以为25；第二设定值例如可以为7；矩形特征包括极值矩形特征和方向矩形特征。

图6示例性地示出了色差缺陷检测典型结果，图中矩形框b为对正面工件图像运用颜色显著性和矩形特征判定，得到的色差缺陷。

S160：对反面工件图像运用金属范围计算，得到工件金属部分图像。

具体地，本步骤可以进一步包括：

步骤S161:对反面工件图像运用分块颜色差异分析方法，得到金属相似度图像。

下面以一优选实施例来详细说明得到金属相似度图像的过程。

步骤J1：取反面工件图像中间1/5区域内的像素作为工件的金属标准区域。

步骤J2：把反面工件图像分成16个图像块，若每个图像块中不存在金属标准区域，则返回步骤J1。

步骤J3：对每个图像块，计算其金属标准区域的YIQ的平均值作为金属颜色标准值，并将反面工件图像上的其他点的YIQ值与平均值的距离确定金属相似度图像。

步骤S162:对金属相似度图像运用有监督过渡区域分割方法、形态学开运算和尺寸滤波方法，得到金属分割图像。

下面以一优选实施例来详细说明得到金属分割图像的过程。

步骤K1：统计金属相似度图像的灰度直方图，设定金属区域的最小比例为20％，并利用ISODATA算法求得分割图像所需要的阈值，并以此分割图像，得到候选工件区域。

步骤K2：利用形态学开运算去除噪声。

步骤K3：运用尺寸滤波器去除面积小于工件图像1％的噪声，得到金属分割图像。

步骤S163:对金属分割图像运用其在极坐标系下的最外边缘和最内边缘信息，得到金属区域的内外边缘信息。

下面以一优选实施例来详细说明得到金属区域的内外边缘信息的过程。

步骤L1：以工件图像中心为原点，且角度方向均匀取720个采样点；沿着每一个采样角度方向，从外至里扫描，将第一个目标点确定为外边缘上的点。

步骤L2：以工件图像中心为原点，统计出0度、90度、180度和270度4个方向上的目标点随距离的变化情况，将第一个非零点的距离减去10确定为内边缘点的最小值。

步骤L3：以内边缘的最小值为起点，沿着每一个采样角度方向，从里至外扫描，将第一个目标点为内边缘上的点。

步骤S164:对金属区域的内外边缘信息运用最小二乘拟合方法，得到轴承密封件反面金属区域的位置和大小信息，并将金属区域的位置和大小信息所对应几何区域的图像确定为工件金属部分图像。

本步骤根据外椭圆和内椭圆的几何参数得到轴承密封件金属区域对应的图像区域。

下面以一优选实施例来详细说明得到轴承密封件反面金属区域的位置和大小信息的过程。

步骤M1：对输入的内外边缘信息做采样，初始化所有边缘点为内点。

步骤M2：将当前点设置为外点，以所有的内点为基础进行最小二乘椭圆拟合。

步骤M3：如果边缘点和拟合的椭圆的距离小于0.02，则判定边缘点为内点。

步骤M4：重复步骤M2和步骤M3直到所有的采样边缘点都被处理过，输出基于采样点的轴承密封件金属区域的位置和大小信息。

步骤M5：对所有的内外边缘信息，若其和基于采样点拟合的椭圆的距离小于0.01，则确定为内点，并利用所有内点拟合得到最终的轴承密封件金属区域的位置、长轴、短轴、倾斜角等信息。

S170：对工件金属部分图像运用亮度显著性和颜色变换方法，得到溢胶和锈蚀缺陷。

具体来说，本步骤可以进一步包括：

步骤S171:对工件金属部分图像运用亮度显著性和金属相似度分析方法，得到溢胶分割图像。

在实际应用中，本步骤可以通过以下方式来实现：

步骤N1：计算金属部分图像的平均亮度值。

步骤N2：若金属部分图像上的像素的金属相似度大于60且亮度值小于平均亮度值，则将该像素确定为溢胶分割图像上的前景点。

步骤S172:对溢胶分割图像运用形态学开运算和连通成分分析方法，得到溢胶缺陷。

举例来说，本步骤可以对溢胶分割图像运用形态学开运算去除噪声；然后，运用连通成分分析方法得到大于用户设定值的溢胶缺陷。

步骤S173:对工件金属部分图像运用颜色变换方法，得到锈蚀颜色特征。

步骤S174:对工件金属部分图像运用锈蚀颜色特征和亮度特征分析方法，得到锈蚀分割图像。

下面以一优选实施例来详细说明得到锈蚀分割图像的过程。

步骤O1：计算工件金属部分图像的平均亮度值。

步骤O2：计算颜色特征值R-G。

颜色特征值可反映出当前颜色的锈蚀程度。

步骤O3：若工件金属部分图像上的像素的颜色特征值大于用户设定值且亮度值小于平均亮度值，则将该像素确定为锈蚀分割图像上的前景点。

步骤O4：选择以半径为20的圆周上均匀分布的20个点为自适应邻域分析点，若当前点和邻域点的灰度差值大于20或IQ空间的差值大于7，则将当前点的特征值(记为susan)加1。

步骤O5：若susan值大于6，则将当前点确定为锈蚀分割图像上的前景点，并将由候选锈蚀点为前景点所组成的图像确定为锈蚀分割图像。

步骤S175:对锈蚀分割图像运用形态学开运算和连通成分分析方法，得到锈蚀缺陷。

举例来说，本步骤可以对锈蚀分割图像运用形态学开运算去除噪声；然后，运用连通成分分析方法得到锈蚀缺陷。

在实际应用中，可以预先设置用户设定值，本步骤可以得到大于用户设定值的锈蚀缺陷。

本文中，方向差异特征、矩形特征、锈蚀颜色特征、以及缺陷尺寸的判定值可以根据实际情况设定。

图7示例性地示出了溢胶缺陷检测典型结果，图中的金属外椭圆和金属内椭圆为对反面工件图像运用视觉图像处理和椭圆拟合，得到金属部分图像；矩形框c和矩形框d为对金属部分图像运用亮度显著性和分析，得到的溢胶缺陷；矩形框e为对金属部分图像运用颜色变换分析，得到的锈蚀缺陷。

本发明实施例通过高分辨率工业摄像机实时采集轴承密封件在运动过程中的图像；将实时采集的图像运用图像分割和目标关联，得到轴承密封件在摄像机视场中心时的工件图像；然后，通过工件范围计算、工件范围比对、方向差异判定、颜色显著性分析、矩形特征判定、金属范围计算、亮度显著性分析和颜色变换，得到工件中存在的毛刺、色差、溢胶和锈蚀缺陷的位置和类型，解决了轴承密封件的在线检测问题。

以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使对应技术方案的本质脱离本发明各实施例技术方案的范围。

本领域的技术人员应该明白，可以在形式上和细节上对本发明的技术思想和相关方法做各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。