一种基于图像视觉的轴承表面瑕疵检测方法与流程

本发明涉及图像处理技术领域，具体涉及基于图像视觉的轴承表面瑕疵检测方法。

背景技术：

轴承在工业设备、家用电器上必不可少，应用非常广泛，具有重要地位。然而带有缺陷的轴承会降低使用性能、损坏机器甚至出现事故，因而其产品合格非常重要。当前，随着工业自动化趋势进展，轴承生产企业迫切需要缺陷自动检测技术，以满足市场需求实现高效益。随着图像处理技术的蓬勃发展，基于机器视觉的轴承表面缺陷检测技术研究越来越深入，现有一些复杂的图像处理技术使得检测效率低，因此急需一种检测方法，使得在保证检测效果的前提下，尽量减小检测算法的复杂度，同时又具有非接触、不干扰生产过程的特点，这样的方法才具有很好的实用推广价值。

技术实现要素：

针对滚动轴承生产装配过程中出现的缺失滚动体、铆钉的问题，本发明提供了一种基于图像视觉的轴承表面瑕疵检测方法，具体技术方案如下。

一种基于图像视觉的轴承表面瑕疵检测方法，其包括如下步骤：

1、将采集到的图像读取到计算机内存，对轴承图像进行预处理，将色彩空间从RGB转换到LAB，取A分量图作为下一步处理对象；

2、对上一步取得的图像进行二值化处理，通过对比分析，决定采用具有统计意义上最佳分割的OTSU算法进行阈值选取，进行二值化分割。

3、二值图像区域标记。通过对二值图像中白色像素(也即目标)的标记，使它们分别形成一个个被标识的块，进一步去获得这些块的质心、面积、圆度值等参数。

4、边缘检测。对二值图像进行边缘检测是为进行下一步处理，它可以大幅度减少数据量，而只保留轴承图像必要结构属性。经过对比分析，选择Sobel算子处理即可以满足需求。

5、霍夫变换检测圆，本发明利用Hough变换获得轴承内圆圆心和半径参数。

6、缺失判断：(1)铆钉缺失判断，采用的办法是把内外圈之间的圆环截取出来，进行区域标记之后，对每个标记的块进行圆度值的检测，圆度值也即接近圆形的程度，此为判据1；接着获取区域像素面积，设定阈值T进行对比，此为判据2；二者结合共同判断是否存在铆钉缺失。(2)滚动体缺失判断，判断方法采取分别截取内、外圆环，获取每个连通的圆环小区域的像素面积，正常情况下，每个圆环区域面积近似相等；若出现漏装滚动体的情况，则圆环区域面积明显会比正常情况下大接近一倍。将所得每个圆环面积与预先设定的阈值T比较，若大于T，面积异常，此为判据1；将内、外圆环面积异常位置进行对比，若内、外圆环面积异常部位一致，此为判据2，此时可以判断缺失滚动体。

与现有技术相比，本发明具有如下优点和技术效果：本发明对事先采集好的轴承图像进行处理，并最终识别缺陷，实现高准确率、高效率的自动检测。该发明结合机器视觉技术应用在轴承生产行业，可以满足企业需求，为企业带来很大的效益。本发明选用了非常简单的基于像素灰度值处理的算法，在保证检测效果的前提下，较好地控制算法的复杂度，尽量减小检测算法的复杂度。本发明能够实现轴承表面缺陷的自动检测及识别，因为具有非接触、不干扰生产过程的特点，具有很好的实用推广价值。

附图说明

图1为示范采集的缺陷轴承图像。

图2为转换色彩空间后获得的A分量图。

图3为otsu方法获得的二值图像。

图4为二值图像的连通区域标记图。

图5为二值图像的边缘检测结果图。

图6为Hough变换检测圆心及半径标记图。

图7为圆度值标记以及判断铆钉缺失处理图。

图8为截取内圆环区域标记判断滚动体缺失图。

图9为截取外圆环区域标记判断滚动体缺失图。

图10为判断结果综合标记示意图(滚动体缺失和铆钉缺失)。

图11为基于图像视觉的轴承表面瑕疵检测方法的流程示意图。

具体实施方式

下面结合附图和示范图实例对本发明进行详细的描述，需指出的是，以下若有未特别详细说明之过程或参数，均是本领域技术人员可参照现有技术实现的。

如图11，基于图像视觉的轴承表面瑕疵检测方法，包括：

1、首先将图像信息直接读取到计算机内存。由于彩色图像常用的RGB三颜色模型中两点间的欧几里德距离(Euclidean distance)与颜色距离呈非线性关系，不便于进行后期处理时的图像的二值化，而在LAB色彩空间中，颜色之间视觉上的距离与颜色坐标上的欧几里德距离成正比，具有一定距离的两点之间的色彩均匀分布。将RGB图像转换成LAB颜色空间图像，LAB颜色空间各个颜色分量的自相关性最小。处理图像后发现A分量图像背景与目标有较强的对比度。因此采取A分量图进行处理。

2、经过Lab空间转换处理后，图像的对比度较强，灰度直方图上峰与峰之间的距离明显，便于选取分割阈值及后续图像二值化。OTSU算法是在灰度直方图的基础上采用最小二乘法原理推导出来的，具有统计意义上的最佳分割，它是一种自适应的阈值确定方法，以最佳阈值将图像的灰度值分割成两部分，使两部分之间的方差最大。本发明中采用此法即可取得良好的二值化效果图。

3、对上一步取得的二值图像进行连通区域标记，本发明使用图像处理工具中的连通区域标记函数，处理后显示为附图4的伪彩色索引图像，再使用图像分析函数，获得标记矩阵的每个区域的面积、质心。

4、本发明使用Sobel算子进行边缘检测。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。Sobel边缘检测算法比较简单，实际应用中效率比Canny边缘检测效率要高，虽然边缘不如Canny算子检测的准确，但是很多实际应用的场合，Sobel边缘却是首选，尤其是对效率要求较高，而对细纹理不太关心的时候。正好适合处理要求，效果良好，见附图5。

5、本发明使用Hough变换法，获得轴承内圆圆心和半径。Hough变换是图像处理中从图像中识别几何形状的基本方法之一。Hough变换利用点与线的对偶性，将原始图像空间的给定的曲线通过曲线表达形式变为参数空间的一个点，把原始图像中给定曲线的检测问题转化为寻找参数空间中的峰值问题。也即把检测整体特性转化为检测局部特性。上一步用Sobel算子提取边缘图像，接下来在边缘曲线上进行Hough变换检测圆。

6、缺失判断

(1)铆钉缺失判断：采取的办法是把内外圈之间的圆环截取出来，检测圆度值，即接近圆形的程度，越接近圆则越可能是铆钉缺失处；再经过扫描连通区域像素面积，预先根据铆钉面积设定一个合理的阈值，若圆度值接近1的白色区域，像素面积又超过此阈值T，双重判据下判断存在铆钉缺失。小于阈值T则认为是噪声、误差。圆度值标记及缺失与否标记图见附图7。

(2)滚动体缺失判断：采取的方法是分别截取内、外圆环，用图像分析函数获取每个圆环连通小区域的像素面积。分析得知，合格轴承的内、外圆环每个连通小区域面积是近似相等的；如果出现漏装滚动体的情况，则缺失处的连通区域面积明显会比其它区域面积大一倍左右。同铆钉判断，预先根据合格轴承图像的圆环连通小区域面积设置一个合理的判断阈值T，将所得每个连通区域面积与该阈值T比较，若大于T，则面积异常，给予标记；内、外圆环分别标记之后，对比标记位置，如果内、外圆环异常部位一致，则可以判断缺失滚动体。图10为判断结果综合标记示意图(滚动体缺失和铆钉缺失)。

考虑到缺陷检测实际的应用背景，在设计算法时摒弃了一些复杂的图像处理技术，选用了非常简单的基于像素灰度值处理的算法，在保证检测效果的前提下，较好地控制算法的复杂度，尽量减小检测算法的复杂度。本发明能够实现轴承表面缺陷的自动检测及识别，因为具有非接触、不干扰生产过程的特点，具有很好的实用推广价值。利用otsu算法选取的阈值对轴承表面的图像进行二值化分割，再进行Hough变换确定图像中的轴承位置、尺寸信息，实现了自动测量。

本发明中应用了各种图对具体实施方式进行了阐述，以上所述仅为本发明较佳可行的实施例子而已。对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均有改善之处。综上所述，本说明书内容不应理解为对本发明的限制。