本发明涉及轴承检测技术领域，尤其涉及一种基于视觉的轴承缺陷检测系统装置。
背景技术：
滚动轴承是一种精密的机械元件，其加工精度要求相对较高，是机械设备组成的重要部件之一，滚动轴承的运行状态直接影响设备的精度、稳定性和寿命。因此，轴承检测技术在轴承加工过程中占有非常重要的地位。
目前国内轴承的检测技术及检测仪器相对落后，绝大多数的仪器为机械式，并通过标准件进行对比测量。传统的检测手段，检测精度差，效率低，主观性强，而且不具备信息化条件，不能实现在线实时检测。
技术实现要素：
本发明的目的是为了克服传统轴承检测效率低，精度差的缺点，提出一种将视觉检测与振动信号检测相结合的方法可以快速全面有效的实现轴承的缺陷检测，不仅精度高而且成本低。
根据本发明提出的技术方案，实现轴承缺陷识别步骤如下：
1.轴承由上料口到达指定位置，机械手臂12将轴承放置于视觉检测旋转轴台22上，plc控制器9控制轴旋转数周带动轴承旋转，此时水平ccd相机15和垂直ccd相机3进行采集轴承图像，机械手臂12将轴承翻转180°，垂直相机继续采集图像。采集完毕后，机械手臂将轴承送入振动信号采集环节进行检测；
2.进入振动信号采集环节，当轴承被机械手臂置于轴台上，plc控制旋转圆盘8以带动轴承旋转，此时接近开关17触发pc端控制数据采集卡21利用加速度传感器19进行数据采集。采集完毕后，轴承进入分拣环节；
3.根据步骤1和步骤2的处理计算结果，对轴承进行分拣，合格轴承进入合格通道，等待出厂；不合格轴承进入不合格通道，进行剔除。
所述步骤1采集的图像处理方法如下：
轴承的图像处理首先对图片进行灰度处理和中值滤波和二值化预处理；针对滚动体缺失问题如图3(a)，采用hough圆提取方法对轴承进行定位，完成轴承定位后，采用极坐标展开方法来提取到滚动体缺失的特征信息如图4；针对轴承端面缺陷如图3(b)，对经过二值化处理的轴承图像，进行边缘检测处理，对图像进行快速定位与分割，最后采用8连通域标记法进行缺陷特征提取。针对防尘盖面缺陷如图3(c)，对预处理后的图像先分割出防尘盖和轴承表面区域，利用otsu阈值分割和roberts边缘提取处理图像，每2°统计值为1的数目点，与正常轴承进行对比，求出相差角度，由此将防尘盖的字符和非字符区域分离，提取防尘盖特征；针对铆钉未铆合完全问题如图3(d)，首先对经过预处理的轴承图像进行定位，找出铆钉，除去背景，计算铆钉的面积从而提取铆钉特征。将提取的所有图像特征组成特征矩阵，利用最小二乘支持向量机建立定性模型。将经过特征提取的样本信号经过ks分割算法分为校正集和测试集，校正集用于定性模型的建立，测试集用于模型的验证。确定模型后，运用模型对采集到的待测轴承信号进行识别是否存在滚动体缺失、防尘盖缺陷、端面缺陷和铆钉缺陷等。
所述步骤2采集的振动信号处理方法如下：
轴承振动信号的处理方法是利用emd分解包络谱分析结合最小二乘支持向量机来实现滚动轴承的故障诊断。emd将原始轴承信号如图5分解为由高频到低频的固有模态函数(imf)，由于其主要信息包含在高频部分，于是选取前4个包含轴承故障频率的固有模态函数进行包络分析，采用每个分量的特征频率和轴承的时域特征作为轴承的故障识别特征，结合最小二乘支持向量机建立轴承的故障识别的定性模型。
所述的emd分解，其分解的imf函数随着被分解信号变化而变化，自适应选择频带。其固有模态函数可以是线性的，也可以是非线性的。imf函数的获取是通过emd进行分解筛选出来的。其分解过程如下：
(1)将获取的所有局部极大值用三次样条插值函数插值形成上包络，同样用局部极小值通过插值形成下包络。原数据减去上包络和下包络的平均值m1得到h1：h1＝x(t)-m1；
(2)由于通常情况下h1不是分量函数，需要把第一次的h1看做数据，m11为h1的包络平均，再次分解筛选：h11＝h1-m11，若h11还存在局部极大值在零点以下，重复分解计算，h1k＝h1k-1-m1k，直到符合imf条件为止，把分离出来的第一个imf函数记为c1；
(3)由上面分解筛选过程可以看出c1包含了原信号数据的最小尺度或划分最短周期成分。把原始数据x(t)减去第一个分量函数c1，则得到残余r1：r1＝x(t)-c1，将r1作为原始数据，重复以上步骤，得到c2。重复n次，得到n个分量函数cn，于是：r2＝r1-c2,...,rn＝rn-1-cn，当rn为一个单调函数时，则停止分解，因为单调函数不能再分解出imf函数。由此，可得：
如图6为经过emd分解得到的前四个分量函数。
所述包络谱分析，其对每个imf分量函数包络谱分析步骤如下：
（1）对imf分量函数作hilbert变换，即：
(2)构建解析信号在z(t)，即：z(t)＝ci(t)+jh[ci(t)]；
(3)解析信号在z(t)求模即可得到包络信号b(t)：
(4)对包络信号进行分析，即可得到imf的包络谱。
如图7为经过包络分析得到的包络谱图。
所述利用最小二乘支持向量机建立定性模型，其过程是将提取的时域和经过包络谱分析得到的特征频率组成的特征矩阵。将经过特征提取的样本信号经过ks分割算法分为校正集和测试集，校正集用于定性模型的建立，测试集用于模型的验证。确定模型后，运用模型对采集到的待测轴承信号进行识别是否存在内圈故障、滚动体故障和外圈故障。
本发明专利技术的有益效果：
1.本发明将视觉检测和振动信号检测结合在一起可以准确快速全面的识别出轴承的缺陷，克服了传统检测手段精度低，效率低和成本高的缺点。
2.本发明利用plc与pc机控制整个检测流程，可以实现自动化检测。同时操作简单易懂，不需要专业的技术，适合产业化生产，具有很强的市场竞争力。
3.本发明可以有效的实现轴承的智能检测，实现企业由传统的靠人工检测转向机器智能检测，将企业由劳动密集型转向技术型，实现企业的转型升级，符合国家产业政策要求。
附图说明
图1是一种将视觉检测方法与振动信号处理方法相结合识别轴承的缺陷类型的检测系统装置结构图；
图2是一种将视觉检测方法与振动信号处理方法相结合识别轴承的缺陷类型的检测系统装置结构图；
图3是轴承缺陷图，(a)为滚动体缺失图，(b)为端面缺陷图，(c)为防尘盖缺陷图，(d)为铆钉铆合缺陷图；
图4是轴承经极坐标展开图；
图5是四种状态的轴承原始信号图；
图6是轴承四种状态经过emd分解的前四个imf分量图；
图7是轴承四种状态前四个imf分量包络谱图。
具体实施方式
下面结合附图对本装置具体实施方式做一说明：一种将视觉检测方法与振动信号处理方法相结合识别轴承的缺陷类型的检测系统装置，由电动机1、传送带2、垂直工业ccd相机3、水平工业ccd相机4、支架5、机械手臂6、导轨7、旋转圆盘8、plc控制器9、主机10、工作台11、机械手臂12、同轴光源13、轴承14、线光源15、水平台16、光电接近开关17、轴台18、加速度传感器19、液晶显示器20、数据采集卡21和旋转轴22组成。
当装置在工作时，轴承由传送带运往待检测位置由机械手臂12搬运至旋转轴22上，垂直ccd相机3,采集图像，轴承在旋转轴上自旋时，水平ccd相机4采集图像，接着机械臂12将轴承翻转，垂直相机3继续采集图像；图像采集完成后，机械手臂6将轴承搬运至轴台18，此时旋转圆盘8自旋带动轴承旋转，光电接近开关17触发程序驱动数据采集卡21，使安装在轴台18上的加速度传感器19采集旋转轴承的振动信号；采集到轴承图像和振动信号后，装有matlab程序的pc主机11对采集到的数据进行处理并识别出轴承的缺陷。整个流程的机械动作都是由plc控制器9控制的。