軸承套圈端面缺陷在線視覺檢測(cè)的研究與實(shí)現(xiàn)

針對(duì)軸承生產(chǎn)企業(yè)套圈生產(chǎn)過程中普遍存在端面缺陷的問題與人工目檢的現(xiàn)狀，提出了基于機(jī)器視覺的軸承套圈端面缺陷在線檢測(cè)方法。首先，對(duì)套圈圖像預(yù)處理后進(jìn)行邊緣檢測(cè)，采用四連通域定位套圈端面區(qū)域；其次，采用最小二乘法擬合端面輪廓以判別外形缺陷，采用極坐標(biāo)變換將套圈環(huán)形端面拉伸成矩形，采用Sauvola局部二值化算法對(duì)矩形圖進(jìn)行缺陷分割，并通過坐標(biāo)系反變換與雙線性插值法將缺陷圖轉(zhuǎn)換回環(huán)形圖；最后，根據(jù)提取缺陷的圖像特征完成缺陷的識(shí)別與分類?，F(xiàn)場(chǎng)測(cè)試表明，套圈端面檢測(cè)系統(tǒng)的整體識(shí)別準(zhǔn)確率達(dá)98.6%。

軸承是保證機(jī)械裝備回轉(zhuǎn)精度不可或缺的基礎(chǔ)部件，軸承套圈在經(jīng)過平面磨削加工后，其端面可能依然存在鍛廢、大小邊、磕碰傷、車廢、磨傷、黑皮等外觀缺陷。如果套圈端面存在缺陷，其作為外圓無心磨等后序工位的定位面，勢(shì)必影響加工精度和軸承的回轉(zhuǎn)精度，可能導(dǎo)致軸承使用過程中產(chǎn)生噪聲和振動(dòng)，從而加速磨損，甚至引發(fā)機(jī)器故障。另一方面，端面缺陷套圈進(jìn)入后續(xù)工序加工后剔除或成品進(jìn)入市場(chǎng)后召回，都會(huì)給企業(yè)帶來物資與人力成本的極大浪費(fèi)。因此，必須在平面磨削加工后將缺陷品剔除，避免流入后續(xù)工序。

目前，大多企業(yè)仍憑借質(zhì)檢員肉眼與主觀經(jīng)驗(yàn)對(duì)套圈進(jìn)行鑒定與判斷，質(zhì)檢結(jié)果易受人為因素影響，檢驗(yàn)標(biāo)準(zhǔn)難以保持一致，穩(wěn)定性差且易漏檢。機(jī)器視覺具有精度高、效率高、實(shí)時(shí)性好等優(yōu)點(diǎn)，是替代人工檢測(cè)的有效方法，例如：文獻(xiàn)[2]采用改進(jìn)Otsu方法進(jìn)行閾值化處理，利用八連通域標(biāo)記識(shí)別技術(shù)實(shí)現(xiàn)了軸承端面的非接觸檢測(cè)；文獻(xiàn)[3]利用紋理單元解決了空氣軸承表面變化的光照強(qiáng)度影響圖像采集的問題。

在上述研究的基礎(chǔ)上，本文提出一種軸承套圈端面缺陷在線視覺檢測(cè)方法，采用四連通域、種子填充算法定位檢測(cè)區(qū)域，Sauvola局部二值化算法進(jìn)行圖像分割，并基于多特征的外觀缺陷識(shí)別方法判別缺陷。

1、光源選擇與檢測(cè)區(qū)域定位

1.1 光源選擇

光源是視覺檢測(cè)系統(tǒng)不可或缺的組成部分，直接關(guān)系到成像質(zhì)量。良好的照明方式可以凸顯目標(biāo)區(qū)域的特征，減輕圖像處理工作量。

端面缺陷檢測(cè)成像面為圓環(huán)形金屬端面，具有一定的鏡面發(fā)射效應(yīng)，且被測(cè)套圈尺寸跨度大，故采用球積分漫反射無影照明方式，照射面積大，光線集中且照射均勻，不會(huì)形成鏡面反射，如圖1所示。

圖1 球積分漫反射無影照明

Fig.1 Spherical integral diffuse reflection shadowless illumination

1.2 圖像預(yù)處理

圖像捕獲過程中存在的噪聲與干擾會(huì)降低圖像質(zhì)量，增加后續(xù)邊緣檢測(cè)與圖像分割的難度因此，需要對(duì)原始圖像進(jìn)行一定的預(yù)處理，消除圖像中的噪聲與干擾，均值濾波、高斯濾波、中值濾波的對(duì)比效果如圖2所示。由于端面環(huán)形區(qū)域外為背景區(qū)域，灰度值較低，均值濾波處理后的環(huán)形區(qū)域明暗對(duì)比變?nèi)?，圖像也變得模糊；中值濾波處理后的端面邊緣部分被黑色區(qū)域影響，邊緣細(xì)節(jié)丟失；而高斯濾波由于加權(quán)平均的特點(diǎn)，在去除噪聲的同時(shí)可以很好地保留圓環(huán)及其邊緣的細(xì)節(jié)。針對(duì)套圈端面區(qū)域與背景區(qū)域?qū)Ρ容^大，并且需要檢測(cè)出細(xì)小缺陷的特點(diǎn)，選取大小為3×3，標(biāo)準(zhǔn)差為1的濾波窗口進(jìn)行高斯濾波。

圖16 磨傷缺陷判別示意圖

Fig.16 Discrimination diagram of wear defects

3、試驗(yàn)結(jié)果及分析

為驗(yàn)證端面缺陷檢測(cè)算法的可靠性，在如圖17所示的檢測(cè)線上對(duì)軸承套圈端面進(jìn)行缺陷檢測(cè)，選取外徑150 mm、內(nèi)徑90 mm 的33118型軸承套圈樣本1 000個(gè)，其中合格品400個(gè)、外形缺陷樣品200個(gè)(含大小邊、磕碰傷)、車廢樣品200個(gè)、磨傷缺陷200個(gè)。

?

另外，對(duì)不同型號(hào)的套圈也進(jìn)行了多次檢測(cè)，識(shí)別準(zhǔn)確率較高，誤漏檢率較低，響應(yīng)時(shí)間較短，并能實(shí)時(shí)統(tǒng)計(jì)被檢測(cè)套圈的型號(hào)、數(shù)量、合格率、缺陷種類等數(shù)據(jù)，滿足企業(yè)生產(chǎn)在線檢測(cè)要求，可以替代人工實(shí)現(xiàn)檢測(cè)。

4、結(jié)束語

本文研究并實(shí)現(xiàn)了套圈端面缺陷在線檢測(cè)算法，利用四連通域確定套圈端面區(qū)域，采用最小二乘法擬合套圈輪廓進(jìn)行大小邊和磕碰傷的判別；提出了圖像極坐標(biāo)變換將套圈環(huán)形拉伸為矩形，利用Sauvola算法進(jìn)行圖像局部閾值分割，通過極坐標(biāo)反變換與二次插值法將缺陷區(qū)域變換回環(huán)形區(qū)域，基于多特征的外觀缺陷判別方法能夠根據(jù)各類缺陷的特點(diǎn)對(duì)圖像特征進(jìn)行比較實(shí)現(xiàn)缺陷判別。試驗(yàn)表明該算法的檢測(cè)準(zhǔn)確率高，能夠有效減少漏檢或誤檢，并且能實(shí)時(shí)統(tǒng)計(jì)缺陷種類等數(shù)據(jù)。