基于机器视觉的滑动轴承缺陷检测系统设计

基于机器视觉的滑动轴承缺陷检测系统设计

 陈应东

浙江双飞无油轴承股份有限公司  浙江 310000

摘要：目前，滑动轴承加工制作成品后，针对部分滑动轴承内部出现压坑与划伤缺陷通过人工目测方法来判处不达标产品，不但极易发生漏检或者误检现象，且整体工作效率低下，欠缺规范性检测流程。与此同时，检测结果精准性与检测人员自身技能与知识储备有着紧密联系，从而会表现出稳定性较差。故接下来文章重点通过实践需求，从而抛出了滑动轴承内表面缺陷检测视觉检测方法。然而，机器视觉技术在轴承检测中重点以轴承尺寸与表面质量为核心，详尽解析通过计算机收集的轴承图像，尤其针对轴承内表面压坑、毛刺。划痕等问题展开辨别，同时取得了良好效果。

关键词：机器视觉；滑动轴承；缺陷；检测系统设计

    当前，传统滑动轴承加工制作中，基于滑动轴承内侧检测表现出速率慢、智能化水平低下、精准度较差等一系列问题。随后依据机器视觉技术来顺利完成轴承体内表面的自动检测功能，且通过实验检测设计平台截取了轴承内侧图像，随后依据形状模板来分配计算方法，从而更好的匹配预处理后的图像，结果较快完成目标物体与缺陷范围位置精准锁定。而要想获取滑动轴承缺陷，并抛出了区域灰度值图像分割方法与形态学处理特征方法。最终通过大量实践表明，全新检测系统与传统检测方法比较，其优势更加突出，并为滑动轴承内表面检测未来发展指明了方向。

一、滑动轴承缺陷自动检测系统组成分析

（一）自动检测系统硬件系统组成分解

1.1相机与镜头

    如何满足检测精准度与高品质图像采集需求，针对不同硬件主要参数的筛选至关重要。首先，工业相机为收集图像的主要仪器，且为机器视觉系统设计中主要构成组件。因此，需严格按照相应检测标准以及现场实际情况，从而更好的明确缺陷最小值是0.1mm，工件内部直径25mm，以及外部直径27mm，且工位合理区间要小于150mm，而相机类型挑选要重点关注下述几个方面：第一，面阵或线阵相机，其中1XN方式排列为线阵相机芯片，而MXN方式排列则为面阵相机芯片，随即形成了MXN个像素点矩形图像。二者不同之处在于线阵相机比较适合不间断生产，以及精密度检测标准较高情况下；而面阵相机则更适合应用于单独产品扫描后拼接成面阵图像。第二，工件运行与静止，当检测工件运行时长较少情况下被认定为静止状态，故选择拥有CMOS芯片工业相机。且工件内部直径25mm，外部直径27mm，芯片最佳比例为4:3，暂时视野大小规格是40mmx30mm。第三，分辨率，要想确保检测精准度以及平稳性，假设利用三个像素点代表了最小缺陷，即芯片短边像素900，以至于相机靶面短边像素点要大于900为宜。第四，彩色或黑白相机。绝大多数情况下彩色相机要利用Bayer滤波方法，通过紧邻三个像素点形成的，其缺点为在尺寸与缺陷检测来讲精准度较差，故通常会以黑白mono相机所替代。其次，镜头作为光学设备，并聚焦光线在摄像机内形成图像，从而更好的展现出被测物体的细微之处。而要想呈现较为完整的视觉系统，则必须重点关注镜头主要参数与光学零配件质量因素。故要重点关注下述几个方面：第一，镜头种类挑选，针对选心镜头来讲，通常被利用在测量不同平面且有厚度的物体上，且FA镜头费用投入较大，但能较好符合瑕疵检测执行标准。第二，镜头接口，最佳适配c接口相机。第三，镜头靶面尺寸，要想规避图像四角发生黑色无法显示区域，故相机的靶面尺寸小于镜头靶面尺寸，最佳尺寸为1/1.8 英寸。第四，镜头光谱特性，因为白色面与蓝色点光源归属于可见光源，所以选配可见波段镜头。

1.2光源种类挑选

    如何才能确保照明效果稳定性，故光源的照明条件、适合亮度及其照明区域光亮均匀等综合环境至关重要。因此，通常使用频率较高的机器视觉光源为光纤卤素灯、高频荧光灯和LED光源等，其中设计灵活性强，使用周期长，且反应速度快且平稳，性价比较好的是LED光源。但为了获取较高清晰度与对比度较好的图像，达到相关检测执行标准，故挑选金属表面缺陷响应显著8mm蓝色光源，工件正对光源，且挑选50mmx50mm白色面光源安放在工件后面完成补光工作，随后依据实践状况微调间距，方才能采集高质量的检测图像。

1.3计算机

    其重点来实现算法处理及其结果显示，且为陆续终端控制系统传送指令，但要想有效提升图像处理软件载体的质量与速度，则优先挑选高性价比，且平稳性较强的工控机。

（二）自动检测系统软件设计系统组成分解

    自动检测系统软件设计系统中相机模块可实现相机SDK调用，非常高效的完成了整体系统图像收集工作内容；而通信模块则较好实现了串口通信与下位机系统之间信息沟通；最后图像处理模块可完成HALCON编程研发工作，并主要承担起图像采集后的分析与处理，随之形成报告回传至通信模块。

二、滑动轴承缺陷自动检测系统软件计算方法设计

（一）基本方案原理

1.1不同形状模板匹配

    轴承零件在机械传送带上连续震动，结果必然会影响视场中位置的移动，基于此，采集图像检测缺陷中极易发生误检与漏检问题，故优先针对图像完成精准定位，方才能更加精准处理后期图像收集工作。其一，推断轴承件是否有预防形成误检的方法；其二，收集精准锁定位置数据与模板位置数据，方才能推断出仿射变换矩阵，并针对检测ROI完成平移与旋转操控。然而，不同形状模板匹配重点基于等待检测图像中探寻出目标物体的过程，且在机器视觉使用中极为关键。但在常用不同形状模板匹配计算方法中基于形状模板匹配的稳定性加强，且不会被遮蔽、混乱与非线性光照干扰，尤其在低对比度图像中作用更为突出，可精准定位目标物，此计算方法弥补了其他算法的缺陷。但在具体执行不同形状模板匹配过程中，优先确立某个轴承体对象模板点集= (,)T，其跟不同点连接的方向向量= (,)T，i=1，…，n。随后完成收集图像的模拟搜索工作内容，且把不同图像中的点（r，c）计算方向向量= (,)T，并在目标对象完成匹配中，利用仿射矩阵A来完成模板图像变换，随后对比准备检验图像，原始点通过A变换成了=A，及其相关方向向量=。其中图像特定点q=(r，c)T位置，通过全部点相关联地方向向量跟等待检验图像关联点位置方向向量点积总和当作变换后模板q位置相似度量s。S=，s=。当光照情况不断变动，需将指定阈值植入相似度量当中，从而确立模板有没有发生待测图像中需针对相似度量定义适合范畴。但却在模坑研究中，要想获取精准且快速搜索神练，随之利用镇用图像金字水完成分层探索，由金子水高层往下层推进，并摸排出模坑大概方位，紧接着利用次高层图像在模糊范畴内作出精准搜索，进一步提升工作效率。

1.2图像形态学处理

   针对轴承徐阮与鸿雁实施预处理之后图像完成形态学操作的手段至关重要，然而，众多形态学计算方法的基础为累慢与腐蚀两种原始操作。其中漏缩或细化操作为腐蚀，而增长或粗化图像中物体操作为累慢。而有所区分的形态学处理效果，其与结构元选滑以及操作方法带配之间有着紧密联系，而A和B是的集合，其中B表示结构元素，针对工作空间中A完成腐蚀定义：A㊀B={z|∈A}，紧接着完成累慢定义：A济B= {z|、∩A[ ∈A}。从二者上述定义配合作用显现出，构成了非常关键的形态学操作，其一为开操作，即先腐蚀后累慢，且能断开较急缝阈，同时平苏物体电割摒除细微硬出物；其二，患操作，即先累慢后腐蚀。且可软充较急间断，同时将软痕电割线中断裂小孔洞摒除，基于此，以上方式可针对轴承开口四周形成徐阮和鸿雁处理效果显著。

（二）计算方法实现

2.1创建模坑

   收集一张标准图像被当作模坑资源在创建模坑进程中至关重要，由此需要重点关注两大原则：第一，挑选的边采数量越少且越长越好，第二，无关废厂边采越少且关凹边越多最佳。然而，在创建模坑前期，率先做好图像初步预处理工作，极为摒除图像镇集中噪音的形成，可优先选择计算领域均值线性滤琦器，从而更好的完成图像中细微噪音废厂，结果创建鲁棒性高的模坑滤琦效果，同时图像中内部面繁色的细小废厂已摒除，已建好的模坑区域中方框区域，当中圆圈位置是废厂边采，摒除之后产生了稳定模坑区域，随之完成图像金字水登记选滑方面可完成图像金字水三层与四层，随后边采模糊，优先保证位置精确性与速度状况下，选择滑三层图像金字水来创建依据形状的模坑模型。并且在模坑图像上完成检测ROI，从而降低图像夹具干扰，出错率与检测时长大幅度下降，得到的ROI中心位置随模坑位置移动。

2.2图像预处理与定位

    毕竟图像生成进程中，必然因系统中不同原因废厂生成的随机性图像噪音，不光会干扰图像质量，同时对于缺陷辨别形成废厂实验结果有一定影响。以至于在完成后续图像操作前，有针对性实施原始图像降噪处理，最佳方法为线性均值滤琦器来完成，从而更好的完成图像初步处理。然而，要想进一步提升系统逻陈刺断能力，且预防生产中部分产品未放置到夹具上的状况，从而造成系统误刺，随后有针对性的完成图像模坑毛配中的企找模坑功能，更好的刺断剥存在物体，随后利用刺断毛配模坑点的值来剥存在来刺断物体是剥已放置在夹具上，假设无法进入下一次镇图，随之可完成后续操作。

2.3图像分割

    通过轴承缺陷区域的图像完成预处理，随即把背景区域中分离开来。然而，在图像分割计算方法中，如何完美达成目标和背景分割，则需通过灰度值大小或特性差异化来得到阈值处理，且为简便、直接、快速的图像分割方式。接下来重点解析全局灰度值的阈值分割方法，并通过检测ROI，却获得了整体区域灰度数值及其方差，按照区域灰度均值来当作阈值处理主要阈值Tm，既得公式为g（x，y）=，并举例以剥落残次品，且利用相应方法获得了阈值分割，随后区域要完成连通性分析，且依照面积特征要求完成特征提取，从而更加优质的挑选出感兴致的轴承内表面区域。

2.4区域处理

    区域处理具体指分开处理收集图像当中符合部分特征随意像素点集中区域实现处理，且精准锁定缺陷区域定位，通常被利用在区域形态学处理与运算当中。随后要获得区域差运算结果，则需优先处理边缘处差异数值，且优先针对轴承内部缺陷优先针对填充前后区域完成差值运算，随之完成输出结果整合工作内容。

2.5特征提取

通常将确立特征的进程被当作特征提取，尤其某区域或轮廓中被锁定的某个或多个特征量为特征，其特征量的挑选与检测计算方法设计跟精准性与可靠性息息相关。然而，针对轴承缺陷检测特征挑选参考值标准为区域面积与坐标，不光能够轻易排除部分影响噪点，同时把不属于轴承内侧缺陷问题规避掉，从而更好的完成特征提取工作内容。但要想精细化分提取得到的缺陷，需利用区域特征分类方式，进一步比较缺陷特征差异化，随之将提取的缺陷按照特征划分为不同类型。

（三）滑动轴承缺陷自动检测系统设计实现结果与解析

   如何验证滑动轴承缺陷自动检测系统算法的严密性与精准性，故任意挑选了一百个轴承来当作测试对象，随即通过了人工检测与机器检测不同操作来全盘解析二者算法测试结果，而从中也不难发现，其中某个轴承出现了不同种类的缺陷问题，尤其针对凹坑检测当中，人工检测数目与实际检测数据之间的数量差较为明显。对比机器检测得出结论，人工检测会受到主观原因干扰，且不稳定性较高，尤其针对凹坑此及其细小的缺陷问题，人工检测结果偏差的机率大大增加，相比机器检测的精准度更为理想，同时缺陷检测执行标准较为统一，进一步保证检测结果的可靠性。但通过其他划痕、毛刺、剥落、良品检测结果分析，二者差异比较小，但通过机器检测的整体工作效率大幅度提升，综上所述，机器检测对比人工检测的综合精准度与效率明显更加突出，势必会成为未来轴承缺陷检测的主要发展方向。

总结

总而言之，在机械领域中，将滑动轴承作为基础传送件使用频率较高，故通过传统人工检测方式势必会造成零配件不同程度损坏，且整体工作效率与精准度大幅度下降。因此，文章基于机器视觉的滑动轴承缺陷检测系统设计，深入探讨了有关图像计算方法，尤其针对轴承内表面出现的划痕、凹坑等不同缺陷完成有效的检测辨别工作，且通过大量实验印证，机器检测优势较为明显，不光能够大幅缩减费用支出，同时也极大提升了出产产品质量，为滑动轴承内表面检测未来发展指明的方向。

参考文献

[1]刘瑞媛,茅健,陆文超.汽车精密零件外观缺陷视觉检测方法研究[J].计算机与数字工程.2021,(2).

[2]马家骏.基于多源域迁移学习的轴承表面缺陷视觉检测技术研究[D].2022.(3).

[3]刘德志,曾勇,袁雨鑫,等.基于机器视觉的火车轮对轴端标记自动识别算法研究[J].现代制造工程.2022,(7).