摘要：针对机械加工零件表面质量检测的特殊性，提出了基于机器视觉的缺陷检测方法，并设计了一套完整的缺陷自动检测系统。利用视觉检测技术代替人工检测的方法对机械加工表面进行缺陷检测，从而可以快速的获得高精度，高准确度的测量图像。利用CCD传感器获得清晰的零件图像，然后通过预处理算法对图像进行去噪处理。通过聚类方法快速定位检测区域，并利用目标识别的方法对零件表面的缺陷进行灰度值的定位检测，分辨出不合格的区域。
关键词：机器视觉；缺陷检测；图像处理；
引言
机械加工的工件的表面缺陷有很多种，其中包括加工中的划痕损伤、材料本身的加工缺陷、油污、裂纹以及认为碰撞损伤等等。在针对这类的缺陷进行测试时，通常是利用人工方式进行肉眼的检测，但这类的方法很难标准化，依赖人的主观方式进行判断，检测误差较大，并且漏检与误检的概率很高。人为检测的效率低时间长，当人到达疲劳状态时会对检测结果造成错误判断，检测过程中工具也会对工件本身造成一定程度的二次伤害。针对许多特种机械传动零件如轴承与齿轮此类形状特殊的零件更是只能使用肉眼的测量方法针对缺陷进行检测，在此种检测方法中更多的依靠人眼的感官和视觉敏感度，在某种程度上依靠工人的检测经验来检测诸如：转配表面的油污、表面的裂纹。在这种检测中还要依靠一些辅助光源进行照射，以较强的光线照射轴承，以此方法突出零件表面的缺陷，在特殊的运动面上也只能进行简单的抽检进行运行测试。
1检测原理与系统方案
1.1检测原理
机器视觉可由单个或多相机在不同的位置或也可在同一位置不同方向对被测物体进行图像采集。通过快速图像采集形同转化为数字信息，并利用图像处理系统进行底层快速处理从而得到由系统可分析处理的信息。从某种角度进行分析，视觉系统是利用机械结构和电器控制系统以及一系列视觉处理系统代替人眼级人脑，通过自动获取图像信息，自动根据需要进行处理控制，来判断所需的信息并进行测试测量。机器视觉系统具有快速化、准确性、安全性、可靠性等特点。在自动化生产中可以大大提高生产效率并完成柔性控制与重复性操作。
在被测的图像区域中，如表面的缺陷中所包含的区域目标很多，诸如，磨损、划痕、锈蚀以及油污和边缘灰尘堆积。在针对不同区域的特征需要不同的参数识别与特征提取，并根据我们感兴趣的目标区域进行特征参数限定从而进行标号处理。在进行标号处理的区域中可能出行互相连通的像素区域，对这些连通的区域也需要进行识别并进行标号处理，这样我们可以根据所算定的区域进行依次的识别对比。
1.2 检测系统构成
测量系统主要由几部分构成，通过光源对检测表面进行照射，利用固定式图像传感器位图图像进行采集，通过旋转移动平台对被测物进行位置移动与测点控制。通过步进电机的驱动完成精确的图像采集与定位。
通过简单清洗对被测工件表面进行预处理，通过夹具对被测轴承进行定位处理，通过合理选择光源位置对拍摄角度进行确认。通过面阵CCD相机快速获取图像并传输到计算机上。经过图像分析得出轴承工件的缺陷类型、程度、位置等信息，必要时进行多角度分析。
系统以CCD图像传感器配合光源获取金属表面图像，如果存在缺陷其形态、大小、程度会反映到图像上，再通过专用软件分析图像，发现缺陷并对缺陷进行分类i=i。这种方法以机器视觉检测、图像模式识别技术为基础，硬件采用标准化的设备，以软件为核心，调整和改进很方便。采用高分辨率线扫描相机，表面检测系统可以采集到高清晰图像i；i，。在这里主要是借助特定内窥镜从滚子与保持架的缝隙中提取内圈滚动面的图像。采集后的图像经过图像预处理，图像的统计分析，提取出图像的灰度特征值，然后和标准图像的灰度特征值进行比较来判断出轴承合格与否。
期刊文章分类查询,尽在期刊图书馆
2待测轴承目标缺陷特征
2.1轴承表面缺陷
轴承的表面会由于油污以及擦痕而产生缺陷，这种类缺陷会在是抽成的工作性能下降，在检测前会将清洗干净的轴承按照一定的速度在可控传送带上进行移动通过视觉检测区域，利用环形灯光进行照明处理，利用CCD视觉传感器（面扫描、线扫描）获取图像信号。
2.2测量要求与测量过程：
图3中给出了轴承的表面以及轴承滚珠的表面情况，分别存在磨痕刮伤与生锈后产生的瘢痕，这些都属于轴承的缺陷。在测量过程中需要对这类的表面缺陷进行分析。通过整体的尺寸进行定位，并对不同的缺陷进行定义，通过图像匹配对不同的缺陷进行分析。
3图像预处理与坐标变换
3.1图像噪声
在图像采集过程中，由于光源与环境的不同都会不同程度的存在图像背景噪声，噪声在一定程度上会影响到检测的结果。在图像处理过程中，输入、传输与处理的每个环节都会被噪声所影响，这些噪声都会对图像信息的结果造成很大的干扰，所以采取一定的手段抑制噪声是非常必要的。
轴承的主要缺陷来自灰尘和磨损造成的表面的缺陷，并且缺陷表面不均匀，造成轴承图像中产生许多噪声。经过分析和实验，对后期的图像统计信息造成干扰最大的为椒盐噪声。中值滤波器输出的像素值为相应像素邻域内的中值，对异常值不敏感，可以在不减小图像对比度的情况卜减小异常值的影响，对灰度值的大小及分布情况影响很小，对椒盐噪声的去除效果很好，在此选择中值滤波完成图像的预处理即去噪处理。
3.1坐标变换
本系统中使用不同的面阵图像传感器进行测量，因此不同的传感器、被测目标、驱动平台之间的坐标关系需要统一。因此，本系统包括世界坐标系XwYwZw、二维驱动平台坐标系XYZ、面阵图像传感器坐标系XiYiZi和图像像素坐标系UV，对应序号依次为A，B，C，D。
为了便于计算，本系统使世界坐标系XwYwZw和二维驱动平台坐标系XYZ重合。图像传感器坐标系的Zi光轴为摄像机光轴，与图像平面垂直，其余两轴Xi和Yi分别于图像像素坐标系UV的U轴和V轴平行。图像像素坐标系（像平面坐标系）是一个平面坐标系，其中的坐标用离散的像素位置U和V表示。本系统中被测物放在二维平台坐标系XOY平面（物平面）上，由于被测物放在二维平台坐标系的XOY平面上，用图像传感器成像方法确定被测物的位置，则应解决两个坐标系上两个平面之间的映射关系，即像平面与物平面之间的关系，这就涉及标定问题。在单目标定中，物平面中任意一点的齐次坐标（x，y）与像平面中的像素坐标（u，v）之间的关系可有一个3x3的矩阵确定。
4实验结果分析
系统对采集的120张图片进行预处理，然后进行图像统计分析，计算出灰度特征值，灰度均值、标准差，以标准差为参考系数和标准图像的标准差比较做出判断。部分数据统计如表1.
对获得数据分析可知损坏图像的灰度标准差和标准图像的标准差有着很大的区别，设置不同的标准差界限，判断合格与否，符合率。经过统计与分析选择标准差15作为轴承合格的标准值。
5结论
利用机器视觉的检测方法对滚子轴承的表面质量进行自动化无损检测，是一种合理且快速的检测方法，其特点是不接触、速度快、精度高、操作简单。整个系统设计涉及了光学，matlab图像处理技术和编程以及现代检测理论。经过实验检测成功率达到95%，证明了检测方法的正确性。
参考文献：
[1] 黄正福，熊四昌.基于机器视觉的轴承尺寸检测[J].机床与液压，2004，（12）：183-185.
[2] 马颂德.张正友.计算机视觉——计算机理论与方法基础[M] 北京：科学出版社 1998
论文作者:姚清华
论文发表刊物:《基层建设》2019年第24期
论文发表时间:2019/11/20
标签：图像论文; 缺陷论文; 坐标系论文; 轴承论文; 表面论文; 视觉论文; 噪声论文; 《基层建设》2019年第24期论文;