基于机器视觉的齿轮轴承漏针缺陷检测方法

?　　

　　轴承是各种转动机械不可缺少的零件,如果齿轮本身有缺陷,安装不良,使用不当以及维护保养不周,都会影响轴承的使用寿命,甚至引发设备故障,造成重大经济损失.齿轮轴承是一种附在机械传动件上的新型轴承.在齿轮装配线上,经常会出现齿轮装配漏针,以及滚针短缺等不良现象[1 2].因此,在未投入使用之前,使用者还是厂方都希望轴承在投入使用之前能检测到轴承漏针缺陷并予以剔除,所以轴承漏针等缺陷检测成为研究和应用开发的热点.

　　本文选用行星齿轮轴承为研究对象(图1),提出了图像处理领域中一种利用模式匹配的方法来对齿轮轴承的漏针缺陷进行检测,检测算法主要包括图像预处理、二值化、感兴趣区域提取、圆中心获取、基于模式匹配的缺陷检测、缺陷量值的计算与存储,利用Visual C++软件作为开发环境,自行开发出识别软件,来实现轴承漏针缺陷图像的视觉功能.

　　1　漏针检测算法

　　漏针是轴承结构缺陷中很重要的一种.识别轴承漏针,一般采用机器视觉的方法.这种方法需对采集的图像进行一系列的处理才能完成对其漏针的识别与分类.缺陷识别流程框图如图2所示.在对此类轴承的处理中,要先进行相应的预处理,去掉非特征的区域,并使图像的缺陷特征明显地表现出来[3],然后利用模式匹配的方法来对图像的缺陷进行检测.

　　1.1　二值化图像处理算法

　　要通过图像检测一个物体的缺陷就必须要进行图像识别,而图像分割是图像识别工作的基础.二值图像在图像处理中有广泛的应用.目标图像和背景之间的灰度对比度很大,极容易从背景中通过灰度值的不同分割出目标图像.对目标图像标记为0(或者255),而对背景标记为255(或者0),这样就将一幅灰度图像变成了二值图像.设f(x)为图像中像素点的灰度值,灰度阈值的变换函数

式中,T为指定的阈值.

　　从式(1)可以看出,如果像素的灰度值小于阈值T,则将此像素的灰度值设为0;如果大于阈值T,则设为255,相当于只有黑白两种颜色.阈值的选择是根据图像的直方图(图3(a))分析得到的,阈值位于图像直方图的谷底T0处,二值图像处理的结果如图3(b)所示.

　　1.2　感兴趣区域提取

　　为了减小后续的处理量,同时只保留要处理的目标,采用感兴趣区域提取的方法.首先设置一个大概的区域将目标物包含在区域内,并返回这个设置区域的尺寸.在此基础上确定基于区域尺寸的上限和下限.将感兴趣的区域保留,将其他不感兴趣的区域全部变成和背景一样的灰度级.这样就可以将感兴趣的区域保留下来.同时也大大地减小后续处理的数据量,降低了后续处理的难度.感兴趣区域提取的结果如图4(a)所示.感兴趣区域提取后的图像中还有很多的噪声点,这些噪声点可利用腐蚀处理去除,结果如图4(b)所示.