（內(nèi)蒙古科技大學(xué)機械工程學(xué)院 包頭 014010）

1 引言

列車滾子軸承作為鐵路列車的關(guān)鍵部件，有關(guān)部門十分重視其質(zhì)量的檢測。近些年來，機器視覺和圖像處理技術(shù)在軸承表面缺陷方面的應(yīng)用取得了一定的效果，基于機器視覺的檢測方法具有檢測速度快、識別率高、實時性好、成本較低等優(yōu)點，對于軸承缺陷圖像的二值化處理和邊緣檢測是該檢測系統(tǒng)的重要環(huán)節(jié)[1]，本文對這兩方面的技術(shù)作出了改進。

目前對于二值化處理的研究大多是通過改進大津法來實現(xiàn)的，效果有了一定的提升，但是時間也有所增加，這無疑會影響檢測系統(tǒng)的工作效率[2～4]。本文提出一種快速實用的二值化處理方法，在保證圖像分割效果的同時，大大降低了算法運行的時間。

數(shù)學(xué)形態(tài)學(xué)方法在近些年開始用于邊緣檢測，相比于傳統(tǒng)的邊緣檢測算法，經(jīng)過數(shù)學(xué)形態(tài)學(xué)處理后得到的圖像有較好的抗噪性和連續(xù)性，對于帶有椒鹽噪聲的軸承缺陷圖像，本文提出一種抗噪型形態(tài)學(xué)邊緣檢測算法，該算法在準(zhǔn)確保留邊緣特征的同時，也去除了噪聲的干擾。

本文研究的四種軸承表面缺陷為麻點、輾皮、擦傷和劃傷，其帶有椒鹽噪聲的圖像如圖1所示。

圖1 帶有噪聲的軸承表面缺陷圖像

2 二值化處理

2.1 傳統(tǒng)算法

在進行邊緣檢測前，需要對缺陷圖像進行二值化處理。目前，常用的二值化處理方法有自適應(yīng)閾值法、人工選擇閾值法、迭代選擇閾值法等。

人工選擇閾值法的二值化視覺效果最好，但是需要工作人員的參與，而且要用不同的閾值不斷試驗來選取最優(yōu)，比其他兩種方法花費時間更多，這會影響視覺檢測系統(tǒng)的工作效率；而對于部分缺陷圖像，自適應(yīng)閾值法和迭代選擇閾值法并不能很好地分割出缺陷區(qū)域，如圖2所示，說明這兩種算法對軸承缺陷圖像并不完全適用。

圖2 傳統(tǒng)算法的二值化處理

2.2 本文算法

針對這種情況，本文提出了一種根據(jù)缺陷圖像的灰度均值范圍確定閾值的算法，實驗證明，該算法既快速又實用。表1是四種缺陷圖像的灰度均值和最優(yōu)閾值的范圍。

由表1可以看出，不同缺陷圖像的灰度均值范圍和最優(yōu)閾值范圍并不相同。本文算法的核心思想是在缺陷圖像進行二值化處理之前，首先進行灰度均值的計算，根據(jù)不同均值范圍，使用不同的閾值對圖像進行二值化處理[5]，規(guī)則如表2所示。

表1 缺陷圖像灰度均值及最優(yōu)閾值

表2 閾值選擇規(guī)則

使用本文算法進行二值化處理后的圖像如圖3所示。

圖3 本文算法的二值化處理

利用自適應(yīng)閾值法、迭代選擇閾值法分別對四種缺陷圖像進行二值化處理，對其運行時間進行比較，結(jié)果如表3所示。

表3 三種算法的運行時間

由表3可以看出，相比于其他兩種算法，本文算法運行時間相對較少，證明了本文算法的快速性。

3 形態(tài)學(xué)邊緣檢測

3.1 邊緣檢測算法

數(shù)學(xué)形態(tài)學(xué)作為邊緣檢測中提取圖像分量的一種工具，可以根據(jù)提取分量的特征，分別采用適當(dāng)結(jié)構(gòu)和尺寸的結(jié)構(gòu)元素對圖像分量進行提取[6]。

對于平面A2上的元素集合B，使用結(jié)構(gòu)元素C對集合B進行形態(tài)學(xué)處理，得到四種基本運算。

形態(tài)學(xué)腐蝕：

形態(tài)學(xué)膨脹：

形態(tài)學(xué)開運算：

形態(tài)學(xué)閉運算：

本文提出一種抗噪型形態(tài)學(xué)邊緣檢測算法，其數(shù)學(xué)表達式為

該抗噪型邊緣檢測算法的原理是開運算后膨脹的圖像減去閉運算后腐蝕的圖像。因為形態(tài)學(xué)開運算和腐蝕運算對正向噪聲有抑制作用，而形態(tài)學(xué)閉運算和膨脹運算對負(fù)向噪聲有抑制作用，所以該算法有抑制噪聲的能力[7～8]。

3.2 選取結(jié)構(gòu)元素

對于形態(tài)學(xué)處理來說，結(jié)構(gòu)元素的選取極其重要，不同結(jié)構(gòu)、不同尺寸的結(jié)構(gòu)元素，對圖像的處理效果也有很大的差別。分別對圖4中的四種結(jié)構(gòu)元素進行研究，實驗表明，結(jié)構(gòu)元素對與其方向平行的邊緣敏感性較差，與其方向垂直的邊緣敏感性較好；小尺寸的結(jié)構(gòu)元素抑制噪聲的能力相對較弱，但是能很好地保留邊緣信息；大尺寸的結(jié)構(gòu)元素抑制噪聲的能力相對較強，但是難免會破壞邊緣信息[9～10]。本文選擇3菱形作為本文抗噪型形態(tài)學(xué)邊緣檢測算法的結(jié)構(gòu)元素，實驗證明，該結(jié)構(gòu)元素的處理效果最好。

4 實驗

傳統(tǒng)的圖像邊緣檢測處理中，Canny算法是在抑制噪聲和準(zhǔn)確保留邊緣特征之間最好的折中方案[11～12]。但是用于帶有椒鹽噪聲的軸承缺陷圖像中，Canny算法的抗噪性明顯不足，對圖3的四張缺陷圖像進行邊緣檢測，將Canny算法和本文算法進行比較，實驗結(jié)果如圖5～圖8所示。

圖4 四種不同的結(jié)構(gòu)元素

圖5 麻點圖像邊緣檢測

圖6 輾皮圖像邊緣檢測

圖7 擦傷圖像邊緣檢測

圖8 劃傷圖像邊緣檢測

本文利用優(yōu)質(zhì)系數(shù)（FOM）對實驗結(jié)果進行客觀的評價，其數(shù)學(xué)表達式為

其中，Nr表示圖像中實際邊緣像素點的數(shù)目，Ne表示實驗檢測到的邊緣像素點的數(shù)目，α為補償系數(shù)（本文中取為1/9），dr為檢測到的邊緣點到最近的實際邊緣點的距離。由公式的定義可知，F(xiàn)OM取值在0到1之間，其數(shù)值越大，代表邊緣檢測的效果越好[13]，對上圖求得FOM的結(jié)果如表4所示。

表4 兩種算法的FOM比較

由表4可以看出，對于四種軸承表面缺陷的邊緣檢測，本文算法的FOM比Canny算法要高，這說明本文算法的邊緣檢測效果相對較好。

5 結(jié)語

針對列車滾子軸承視覺檢測方法的不足，本文提出了一種二值化處理算法，相比于傳統(tǒng)的閾值分割算法，本文算法更加快速實用；提出了一種抗噪型形態(tài)學(xué)邊緣檢測算法，對于處理帶有椒鹽噪聲的缺陷圖像有明顯的效果，比Canny算法的優(yōu)質(zhì)系數(shù)更高，這證明了本文算法的有效性和可行性。