項(xiàng)新建，王樂樂，曾航明

(浙江科技學(xué)院自動(dòng)化與電氣工程學(xué)院，浙江 杭州 310023)

0 引 言

推力軸承是用來承受軸向力的專用軸承，在機(jī)械行業(yè)被廣泛應(yīng)用于汽車、機(jī)床、大型機(jī)械等領(lǐng)域[1]。我國制造業(yè)經(jīng)過不斷發(fā)展，軸承的生產(chǎn)工藝和質(zhì)量已經(jīng)得到很大提高，但是由于生產(chǎn)過程中的不確定因素，一些工件端面會(huì)有劃痕、凹坑、油污等缺陷，在出廠前必須經(jīng)過嚴(yán)格檢測(cè)，目前大部分企業(yè)采用人工檢測(cè)，效率低、勞動(dòng)強(qiáng)度大且動(dòng)作頻繁重復(fù)容易產(chǎn)生視覺疲勞，檢測(cè)準(zhǔn)確性無法保證，檢測(cè)過程中難免產(chǎn)生漏檢、錯(cuò)檢[2]。軸承由滾動(dòng)體、保持架和墊圈組成，墊圈起固定滾動(dòng)體和保持架的作用，防止核心滾動(dòng)體松動(dòng)，同時(shí)密封潤滑油，如果將存在缺陷的軸承墊圈安裝使用，長時(shí)間運(yùn)轉(zhuǎn)會(huì)造成異常磨損，嚴(yán)重可能造成滾動(dòng)體脫落軸承無法工作，對(duì)設(shè)備造成損傷，甚至無法運(yùn)轉(zhuǎn)[3]。因此快速高效地檢測(cè)推力軸承墊圈的表面缺陷尤為重要。

機(jī)器視覺和圖像處理技術(shù)經(jīng)過不斷地開發(fā)和研究，應(yīng)用越來越廣泛，類似的缺陷檢測(cè)研究主要有二值化閾值分割、特征提取與選擇、形態(tài)學(xué)處理等。杜曉輝等[4]提出一種基于機(jī)器視覺的火花塞端面缺陷自動(dòng)檢測(cè)方法，采用改進(jìn)的霍夫變換提取感興趣區(qū)域，二值化并利用形態(tài)學(xué)濾波分離缺陷，最后通過計(jì)算梯度直方圖特征進(jìn)行邏輯分類。韓志瑋等[5]提出一種基于機(jī)器視覺的剎車片表面缺陷圖像檢測(cè)方法，結(jié)合灰度共生矩陣與密度聚類分析剎車片表面缺陷，再根據(jù)剎車片自身紋理提取特征來進(jìn)行檢測(cè)。Martínez等人[6]介紹了一種用于檢測(cè)金屬零件紋理表面缺陷的機(jī)器視覺系統(tǒng)，將多幅圖像分別處理合并為一幅圖像，從中提取特征與之前處理步驟建立基于人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)分類器的特征空間，進(jìn)行自動(dòng)化檢測(cè)與分類。Prappacher等人[7]提出快速可重復(fù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)滾子軸承滾動(dòng)體表面缺陷，為解決神經(jīng)網(wǎng)絡(luò)方法標(biāo)記訓(xùn)練數(shù)據(jù)要求高的問題，使用模擬缺陷使得檢測(cè)系統(tǒng)比現(xiàn)有的系統(tǒng)訓(xùn)練更快、成本更低。國內(nèi)外對(duì)缺陷檢測(cè)主要采用了傳統(tǒng)的圖像處理和神經(jīng)網(wǎng)絡(luò)訓(xùn)練等方法，神經(jīng)網(wǎng)絡(luò)由于需要大量的訓(xùn)練樣本，然而獲取缺陷樣本十分困難，所以操作難度較大。

因此為提高推力軸承墊圈缺陷的檢測(cè)準(zhǔn)確率和效率，實(shí)現(xiàn)墊圈的自動(dòng)化檢測(cè)，針對(duì)墊圈圖像背景復(fù)雜、干擾較多等特點(diǎn)，對(duì)采集到的圖像進(jìn)行分析和圖像處理，檢測(cè)出推力軸承墊圈的缺陷并分類，設(shè)計(jì)了推力軸承墊圈端面缺陷檢測(cè)及分類系統(tǒng)，實(shí)驗(yàn)驗(yàn)證該系統(tǒng)穩(wěn)定，檢測(cè)結(jié)果符合要求。

1 檢測(cè)系統(tǒng)總體方案設(shè)計(jì)

推力軸承墊圈端面缺陷檢測(cè)系統(tǒng)由硬件系統(tǒng)和圖像處理軟件部分組成。硬件系統(tǒng)主要包含光源、工業(yè)相機(jī)、工業(yè)鏡頭、計(jì)算機(jī)、傳送帶裝置、分類機(jī)構(gòu)及其控制設(shè)備，圖像處理方面主要含有軟件平臺(tái)、圖像采集及圖像處理算法[8]。將對(duì)視覺檢測(cè)系統(tǒng)的軟硬件進(jìn)行設(shè)計(jì)和論述，實(shí)現(xiàn)對(duì)推力軸承墊圈端面缺陷檢測(cè)和分類的目的。

推力滾針軸承的結(jié)構(gòu)如圖1所示，由于密封、保存、使用不當(dāng)?shù)仍?，工件表面容易產(chǎn)生劃傷、磕碰、銹蝕等缺陷，其分布無規(guī)律、隨機(jī)性較大，因此需對(duì)整個(gè)工件表面進(jìn)行檢測(cè)[9]。為了提高檢測(cè)效率并改善繁瑣的檢測(cè)過程，針對(duì)工件的特征以及缺陷的特征設(shè)計(jì)一套自動(dòng)化檢測(cè)系統(tǒng)實(shí)現(xiàn)圖像采集以及缺陷的識(shí)別分類。

圖 1 推力滾針軸承結(jié)構(gòu)（單位：mm）

以墊圈的下端面為檢測(cè)對(duì)象進(jìn)行研究，上端面與下端面采用相同方法，根據(jù)工件和圖像的特征，針對(duì)噪聲干擾、缺陷分類等問題，首先將圖像Blob分析，求出內(nèi)外徑圓所在區(qū)域，對(duì)亞像素（XLD）輪廓利用最小二乘法圓擬合得到其尺寸參數(shù)，生成內(nèi)外徑區(qū)域圓求差集得到感興趣區(qū)域，再利用傅里葉變換、低通濾波、圖像卷積和傅里葉逆變換，抑制其他因素干擾，突出缺陷，最后得到缺陷并提取特征，根據(jù)特征對(duì)缺陷進(jìn)行分類，實(shí)現(xiàn)缺陷檢測(cè)及分類。

2 檢測(cè)系統(tǒng)的硬件設(shè)計(jì)

在搭建系統(tǒng)時(shí)首先需要對(duì)相機(jī)、鏡頭、光源進(jìn)行選型，考慮到檢測(cè)環(huán)境、檢測(cè)工件的特征等要求后，選取高分辨率?？低暪I(yè)相機(jī)MV-CE200-10UC（分辨率5 472×3 648）、高幀速Basler鏡頭、環(huán)形光端面打光。環(huán)形光源有如下特點(diǎn)：1）LED采用直流電源，采集的圖像不存在頻閃；2）LED照明360°均勻照射在工件表面上，無虛影；3）極低熱量，功耗小，平均使用壽命35 000 h以上，安全穩(wěn)定。

在采集端面圖像時(shí)，考慮提高檢測(cè)的效率以及自動(dòng)化，相機(jī)的采集圖像方式設(shè)置為外部觸發(fā)。夾具到位后PLC發(fā)出信號(hào)，計(jì)算機(jī)發(fā)出采集指令，相機(jī)隨即拍照，由千兆網(wǎng)口傳入計(jì)算機(jī)進(jìn)行圖像處理，拍照結(jié)束后PLC發(fā)出信號(hào)夾具松開傳送帶繼續(xù)工作，墊圈端面圖像采集系統(tǒng)見圖2。檢測(cè)系統(tǒng)包含運(yùn)動(dòng)控制系統(tǒng)、圖像采集系統(tǒng)和分類系統(tǒng)，實(shí)現(xiàn)缺陷識(shí)別及自動(dòng)化分類，系統(tǒng)的整體工作流程見圖3。

圖 2 圖像采集系統(tǒng)

圖 3 系統(tǒng)整體流程圖

系統(tǒng)具體流程為：1）工件由傳送帶進(jìn)行運(yùn)輸，傳送帶由步進(jìn)電機(jī)驅(qū)動(dòng)，光電傳感器觸發(fā)開始計(jì)時(shí)，到達(dá)圖像采集區(qū)域后傳送帶暫停，夾具開始固定工件，夾具就位后PLC發(fā)出采集圖像信號(hào)，觸發(fā)相機(jī)采集；2）圖像采集完成，計(jì)算機(jī)給PLC發(fā)出采集完畢信號(hào)，驅(qū)動(dòng)夾具復(fù)位，傳送帶繼續(xù)工作；3）到達(dá)分類工位后，圖像經(jīng)過計(jì)算機(jī)處理完成缺陷檢測(cè)，觸發(fā)相應(yīng)光電傳感器進(jìn)行分類；4）工件根據(jù)分類結(jié)果進(jìn)入各自分揀槽，系統(tǒng)流程結(jié)束完成墊圈下端面缺陷的檢測(cè)及分類，下端面檢測(cè)完畢后將合格工件翻轉(zhuǎn)后再次通過檢測(cè)系統(tǒng)進(jìn)行檢測(cè)，系統(tǒng)流程結(jié)束完成墊圈上、下端面缺陷的檢測(cè)及分類。機(jī)器視覺檢測(cè)系統(tǒng)如圖4所示。

圖 4 機(jī)器視覺檢測(cè)系統(tǒng)

3 推力軸承墊圈缺陷檢測(cè)算法

圖像采集系統(tǒng)采集的推力軸承墊圈圖像如圖5所示，由圖像可以看出感興趣區(qū)域?yàn)閳A環(huán)，但圖像中存在夾具、背景等干擾，且打光凸顯缺陷的同時(shí)將表面紋理也突出顯示，針對(duì)這種復(fù)雜環(huán)境下缺陷的檢測(cè)，提出基于傅里葉變換的推力軸承墊圈端面缺陷檢測(cè)的圖像處理算法。

圖 5 推力軸承墊圈采集圖像

墊圈分為上端面和下端面，由于端面相似且篇幅限制，以下端面為例進(jìn)行研究，上端面采用相同算法進(jìn)行檢測(cè)，算法流程圖如圖6所示，首先相機(jī)采集到彩色圖像轉(zhuǎn)為灰度圖，二值化得到內(nèi)外徑圓區(qū)域，亞像素邊緣提取得到XLD輪廓，對(duì)亞像素圓輪廓用最小二乘法進(jìn)行圓擬合，從而提取出感興趣圓環(huán)區(qū)域；然后對(duì)灰度圖進(jìn)行傅里葉變換將空間域轉(zhuǎn)為頻率域，同時(shí)濾波抑制其他干擾將缺陷區(qū)域突出化；最后對(duì)處理后的灰度圖像裁切，通過灰度直方圖來分割閾值，快速得到缺陷區(qū)域，并通過分析缺陷區(qū)域特征對(duì)缺陷區(qū)域分類。

圖 6 圖像處理算法流程圖

3.1 感興趣區(qū)域(ROI)的提取

在圖像處理過程中需要將圖像處理的范圍局限在圖像中的某一特定感興趣區(qū)域即ROI (region of interest)。推力軸承墊圈的圖像中，感興趣區(qū)域?yàn)橹虚g的圓環(huán)區(qū)域，除此之外還有夾具和背景等干擾，需要對(duì)這些干擾區(qū)域進(jìn)行抑制或剔除，由于背景、夾具和墊圈的平均灰度值較接近，利用常用的二值化和連通域面積很難將ROI提取出來[10]。因此需要利用ROI呈圓環(huán)的特征，用最小二乘法將內(nèi)外徑圓擬合，生成區(qū)域、求其差集，基于此提出一種提取環(huán)形ROI的算法，針對(duì)環(huán)形且與背景灰度相近難以分離的感興趣區(qū)域的提取。

對(duì)推力軸承墊圈圖像二值化、閾值分割、形態(tài)學(xué)處理和提取亞像素邊緣后得到內(nèi)外徑圓的亞像素輪廓，以外圓輪廓為例用最小二乘法進(jìn)行近似圓擬合[11]，設(shè)擬合圓方程為：

經(jīng)過變換可得另一形式圓方程：

只需求出參數(shù)a,b,c就可得到圓心及半徑：

設(shè)亞像素輪廓上的點(diǎn)坐標(biāo)為(Xi,Yi)，i∈(1,2,3,···,N)，令Q(a,b,c)為 δi的平方和：

為使Q(a,b,c)的值最小，求得參數(shù)a,b,c如下：

將a,b,c代入式(3)可得擬合圓圓心坐標(biāo)（A,B）和半徑R的值。最后根據(jù)求得的圓心及半徑生成外徑圓區(qū)域，同理可得內(nèi)徑圓區(qū)域，求兩者差集得到感興趣區(qū)域。

3.2 圖像增強(qiáng)及干擾抑制

受推力軸承墊圈材質(zhì)的影響，墊圈端面的灰度值呈均勻分布，缺陷的灰度值較大，但與表面相差較小難以分離出缺陷，運(yùn)用圖像的乘法將圖像自乘，大大增加亮暗圖像點(diǎn)之間的差值，達(dá)到提高其對(duì)比度的目的，根據(jù)輸入的圖像得到其灰度值區(qū)間(g1,g2)，乘上灰度適應(yīng)因子Mult，變換公式如下：

在圖像采集過程中，由于環(huán)境、光照等不確定因素影響，圖像中會(huì)不均勻地分布著噪聲，為減少圖像中的噪聲，首先快速傅里葉變換將圖像由空間域轉(zhuǎn)換到頻率域，傅里葉變換及傅里葉逆變換公式如下：

式中：f(k,l)——一幅大小為M×N的數(shù)字圖像；

k，l——時(shí)域變量；

m,n——頻域變量。

經(jīng)過傅里葉變換得到頻譜圖如圖7(a)所示，為了便于濾波和頻譜分析，將原頻譜圖進(jìn)行中心化得到中心化頻譜圖如圖7(b)所示，圖中包含3種描述特征信息的參數(shù)振幅、相位和能量譜，計(jì)算公式如下：

圖 7 頻譜圖

其中R(m,n)和I(m,n)分別表示F(m,n)的實(shí)部和虛部。

傅里葉對(duì)應(yīng)的中心化頻譜圖呈中心發(fā)散分布，且有許多離散的高頻點(diǎn)，因此選用低通濾波器對(duì)傅里葉頻率域進(jìn)行濾波，濾除掉一些細(xì)小的紋理和點(diǎn)噪聲排除干擾，缺陷的輪廓信息會(huì)丟失一部分，但對(duì)于提取缺陷影響有限。低通濾波器函數(shù)如下：

式中：D0——一個(gè)給定的非負(fù)值，為低通濾波器的截止頻率；

D(m,n)——點(diǎn)(m,n)到頻率平面原點(diǎn)的距離，即，其特性曲線如圖8所示。

圖 8 低通濾波器特性曲線

對(duì)濾波后的圖像進(jìn)行傅里葉逆變換，其計(jì)算公式見式（8），將頻率域轉(zhuǎn)換為空間域，重建得到重構(gòu)圖，從而實(shí)現(xiàn)對(duì)原始圖像的濾波[12]。

3.3 提取缺陷及多閾值缺陷分類

經(jīng)過上述圖像增強(qiáng)和圖像濾波后，對(duì)轉(zhuǎn)換的原始灰度圖像進(jìn)行裁剪，將圖像的定義域縮小到了指定目標(biāo)區(qū)域，即上述感興趣的圓環(huán)區(qū)域，排除其他背景及夾具的干擾，針對(duì)端面的圓環(huán)進(jìn)行檢測(cè)，使得檢測(cè)時(shí)間大大減少，效率和準(zhǔn)確度大大提高。

3.3.1 多形狀特征提取缺陷

缺陷區(qū)域含于感興趣圓環(huán)區(qū)域之中，所以需要對(duì)圖像進(jìn)行閾值分割。閾值分割的難點(diǎn)在于如何準(zhǔn)確找到分離出缺陷的閾值，閾值的選擇直接決定了區(qū)域分割以及后續(xù)區(qū)域特征分析的準(zhǔn)確性。常用的閾值分割方法有：實(shí)驗(yàn)法、直方圖谷底確定法、迭代選擇法、最小均方誤差法和最大類間方差法等[13]，結(jié)合各方法的優(yōu)缺點(diǎn)和實(shí)際檢測(cè)情況，選擇最大類間方差法，也稱為Ostu分割法，求得最佳閾值T，將圖像分割為前景和背景，若像素值大于該閾值T則為感興趣目標(biāo)，若小于該閾值T則為背景區(qū)域。

式中：f(x0,y0)——原始圖像；

g(x0)——閾值分割后的二值圖像；

1——感興趣的目標(biāo)區(qū)域；

0——背景區(qū)域。

通過閾值分割初步將背景區(qū)域和感興趣的目標(biāo)區(qū)域分割，但其中仍然存在其他干擾區(qū)域，對(duì)感興趣區(qū)域進(jìn)行矩形結(jié)構(gòu)元素閉運(yùn)算，閉運(yùn)算即先膨脹后腐蝕，將輪廓變得平滑并且填充小的孔洞和輪廓線的斷裂。閉運(yùn)算處理后，一些較小的干擾點(diǎn)被剔除，感興趣區(qū)域也較平滑完整，然后斷開連通域，將感興趣區(qū)域分成相對(duì)獨(dú)立的區(qū)域，分別對(duì)單獨(dú)的區(qū)域進(jìn)行后續(xù)處理，達(dá)到分離出缺陷的目的。

感興趣區(qū)域分開后需要對(duì)其進(jìn)行篩選，最終得到缺陷區(qū)域，通過對(duì)感興趣區(qū)域的幾何特征進(jìn)行分析，首先引入?yún)^(qū)域面積（Area）指標(biāo)和區(qū)域輪廓長度（Contlength）指標(biāo)，然后進(jìn)一步引入?yún)^(qū)域矩形度形狀因子（Rectangularity）和橢圓參數(shù) Anisometry，設(shè)定每個(gè)指標(biāo)的上下閾值對(duì)感興趣區(qū)域進(jìn)行形狀選擇，最后得到缺陷區(qū)域，提取出推力軸承墊圈端面的缺陷。形狀選擇公式和橢圓參數(shù)Anisometry的計(jì)算公式如下：

式中：Minq——各形狀指標(biāo)的下閾值，q=0,1,2,···；

Maxq——各形狀指標(biāo)的上閾值，q=0,1,2,···；

Ra——區(qū)域等效橢圓長軸半徑；

Rb——區(qū)域等效橢圓短軸半徑。

為了突出顯示缺陷對(duì)缺陷區(qū)域形狀轉(zhuǎn)換，轉(zhuǎn)換方式為求區(qū)域的平行坐標(biāo)軸的最小外接矩形，并對(duì)其按矩形結(jié)構(gòu)元素膨脹，使得缺陷區(qū)域完全突出顯示。為方便顯示，將轉(zhuǎn)換的矩形區(qū)域轉(zhuǎn)為亞像素輪廓。

3.3.2 多閾值缺陷分類

實(shí)際生產(chǎn)過程中，檢測(cè)時(shí)不僅要檢測(cè)出缺陷還需對(duì)缺陷進(jìn)行分類并分揀，方便后續(xù)對(duì)存在缺陷的產(chǎn)品進(jìn)行處理，部分缺陷可以通過處理達(dá)到要求從而降低次品率提高企業(yè)效益。由于缺陷的復(fù)雜性沒有統(tǒng)一指標(biāo)，單一要素?zé)o法實(shí)現(xiàn)分類，因此采用多個(gè)閾值對(duì)缺陷分類[14]，3個(gè)類型定義為表面劃痕（surface scratch）、油污（greasy dirt）、凹坑（pit）。

經(jīng)過上述多形狀特征提取，把缺陷區(qū)域進(jìn)行編號(hào)并統(tǒng)計(jì)個(gè)數(shù)，分別對(duì)每個(gè)亞像素輪廓求其多邊形的長度（Length），計(jì)算每個(gè)區(qū)域內(nèi)灰度值的偏差（Deviation）。要求得灰度值偏差需要先求其平均灰度值（Mean），計(jì)算公式如下：

式中：Z——區(qū)域；

p——區(qū)域Z中的像素；

g(p)——像素p的灰度值；

F——平面，F(xiàn)=|Z|。

通過大量實(shí)驗(yàn)分析每個(gè)缺陷類型的特征，選取多個(gè)閾值如T1、T2、T3，具體分類算法如下：

其中大部分表面劃痕的長度較長，將大于等于閾值T1的區(qū)域定義為表面劃痕；凹坑的長度一般較小，將小于等于閾值T2的區(qū)域定義為凹坑；對(duì)于在閾值T1,T2之間的區(qū)域可能為劃痕或油污，引入灰度值偏差來分類，長度大于閾值T2且小于閾值T1且灰度值偏差小于閾值T3的區(qū)域定義為表面劃痕，灰度值偏差大于等于閾值T3的區(qū)域定義為油污。通過多閾值多指標(biāo)完成了對(duì)每個(gè)缺陷的分類，但由于樣本數(shù)量有限閾值的選取具有局限性，針對(duì)特殊的情況可能需要對(duì)閾值來調(diào)整，以滿足檢測(cè)的需要。

4 試驗(yàn)驗(yàn)證及結(jié)果

實(shí)驗(yàn)選用CPU型號(hào)為Inter(R)Core(TM)i5- 4590 CPU@3.30 GHz，8 GB內(nèi)存PC機(jī)，Win7操作系統(tǒng)，軟件基于Halcon環(huán)境開發(fā)，通過推力軸承墊圈檢測(cè)硬件系統(tǒng)進(jìn)行相關(guān)實(shí)驗(yàn)研究。

4.1 感興趣區(qū)域提取對(duì)比實(shí)驗(yàn)

為了驗(yàn)證圖像增強(qiáng)、圖像濾波、干擾抑制等，設(shè)計(jì)了如下的對(duì)比實(shí)驗(yàn)，來驗(yàn)證一系列圖像處理對(duì)提取感興趣區(qū)域的效果。分別采用直接的傳統(tǒng)二值化閾值分割方法和一系列改進(jìn)后圖像預(yù)處理再閾值分割，對(duì)兩種方法得到的感興趣區(qū)域進(jìn)行對(duì)比，效果如圖9所示。

圖 9 感興趣區(qū)域提取對(duì)比圖

由圖9(a)可以看出，對(duì)于原始圖像用傳統(tǒng)的二值化和閾值分割方法，計(jì)算區(qū)域連通分量的個(gè)數(shù)有10 379個(gè)，很難經(jīng)過后續(xù)的多閾值多特征篩選將缺陷區(qū)域分離出來；圖9(b)可以看出，經(jīng)過改進(jìn)和使用一系列圖像處理后，區(qū)域連通分量大幅減少為105個(gè)，通過傅里葉變換低通濾波處理，排除絕大部分紋理和點(diǎn)噪聲，雖然仍存在干擾區(qū)域，但多為大面積區(qū)域及圓形區(qū)域，通過后續(xù)形狀選擇以及其他特征，能夠快速準(zhǔn)確的將缺陷區(qū)域分割，從而提取出感興趣缺陷區(qū)域。

4.2 缺陷檢測(cè)及其性能分析實(shí)驗(yàn)

實(shí)驗(yàn)驗(yàn)證了所提出的缺陷檢測(cè)方法以及圖像處理算法的有效性，將實(shí)際工件檢測(cè)系統(tǒng)采集的圖像應(yīng)用于所提出的圖像處理方法中，各種缺陷檢測(cè)的效果如圖10所示。

圖 10 各缺陷檢測(cè)結(jié)果示意圖

為了驗(yàn)證缺陷提取的準(zhǔn)確性，針對(duì)3種常見的缺陷類型進(jìn)行了檢測(cè)實(shí)驗(yàn)，選取了10個(gè)樣本工件進(jìn)行實(shí)驗(yàn)并記錄檢測(cè)結(jié)果，樣本檢測(cè)結(jié)果如表1所示。

表 1 樣本檢測(cè)結(jié)果

由表1分析可知，缺陷類型的出現(xiàn)呈隨機(jī)性，10個(gè)樣本檢測(cè)結(jié)果與實(shí)際情況相符，但由于隨機(jī)性較大無法完全驗(yàn)證檢測(cè)方法，故增加樣本的數(shù)量，對(duì)50個(gè)推力軸承墊圈進(jìn)行了檢測(cè)實(shí)驗(yàn)，得出檢測(cè)方法的成功率為90.65%，分析導(dǎo)致檢測(cè)錯(cuò)誤、漏檢的原因發(fā)現(xiàn)：由于算法編寫時(shí)僅用了有限的工件數(shù)量導(dǎo)致閾值選取不準(zhǔn)確；還有一些缺陷情況較復(fù)雜無法進(jìn)行分類或分類錯(cuò)誤。對(duì)閾值進(jìn)行調(diào)整后再對(duì)50個(gè)推力軸承墊圈進(jìn)行驗(yàn)證，分析檢測(cè)結(jié)果與實(shí)際情況的對(duì)比，最終準(zhǔn)確率為95.23%。

為進(jìn)一步驗(yàn)證檢測(cè)系統(tǒng)的實(shí)用性，經(jīng)過多次多組實(shí)驗(yàn)統(tǒng)計(jì)檢測(cè)時(shí)間，為消除隨機(jī)誤差將同一工件檢測(cè)10次得到平均耗時(shí)，選取有代表性的3組結(jié)果如圖11所示。

圖 11 檢測(cè)時(shí)間統(tǒng)計(jì)圖

實(shí)驗(yàn)結(jié)果表明，該圖像處理算法和檢測(cè)系統(tǒng)，可以有效檢測(cè)多種推力軸承墊圈表面缺陷，從效率方面分析，單個(gè)工件的檢測(cè)時(shí)間為1 064.89 ms，滿足了檢測(cè)速度的要求；在準(zhǔn)確率方面，缺陷識(shí)別分類準(zhǔn)確率為95.23%，滿足實(shí)際生產(chǎn)檢測(cè)的要求。總體上滿足實(shí)際檢測(cè)需求，提高了檢測(cè)效率，具有較高的可靠性、準(zhǔn)確性。

5 結(jié)束語

本文針對(duì)制造業(yè)自動(dòng)化和對(duì)高效率、高質(zhì)量的檢測(cè)需求，設(shè)計(jì)了推力軸承墊圈表面缺陷自動(dòng)檢測(cè)系統(tǒng)，搭建了硬件系統(tǒng)，采用了傅里葉變換低通濾波算法對(duì)圖像進(jìn)行濾波和增強(qiáng)處理，提取感興趣的區(qū)域；利用缺陷的形狀特征，多指標(biāo)形狀選擇分離出缺陷區(qū)域；最后分析缺陷特征，引入多閾值對(duì)缺陷進(jìn)行分類，完成缺陷的檢測(cè)和分類目的。與傳統(tǒng)的圖像處理方法相比，該算法在對(duì)推力軸承墊圈缺陷檢測(cè)時(shí)，能夠較準(zhǔn)確的提取出各類缺陷并分類，準(zhǔn)確率達(dá)95.23%，平均檢測(cè)時(shí)間1 064.89 ms，為自動(dòng)檢測(cè)推力軸承墊圈缺陷提供了一種可行的系統(tǒng)及圖像處理算法。不足之處在于檢測(cè)算法由于樣本數(shù)量限制無法將各個(gè)閾值調(diào)整到最佳，后續(xù)會(huì)繼續(xù)進(jìn)行相關(guān)研究，改善問題并提高檢測(cè)速度和準(zhǔn)確率。