祁玉梅　邵永生　黃山

摘 要：軸承在生產(chǎn)過程中的滾動體缺失會影響機械設備的安全運行，本文提出了機器視覺背景下基于VisionPro的軸承滾動體缺失檢測。在獲得較好的打光圖像后，利用VisionPro的PMAlignTool進行模板訓練以及缺失識別，并結(jié)合C#腳本，將結(jié)果可視化，在圖片上顯示具體的檢測結(jié)果，包括產(chǎn)品合格與否、合格的滾動體個數(shù)以及不合格的原因，便于后續(xù)的人機交互。通過實驗，該方法確實取得了較好的檢測結(jié)果，能夠正確檢測軸承滾動體的缺失情況，后續(xù)結(jié)合通信設備與機械手臂，可實現(xiàn)自動分揀。相較于傳統(tǒng)的人工檢測，該方式具有效率高、準確性高、安全性高的優(yōu)勢，是現(xiàn)代工業(yè)生產(chǎn)中亟需的檢測方式。

關(guān)鍵詞：機器視覺 缺失檢測 VisionPro 軸承

1 引言

軸承是機械設備的關(guān)鍵零部件，決定著機械設備運行的可靠性與穩(wěn)定性。一旦出現(xiàn)各種缺陷，極有可能會對機械設備的運行造成惡劣的影響，導致設備的故障，帶來經(jīng)濟損失。而滾動體又是軸承的核心部位，能夠起到很好的支撐作用，保障軸在旋轉(zhuǎn)過程中的穩(wěn)定性與精度。如果滾動體存在缺陷，軸承在高速運轉(zhuǎn)時會出現(xiàn)異常振動與發(fā)熱，無法保證機器設備的平穩(wěn)運行，甚者帶來人員傷亡[1-2]。因此對于滾動體的健康檢測具有重要的意義，尤其是軸承出廠前的質(zhì)量檢測必不可少[3]。裝配過程中常見的滾動體缺陷有滾動體缺失以及滾動體損傷，例如碰擦、劃痕、生銹等[4]。目前，常用的滾動體缺陷檢測可分為兩大類：基于人工的檢測以及基于機器視覺的檢測[5]。相較于人工檢測，基于機器視覺的檢測方式具有如下優(yōu)勢[6]：（1）效率更高。機器能夠?qū)崿F(xiàn)更快的檢測速度，尤其在高速運動的生產(chǎn)線上，相機和鏡頭比人眼更有優(yōu)勢。（2）準確性更高。人眼檢測會受到生理條件的約束，遠遠達不到相機和鏡頭的分辨率。另外，人眼檢測會受到主觀因素的影響，例如檢測員的心情很可能影響檢測結(jié)果，而機器不存在喜怒哀樂，結(jié)果更加可靠。此外，對于重復性的檢測過程，人眼會疲勞，而機器不會。（3）安全性更高。對于人工無法適應的一些高溫高壓等惡劣環(huán)境或者危險環(huán)境，機器可以實現(xiàn)非接觸式檢測，保障檢測質(zhì)量的同時也有效地保護了質(zhì)檢人員的安全。因此機器視覺在工業(yè)生產(chǎn)領域得到了廣泛的應用。本文也在機器視覺背景下，利用VisionPro軟件實現(xiàn)軸承滾動體的缺失檢測，并結(jié)合C#腳本在圖片上進行檢測結(jié)果的顯示，便于后續(xù)的人機交互。

2 機器視覺概述

機器視覺指的就是利用機器代替人，從而實現(xiàn)視覺類操作，如引導、檢測、測量與識別。完整的機器視覺系統(tǒng)包括：（1）視覺硬件，如光源、相機和鏡頭等，負責拍攝清晰的圖片，類似于人眼。（2）圖像處理軟件，用于對拍攝的圖像進行處理，提取有效信息，發(fā)出指令，類似于人腦。（3）執(zhí)行機構(gòu)，如機械手臂，接受指令，實現(xiàn)抓取等操作，類似于人的手臂。機器視覺系統(tǒng)的操作流程如圖1所示。

美國Cognex公司推出的VisionPro軟件是常用的機器視覺軟件之一，拖拽式操作，運用靈活，功能強大，集合許多圖像處理算法，包括定位、測量以及圖像的預處理等。本文利用VisionPro8.2版本進行軸承滾動體的缺失檢測。

3 滾動體缺失檢測

圖2所示是待分析的6個軸承產(chǎn)品的打光圖。檢測要求為：合格產(chǎn)品共包含14個滾動體，如有滾動體整個缺失（漏裝），或者滾動體的正面缺失則為不合格，此處不涉及滾動體的碰擦、磨損等檢測。圖3所示為合格與不合格產(chǎn)品的打光示意圖，（a）為合格產(chǎn)品，（b）為不合格產(chǎn)品，包含一個滾動體漏裝和一個滾動體的正面缺失。按照檢測要求，圖2（a）-2（e）均為不合格產(chǎn)品，缺失的部位均用紅色圓圈標記出來。圖2（f）為合格產(chǎn)品，完整包含14個滾動體。

具體的檢測流程為：

（1）采集圖像：首先利用Image Source加載如圖2所示已打光好的6幅產(chǎn)品圖，實際工業(yè)生產(chǎn)中可利用相機進行實時圖像的采集。

（2）訓練模板：利用三個CogPMAlignTool，分別訓練三個模板：合格的滾動體（PMAlignTool1）、滾動體漏裝（PMAlignTool2）以及正面缺失（PMAlignTool3），訓練好的模板如圖4所示。

（3）設置運行參數(shù)：以PMAlignTool1為例進行參數(shù)解釋，如圖5所示：a）鑒于合格產(chǎn)品含有14個滾動體，因此，將查找概述設為14;b）考慮一些干擾，可適當將接受閾值調(diào)整為0.33，并且不考慮雜斑的影響;c）允許一定的角度旋轉(zhuǎn);d）緊抓合格滾動體正面與反面的灰度值差異，增大對比度閾值為49，避免誤判。PMAlignTool2和PMAlignTool3的參數(shù)設置一致，將查找概述設為14，其他參數(shù)為原始參數(shù)。

（4）運行程序，并添加終端顯示檢測得到的合格滾動體的個數(shù)、滾動體漏裝的個數(shù)以及滾動體正面缺失的個數(shù)，便于后續(xù)進行產(chǎn)品是否合格的判斷。

4 結(jié)果顯示與分析

為了直觀地顯示更清晰的檢測結(jié)果，便于后續(xù)的人機交互，利用C#編程語言，添加腳本，在圖片上顯示如下4方面信息：正常滾動體的個數(shù)、產(chǎn)品合格與否、不合格原因以及用紅色圓圈標記出不合格的部分。圖6所示為腳本運行后的檢測與顯示結(jié)果。

可見，每張圖片都清晰給出檢測結(jié)果OK或者NG。若產(chǎn)品不合格，則給出不合格的原因。例如圖6（a）-6（d），合格的滾動體個數(shù)均為13，均有一個滾動體的正面缺失，且圖上均用紅色圓圈標記缺失所在的位置，因此這些產(chǎn)品均被檢測為不合格。圖6（e）亦為不合格產(chǎn)品，既有滾動體漏裝，又有滾動體正面缺失。而6（f）則為合格產(chǎn)品。檢測結(jié)果與實際相一致。根據(jù)檢測結(jié)果是NG或者OK，后續(xù)可通過增加執(zhí)行機構(gòu)，進行產(chǎn)品的挑揀。本文只對6個軸承產(chǎn)品的6張打光圖進行檢測，正確率達到100%，雖然實際情況可能更加復雜，但是思路是可行的，只要結(jié)合較好的打光方案，更豐富的預處理算法，均能取得較好的檢測效果。

5 結(jié)語

針對軸承滾動體的缺失檢測，本文采用了基于機器視覺的方式，利用VisionPro進行檢測，并結(jié)合C#腳本進行清晰顯示。該方法能夠?qū)崿F(xiàn)非接觸式下的檢測，通過結(jié)合較好的打光，以及豐富的圖像處理工具，能夠?qū)崿F(xiàn)效率高、準確性高、安全性高的缺失檢測，在工業(yè)生產(chǎn)中具有較高的應用價值。

致謝：論文中所采用的軸承打光圖得到蘇州德創(chuàng)測控科技有限公司的大力支持。

參考文獻：

[1]陳賢，夏建春.軸承滾子表面缺陷檢測技術(shù)的研究[J].科技創(chuàng)新導報，2018，15（28）：88-89.

[2]溫學軍，葛動元，姚錫凡，陳岳坪，王健.基于機器視覺的軸承滾動體缺失檢測[J].組合機床與自動化加工技術(shù)，2020（12）：116-120+124.

[3]崔明，顧啟民，黃震.基于機器視覺的軸承滾動體缺陷檢測算法研究[J]. 組合機床與自動化加工技術(shù)， 2015（11）： 74-78.

[4]段志達.基于機器視覺的軸承缺陷檢測[D]. 安徽工程大學，2020.

[5]張奔.基于機器視覺的軸承滾子表面缺陷檢測研究[D].南昌航空大學，2018.

[6]秦鐘偉，陳捷，洪榮晶.基于機器視覺的滾動軸承滾動體檢測[J].組合機床與自動化加工技術(shù)，2019（01）：118-121.