轴承套圈端面缺陷在线视觉检测的研究与实现

针对轴承生产企业套圈生产过程中普遍存在端面缺陷的问题与人工目检的现状，提出了基于机器视觉的轴承套圈端面缺陷在线检测方法。首先，对套圈图像预处理后进行边缘检测，采用四连通域定位套圈端面区域；其次，采用*小二乘法拟合端面轮廓以判别外形缺陷，采用极坐标变换将套圈环形端面拉伸成矩形，采用Sauvola局部二值化算法对矩形图进行缺陷分割，并通过坐标系反变换与双线性插值法将缺陷图转换回环形图；*后，根据提取缺陷的图像特征完成缺陷的识别与分类。现场测试表明，套圈端面检测系统的整体识别准确率达98.6%。

轴承是保证机械装备回转精度不可或缺的基础部件，轴承套圈在经过平面磨削加工后，其端面可能依然存在锻废、大小边、磕碰伤、车废、磨伤、黑皮等外观缺陷。如果套圈端面存在缺陷，其作为外圆无心磨等后序工位的定位面，势必影响加工精度和轴承的回转精度，可能导致轴承使用过程中产生噪声和振动，从而加速磨损，甚*引发机器故障。另一方面，端面缺陷套圈进入后续工序加工后剔除或成品进入市场后召回，都会给企业带来物资与人力成本的极大浪费。因此，必须在平面磨削加工后将缺陷品剔除，避免流入后续工序。

目前，大多企业仍凭借质检员肉眼与主观经验对套圈进行鉴定与判断，质检结果易受人为因素影响，检验标准难以保持一致，稳定性差且易漏检。机器视觉具有精度高、效率高、实时性好等优点，是替代人工检测的有效方法，例如：文献[2]采用改进Otsu方法进行阈值化处理，利用八连通域标记识别技术实现了轴承端面的非接触检测；文献[3]利用纹理单元解决了空气轴承表面变化的光照强度影响图像采集的问题。

在上述研究的基础上，本文提出一种轴承套圈端面缺陷在线视觉检测方法，采用四连通域、种子填充算法定位检测区域，Sauvola局部二值化算法进行图像分割，并基于多特征的外观缺陷识别方法判别缺陷。

1.光源选择与检测区域定位

1.1 光源选择

光源是视觉检测系统不可或缺的组成部分，直接关系到成像质量。良好的照明方式可以凸显目标区域的特征，减轻图像处理工作量。

端面缺陷检测成像面为圆环形金属端面，具有一定的镜面发射效应，且被测套圈尺寸跨度大，故采用球积分漫反射无影照明方式，照射面积大，光线集中且照射均匀，不会形成镜面反射.

1.2 图像预处理

图像捕获过程中存在的噪声与干扰会降低图像质量，增加后续边缘检测与图像分割的难度因此，需要对原始图像进行一定的预处理，消除图像中的噪声与干扰。由于端面环形区域外为背景区域，灰度值较低，均值滤波处理后的环形区域明暗对比变弱，图像也变得模糊；中值滤波处理后的端面边缘部分被黑色区域影响，边缘细节丢失；而高斯滤波由于加权平均的特点，在去除噪声的同时可以很好地保留圆环及其边缘的细节。针对套圈端面区域与背景区域对比较大，并且需要检测出细小缺陷的特点，选取大小为3×3，标准差为1的滤波窗口进行高斯滤波。

1.3 边缘检测

边缘检测是通过识别图像中亮度发生明显变化的部分确定需要识别图像边缘的位置。区域内灰度突变反映了图像的重要变化，是价值极高的图像特征。针对本研究，边缘检测可以很好地完成套圈端面区域与背景区域的划分，更容易实现检测区域的定位，为下一步处理做好准备工作。

常用的边缘检测算子包括Canny 算子、Sobel算子与Laplacian算子。Sobel算子对噪声和灰度渐变的边缘适应能力较强，但对图像有平滑处理功能，适用于对精度要求不高的场合；Laplacian算子对噪声的抗干扰能力较差，会将无效像素视为边缘点，但会突出边缘的对比度，适用于图像锐化场景；Canny算子具备错误率低，定位能力强，边缘像素响应单一等特性，被称为*优秀的边缘检测器。Canny算子的抗噪声干扰能力更强，对边缘的定位能力较强，能检测出真正的弱边缘。因此，本文选取高低阈值比率为2:1的Canny 算子提取套圈端面圆环的2条轮廓。