基于Canny算法的列车轴承内圈外表面缺陷检测

石炜 王涛

摘要：目前轴承表面缺陷检测操作的不足之处是速度慢、精确度低、人工成本高，本文提出一种基于机器视觉轴承内圈外表面缺陷识别方法。首先获取高质量的彩色图像并将其转换为灰度图，然后对输入图像进行预处理，采用直方图分割法求出最佳阈值对图像进行二值化处理，最后利用目标标记与边缘检测算法对图像信号进行缺陷识别与分析。实验结果表明，该方法实现计算机对缺陷图像的理解和自動识别，能够正确检测表面缺陷几何特征，并具有一定的适用性。此方法可以克服人工检测方法的许多不足，提高检测精度和速度，为后期的缺陷识别提供了技术支持。

关键词：机器视觉；目标标记；边缘检测；表面缺陷

中图分类号：TH16；TH133.33 文献标识码：A 文章编号：1007-9416（2018）05-0134-03

轴承是机械行业中非常重要且应用十分广泛的机械部件[1]，生产批量大、精度要求高。当前，轴承质量的检测方法是用目测或手感来判断其内外圈及滚子是否存在表面缺陷及其损伤程度，该方法不仅工作量大，检测速度慢，而且检测结果随机性大，人工成本高。如果漏检有缺陷的轴承，将给安全运输埋下重大隐患。基于这种情况，本文提出一种基于机器视觉轴承内圈外表面缺陷识别方法，首先将输入的图像进行预处理；然后，采用迭代分割法求出最佳阈值对图像进行二值化处理；最后利用目标标记与边缘检测算法对图像信号进行缺陷识别与分析，从而获得满意的效果。

1 图像预处理

1.1 图像灰度化

在智能识别系统中获得的是彩色图像，为了后端更好地处理和识别，就必须首先把彩色图像转换成灰度图像[2]；而彩色图像采集质量好坏直接影响到后续的处理和识别的效果，因此，本文根据实际情况，选取环形红色LED光源[3]，采用的照明方式是前向照明，低角度安装来获取优质彩色图像。部分彩色图及其灰度化结果如图1，图2。

1.2图像增强

由于形成图像的系统亮度有限，常常出现对比度不足的情况，针对这个问题，使用灰度级修正方法则可以使得图像的动态范围加大，图像对比度扩展，达到图像变得清晰。

设原图像像素的灰度值为，为图像坐标[4]，处理后的图像像素灰度值，则灰度级修正公式可以表示为：

其中，T为变化函数，一旦确定了灰度变换函数，那么图像中的每一像素点的运算也就被完全确定下来。采用不同形式的变换函数会得到不同的图像效果，常用的灰度变换有线性灰度变换、分段线性变换、全局线性变换以及对数、指数等非线性变换。关于灰度图像增强，另外还有基于直方图的变换方法，包括直方图均衡化和规定化[5]。

根据实际情况，本文用线性变换算法，简单快速同时处理结果可以满足要求。方法具体描述如下：

假设原图像f（x，y）的灰度范围[a1，a2]，经过线性变换后，输出图像的灰度范围为[b1，b2]，该线性变换可以用如下公式表示，经实验可知变换区间选用[0.11，0.52]增强效果最好，增强效果如图3。

1.3 中值滤波

所获得的实际图像在形成、传输、接受和处理的过程中不可避免地存在着外部干扰和内部干扰，比如敏感元器件的内部噪声，感光材料的颗粒噪声，传输信道的干扰噪声，在传输过程中的误差以及人为因素等[6]；这些噪声使得图像上像素点的灰度值不能正确地反映空间物体对应点的灰度值，从而降低了图像的质量，图像变得模糊，缺陷特征信息被淹没，这对图像分析极为不利。为了得到更优质的图像，需要对输入图像进行降噪预处理。从本质上讲，图像降噪的方法都是低通滤波的方法，而低通滤波是一把双刃剑，它在消除图像噪声的同时，也会消除图像的部分有用的高频信息，因此，各种去噪方法的研究实际是在去噪和保留高频信息之间进行的权衡。

其中椒盐噪声为常见的干扰噪声，噪声如图4，本文采用中值滤波法进行图像平滑处理效果最好，图像平滑效果如图5。

2 图像分析

2.1 图像分割

图像分割是一种重要的图像分析技术，就是把图像分成各具特性的区域并提取出感性趣目标的技术和过程。在对图像的研究和应用中，人们往往仅对数字图像中某些部分感兴趣，这部分常常称为目标或前景（其他部分称为背景），它们一般对应图像中特定的、具体独特性质的区域[6-7]。

根据实验对比情况，迭代法分割只能检测部分缺陷，不能满足检测要求，本文选择直方图分割法对图像的分割效果最优。如图6所示。

2.2 目标标记

连通区域标记是所有二值图像分析的基础。通过上述图像分割效果可知，图像仍然存在一些干扰区域，不利于后续的操作，它通过对二值图像中白色或黑色像素（目标）的标记，让每个单独的连通区域形成一个被标识的块，进一步的我们就可以获取这些块的轮廓、外接矩形、质心、不变矩等几何参数。

本文采用目标标记技术首先确定出干扰区域，此处应用连通域面积阈值来去除小区域干扰，即给一个阈值，经实验，此处选25较优，如果一个连通域的像素数小于该阈值即被认为是干扰进而被除去。以此完成对所有连通域的判断，对整幅图像做出缺陷有无的识别，对无缺陷的图像不再进行处理直接进行结果输出，对有缺陷部分进行进一步处理来识别缺陷类型。去除干扰前后对比效果如图7。

2.3 边缘检测

缺陷图像的边缘检测是数字图像分析的一个重要步骤，因此，研究边缘检测的方法在数字图像处理领域中是具有极其重要的意义。边缘是指有些像素其周围灰度值存在变化的集合。既然边缘就是灰度值不连续的结果，那么，这种不连续则可以利用求导的方法进行检测，即通过考察每个像素的某个邻域内灰度的变化，利用边缘邻近的一阶或二阶导数的规律来检测相应的边缘。

John Canny于1986年提出了Canny算子[8]，是具有滤波、增强和检测的多阶段优化算子。Canny算子的检测性能良好，既不存在虚假边缘，也不丢失重要的边缘。这种算法检测出的边缘与实际边缘间的位置偏差最小，定位精度高，而且对每个边缘点有唯一的响应，得到的边界宽度为单像素。本文选用Canny算子进行边缘检测，检测效果对比如图8。

Canny算子总结如下：

1）输入的图像用指定的标准差的高斯滤波器来进行平滑处理，用以减少噪声。2）局部梯度和边缘方向在每一点都計算。3）在2）中决定边缘点在梯度幅度图像上给出脊。4）最后，算法用合并八连通的弱像素点到强像素点的方法执行边缘连接。

因受噪声的干扰，Sobel算子、Prewitt算子与Log算子和并不能很好地提取缺陷的边缘，所检测缺陷边缘出现严重的断裂、重叠现象，而本文的算子提取出了满意的检测结果，此外，较好地抑制了噪声对检测的影响，并且保护了图像的边缘。这表明，本文提出的基于灰度图像的表面缺陷几何特征提取算法具有很强的抗噪能力和很好的边缘提取能力，为后期缺陷识别提供技术支持。

3 结语

本文讨论了轴承内圈外表面麻点损伤的检测效果，提出了一种有效的麻点检测方法，这种方法有效排除了噪声对检测结果的干扰，实验结果表明，本文的处理算法可以达到预期的目的，完成表面缺陷的检测，可以为轴承内圈外表面缺陷检测系统的图像处理解决方案提供一定的借鉴。

参考文献

[1]厉晓飞.基于机器视觉的汽车零件缺陷检测技术研究[D].武汉理工大学，2012.

[2]钱礼闰.CCD机器视觉在缺陷检测中的关键技术研究[J].教育教学论坛，2018，（15）：58-59.

[3]李学勇，方志烈.LED白色照明光源[J].灯与照明，2000，（06）：85-86.

[4]贾永红，编著.数字图像处理[M].武汉大学出版社，2003.

[5]胡桂珍.基于数字图像处理的车牌识别系统研究[D].西南交通大学，2010.

[6]汤朋文，陶华敏，肖山竹，方求.几种常用图像分割算法自适应性的分析比较[J].数字技术与应用，2016（05）：140+143.

[7]Ng HF.Automatic thresholding for defect detection[J].Pattern Recognition Letters，2006，27114）：1644-1649.

[8]Comparative performance study of several global thresholding techniques for segmentation.LEE S，CHUNG S A.Computer Vision.1990.

[9]夏良正主编.数字图像处理[M].东南大学出版社，1999.