基于机器视觉的钢球表面缺陷检测和分类

刘青，张进华，黄军勤

(1.西安理工大学 工程训练中心，西安 710048；2.西安交通大学 机械工程学院，西安 710049)

钢球是轴承中的重要零件,直接影响轴承使用寿命、精度和运动性能，而影响上述性能的主要因素之一则是钢球表面随机分布的各种缺陷。根据有关资料，球轴承中钢球、内圈及外圈表面缺陷对轴承振动和噪声的影响程度为 10∶3∶1[1]，由此可见，钢球表面缺陷是影响轴承振动的主要因素，这也是国内、外轴承行业一直对相关检测技术的研究给予重视的根本原因。

目前，检测钢球表面质量的传统方法主要为人工目测法，不仅工作量大，而且易受检测人员主观因素的影响，容易造成误检和漏检，检测效率低，劳动强度大。如果在检测中操作不慎，还会对钢球表面造成二次损伤[2]。基于上述原因，非接触式数字图像检测技术逐步应用于钢球缺陷检测中。如文献[3-4]提出，利用图像处理方法测量钢球表面破损面积，通过计算面积并逐级比较获得最大缺陷面积，进而判断钢球是否合格；文献[5]则利用反光带的镜像变形实现表面缺陷的快速检测。

1 基于视觉的钢球表面检测平台搭建

钢球表面缺陷在非接触式图像检测中存在以下难点：

(1)钢球表面的高反光率问题。由于钢球表面接近于镜面反射, 导致采集画面亮度严重失真, 使所需检测的缺陷信息都被淹没, 尤其在法线方向上会形成大片光晕，虽然文献[6]通过一些试验方案弱化了部分钢球的反光, 但在图像采集过程中仍存在被完全覆盖在光晕及光斑中的缺陷；

(2)钢球表面的投影问题。由于钢球表面的镜面反射会导致裸露钢球表面映射四周的景象, 即使将检测环境密闭,所拍摄的图像中仍会存在一个方形黑色区域的投影(摄像机), 该投影区域与其他部分对比差异极大，给图像判别带来较大难度。

对GCr15钢球外轮廓进行试验，以常规拍摄方式获取的钢球表面图像如图 1所示。分析可知，照片明显受到了光晕现象和周围物体成像的影响，钢球外表面接近于镜面反射，符合上述基本分析。

图1 钢球表面图像

在非接触式图像检测方式中，好的照明方案与光源是整个机器视觉系统的关键因素。光源与照明方案相互配合，应将待测物体上所需采集的特征量突出到最大限度，并将物体上包含待检特征的区域与非主要检测区域进行明显的对比度区分。同时，为保证突出所要提取的特征，还应确保图像的整体亮度，光源也必须稳定。

经过各种组合试验，采用连续漫反射照明方式配合OPT-RID70球积分光源组成照明系统，如图2所示。

图2 采集系统光源装置

鉴于钢球全球面接近镜面反射的特性，为获取更高质量的钢球表面图像，提高后续图像处理及特征提取的效率，试验中将待测钢球、照明系统、CCD相机全部置于封闭的暗箱中。基于上述思路和措施，对钢球的表面反射规律进行了系统研究，并依据研究成果搭建了实验室环境下的图像采集平台，如图3所示。

图3 检测系统结构示意图

2 钢球表面缺陷检测与分类

2.1 基于纹理特征的钢球表面缺陷检测

由于设备自身特性和外部环境干扰，采用CCD摄像机采集钢球表面图像会造成图像信噪比下降和画面质量退化，故需要对图像进行处理，从而提高后续算法的速度以优化系统的整体性能。

首先，利用中值滤波对图像进行降噪处理；然后，应用分段线性灰度增强抑制噪声，并突出缺陷特征；最后，通过迭代法将图像二值化，经过开运算处理消除图像中的微小干扰，获取清晰的前景图像。为了进行缺陷分类和识别，使用标准面积值与综合熵的组合作为判断钢球表面有无缺陷的依据。

2.1.1 边界跟踪

边界跟踪技术主要用于描绘缺陷区域的轮廓线，以供后续特征提取计算几何参数。由于链码对图像中的噪声非常敏感，采用链码技术对钢球表面缺陷进行轮廓跟踪。为重建缺陷区域，应用链码给定方向上单位长度的线段序列标记轮廓，该序列的第1个元素必须带有其位置的相关信息。

用于描述曲线物体的边界，或者图像中1个像素宽线条的方向链码法称为Freeman码，链码本身是相对的，数据是相对于某个参考点的表示。如图4所示， 8方向链码是指中心像素指向其8个邻点的方向，按逆时针分别取值0～7。经过8方向链码提取钢球表面斑点缺陷和划条缺陷外轮廓的效果输出如图5所示。

图4 8方向链码原理图

图5 钢球表面缺陷的二值图及轮廓提取

2.1.2 基于共生矩阵的钢球表面缺陷特征提取

图像的纹理可以定性描述粗糙、精细、光滑和方向性等。通过灰度共生矩阵描述图像的纹理主要就是利用灰度的空间特性，通过计算图像区域的共生矩阵，用能量、熵、对比度、倒数差分矩和相关性这5个参数表示钢球表面的纹理特征，即

W(k)={ω1(k),ω2(k),ω3(k),ω4(k),

ω5(k)}，

(1)

式中：W(k)为表示钢球表面纹理特征的向量；k表示第k副图像；ω1(k)，ω2(k)，ω3(k)，ω4(k)，ω5(k)分别为第k副图像具有的能量、熵、对比度、倒数差分矩、相关性。

在对钢球表面区域进行特征提取之前，首先要对区域进行灰度级变换。灰度级变换不依赖像素点在图像中的位置，将原范围[p0,pk]内的亮度p变换为新范围[q0,qk]内的亮度q。数字图像的灰度级是有限的，在计算机中灰度图像一般为256级，此精度超出了要求，直接使用会使共生矩阵过于庞大，计算过程变得复杂，故在计算之前需将灰度级缩小为16级，即

q=T(p)=(p/256)/16。

(2)

为降低干扰，提高学习特征的可靠性，将分割出的钢球表面区域分成n个小窗口计算共生矩阵，使用的窗口大小为32×32，选取0°方向，相隔距离为5(单位为像素)，通过遍历全图，得到一系列小的钢球表面窗口的纹理Wi(k)，用这一系列向量的均值表示当前图像中钢球表面区域的纹理特征，即

(3)

至此，便获得了一帧钢球表面区域的纹理特征向量，通过同样的办法，结合具体试验，可以获得不同钢球表面缺陷的纹理特征。其统计结果见表1。

由表1可以看出，在有、无缺陷情况下，能量、对比度、倒数差分矩、相关性这4个参数的值比较接近，很难辨别钢球是否有缺陷。而钢球无缺陷时，熵值很小；对于有缺陷的钢球，其表面纹理遭到破坏，熵值变化较大。因此，初步选取纹理熵作为判断钢球表面缺陷的判据。由于灰度共生矩阵与方向相关。由此建立了0°，45°，90°和135°共4个方向上的灰度共生矩阵，用来描述钢球表面不同方向上的细节，并对每个方向上的共生矩阵提取纹理熵。为统一评判钢球表面纹理特征，对4个方向上的纹理熵求和得出综合熵。通过大量分析钢球生产企业人工分拣后合格钢球的综合熵数据，发现其数值均在0.9以下，而缺陷钢球的综合熵数值则在6.0～7.6之间。根据上述分析，采用综合熵作为钢球有无缺陷的判据。

2.2 钢球表面图像缺陷特征分类器的设计

钢球表面缺陷主要是指在正常工艺下可能产生的缺陷类型。具体是指在钢球的加工研磨过程中，由于种种原因引起的表面局部材料缺损。根据JB/T 10861-2008《滚动轴承钢球表面缺陷图册及评定办法》将钢球表面缺陷分类为：斑点、麻点、擦痕、划条和凹坑(烧伤归于此类)[7]。

根据缺陷形态描述几何特征参数，并给出了计算方法。提出将矩形相似度与圆形相似度之比、角度等特征与现有分类器相结合，组成组合判据以实现缺陷的分类和识别。

2.2.1 特征参数的提取

根据文献[4]可知，缺陷面积S、形状因子F、长短径比Rb、圆形相似度φ、矩形相似度R以及方向角度θ等缺陷区域的特征参数可以用于设计合理的钢球表面缺陷模式识别分类器。

对不同的缺陷类型进行多样本试验，结果见表2。由表可知，对于斑点、麻点和凹坑等圆形缺陷，形状因子和长短径比的值均较小，矩形相似度与圆形相似度比值d的差异并不明显，缺陷面积由大到小依次为麻点、斑点、凹坑，且三者相差很大；对于擦痕、划条等细长条形缺陷，形状因子和长短径比的值很大，矩形相似度与圆形相似度比值d则超过了20。

表2 缺陷样本参数

2.2.2 钢球表面缺陷的分类器设计

假设C为边界点数据组成的数集, 实际的目标包含n个缺陷区域, 相应的C可以划分成n个子集C1,C2, …，Cn。则分类模型可以设计为

(4)

通过d可以判别缺陷是偏圆形还是偏矩形，从而确定缺陷是划条、擦痕等条状缺陷，还是斑点、麻点、凹坑等圆形缺陷。由表2可以看出，对于斑点、麻点和凹坑缺陷，d<2；而对于划条和擦痕，d>20。由于条状的缺陷种类很多，d变化范围较大，为此选取d=10作为阈值，为条状缺陷留有一定的余量。对不同轴承类型和成像分辨率，需要重新计算缺陷样本参数，然后确定相对应参数的阈值。

3 试验结果与分析

系统整体检测试验选取1 000个公称直径为12.7 mm ，精度等级为G16的钢球，其中包含100个有缺陷的钢球样本(斑点、麻点、擦痕、划条和凹坑缺陷各20个)，软件界面如图6所示。检测结果如图7和表3所示。试验总计检测出带有缺陷的钢球95个，检测准确率为95%，由于实验室环境下钢球样本群有限，且为同一批次钢球，因此检测效果很好。

图6 测试试验软件检测界面

图7 钢球表面缺陷检测示意图

表3 试验测试结果

分析漏检的原因发现，拍摄区域中的钢球缺陷过于靠近边缘，造成缺陷区域无法完全提取，由于光照不均匀，或者在图像分割过程中阈值选取不佳，造成钢球表面出现一些小的连通区域，在分类时可能将细条状的划条缺陷误判为斑点缺陷。在使用实验室的图像采集平台拍摄钢球表面图像时，钢球表面没有完全“展开”，因此出现了漏检。

为了验证系统的算法性能，采用配置为Intel(R) CoreTM-i7 2.7 GHz，4G内存的计算机，运用Visual C++6.0编程，对图像分辨率为1 600×1 200像素的彩色位图文件(BMP)进行离线数据处理，结果见表4。可以看出，所编写的钢球表面缺陷检测与识别软件处理一幅图像的时间基本上小于80 ms，可以有效的保证系统运行的实时性。

表4 测试试验耗时 ms

4 结束语

首先，通过实验室搭建的图像采集平台拍摄获取钢球表面图像，然后对图像进行预处理提取出清晰且完整的缺陷区域，最后利用模式识别技术判断钢球表面是否具有缺陷并对不同类型的缺陷完成分类。利用Visual C++6.0设计开发基于视觉的钢球表面缺陷检测识别软件系统，并在实验室环境下完成程序的稳定性和可靠性测试。目前研究仍处于实验室阶段，在向钢球实际生产的转换中，还有大量的工作需要去做。