吳秀東，李東興，常曉剛，王建軍

(山東理工大學 機械工程學院,山東 淄博 255049)

在工業(yè)強基工程中，軸承被列為機械基礎零部件的首位，高轉速高精度軸承更是被作為發(fā)展的重點方向[1]。鋼球屬于滾動軸承中的關鍵零件，其表面缺陷狀況對軸承的動態(tài)性能、使用壽命等有著舉足輕重的影響，統(tǒng)計表明，由于鋼球表面缺陷導致的軸承失效占比高達61.2%[2]，因此，鋼球表面缺陷檢測成為鋼球生產(chǎn)中一道必不可少的檢測工序。

目前，AVIKO-K型鋼球表面缺陷檢測儀廣泛應用于鋼球表面質量檢測，其利用光電、渦流檢測方法[3]，具有效率高、操作簡單等優(yōu)點。然而，為減小對渦流傳感器檢測精度的干擾，對檢測環(huán)境、儀器結構提出了很高要求；該檢測儀的展開機構等只能使用非金屬材料，耐磨性較差，必須頻繁更換，且對麻點缺陷類型識別能力弱。文獻[4-5]研制了均勻散射的光源照明系統(tǒng)，設計了基于雙CCD相機的鋼球表面一維滾動展開方法，使用水平、垂直投影粗略定位與Canny算子準確定位結合的方法確定直線軌道上每個鋼球的位置，采用實時背景差分方法提取鋼球表面缺陷；但該系統(tǒng)僅針對φ1.5 mm的鋼球，適用性低，實時背景差分方法的連續(xù)性、穩(wěn)定性也存在很大問題[6]；文獻[7-8]設計了基于最小圓形外接矩形得到鋼球檢測區(qū)域的方法，采用剪影法及BP神經(jīng)網(wǎng)絡方法提取鋼球表面特征，但其所檢測的鋼球直徑范圍為10～20 mm，檢測范圍窄且油液介質和展開系統(tǒng)還有待研究。文獻[9-10]運用光纖檢測方法，但并未設計展開裝置、上位機界面等；還有其他針對鋼球表面展開方法[11]及模式識別方法[12]的研究，但均缺乏實際應用。

綜上，結合Halcon軟件提出一種鋼球表面缺陷檢測系統(tǒng)設計方案，將采集到的鋼球表面圖像實時傳入計算機，通過建立的圖像處理缺陷檢測算法提取表面缺陷，能夠有效地從復雜背景中計算出鋼球表面缺陷面積，進而控制電動機帶動機械手工作，準確實現(xiàn)鋼球優(yōu)劣的自動分揀，并在實際的鋼球生產(chǎn)過程中取得了良好的效果。

1 鋼球表面質量檢測系統(tǒng)

1.1 硬件結構

鋼球表面缺陷檢測系統(tǒng)如圖1所示，主要包括上料裝置、照明裝置、鋼球表面展開裝置、圖像采集傳輸裝置、計算機和分選控制裝置。其工作原理為：裝料箱中的被測鋼球通過往復運動的出球滑板到達過渡通道，當過渡通道上的磁敏傳感器判斷鋼球達到設定數(shù)量時，裝料箱上的出球滑板停止運動從而停止出球。2個往復進球機械手之間的距離可以調節(jié)，用來控制每組檢測鋼球的數(shù)目，限位機械手將每組鋼球限制在檢測區(qū)域內。過渡通道上方裝有保護液噴淋管，減少檢測過程中的鋼球碰撞、摩擦損傷，同時提高鋼球表面清潔度。整個檢測通道的寬度可以調節(jié)，檢測鋼球直徑范圍為10～50 mm。檢測區(qū)域兩側為LED照明裝置，檢測區(qū)域下方是作往復、周向運動的展開盤，可使得鋼球表面充分展開。在鋼球表面展開過程中，光學鏡頭、CCD相機配合完成鋼球表面圖像采集，通過基于Halcon的鋼球表面缺陷檢測算法實時計算采集圖像的鋼球表面缺陷面積，從而判別鋼球是否合格，分球機械手和分球板相互配合使鋼球進入相應的品料倉。

圖1 鋼球表面缺陷檢測系統(tǒng)示意圖Fig.1 Diagram of detecting system for surface defects on steel ball

1.2 圖像處理軟件

該檢測系統(tǒng)的圖像處理軟件基于Halcon 10.0編程開發(fā)[13]。根據(jù)實際使用需求，所設計的系統(tǒng)主界面如圖2所示。主要包括開始與停止檢測控制、檢測方案設置、相機設置、電動機控制、缺陷面積與檢測結果顯示。通過這些功能模塊的相互結合，可高效、準確地實現(xiàn)鋼球優(yōu)劣的自動化分揀。

圖2 檢測系統(tǒng)主界面Fig.2 Main interface of detecting system

2 基于Halcon的鋼球表面缺陷檢測算法

2.1 感興趣區(qū)域選取

圖像過大、背景復雜、對象過多都會干擾對目標的處理。為提高圖像處理的針對性和準確度，去掉無用區(qū)域，提高圖像處理速度，通常會采用感興趣區(qū)域(Region of Interest，ROI)選取[14-15]，從而優(yōu)化系統(tǒng)性能。

檢測過程中，鋼球每4個一組進入展開盤，每組鋼球所在位置固定。由于LED燈兩側式照明方式的影響，鋼球正上方存在反射盲區(qū)，相鄰鋼球表面也會存在光線的相互反射，使得CCD相機所采集到圖像如圖3所示。

圖3 CCD相機采集到的鋼球圖像Fig.3 Steel ball image captured by CCD camera

為去除與鋼球表面圖像無關的背景、反射盲區(qū)以及相鄰鋼球反射成像的區(qū)域，系統(tǒng)通過4個橢圓區(qū)域取并集，然后與矩形區(qū)域取差集的方法獲取含有鋼球表面缺陷圖像作為感興趣區(qū)域，具體步驟如下：

1)在鋼球成像的固定位置分別繪制4個橢圓區(qū)域Ellipse1～Ellipse4，對于包含鋼球表面缺陷區(qū)域進行合并，同時去除圖像背景和相鄰鋼球反射成像的區(qū)域，如圖4所示。橢圓區(qū)域靈活性強，可以充分包含每個鋼球的表面圖像。

圖4 合并區(qū)域Fig.4 Union region

2)根據(jù)所檢鋼球尺寸以及反射盲區(qū)大小繪制矩形區(qū)域Rectangle，如圖5所示。矩形區(qū)域應包含鋼球表面圖像的盲區(qū)以及盲區(qū)相鄰的偏暗區(qū)域，若矩形區(qū)域過大會減小鋼球表面有效面積，造成缺陷漏檢；若矩形區(qū)域偏小會使得背景圖像殘留在檢測區(qū)域中，造成鋼球的誤檢。

圖5 矩形區(qū)域Fig.5 Rectangle region

3)令合并區(qū)域UnionRegion與矩形區(qū)域Rectangle取差集，最終得到感興趣區(qū)域ROI_0，如圖6所示。

圖6 感興趣區(qū)域Fig.6 Region of interest

2.2 形態(tài)學濾波

由于采集裝置、傳輸方式、工作環(huán)境等因素的影響，采集到的鋼球表面圖像往往夾雜噪聲，使得表面質量下降，所計算的缺陷面積不準確，從而產(chǎn)生誤判。

通過形態(tài)學濾波處理[16]可有效除去圖像中含有的噪聲成分，保護鋼球外部輪廓與缺陷區(qū)域細節(jié)特征，并且使得圖像亮度有所增強，濾波結果如圖7所示。

圖7 感興趣區(qū)域形態(tài)學濾波Fig.7 Morphological filtering of region of interest

2.3 鋼球表面缺陷邊緣檢測

邊緣是圖像最基本的特征，邊緣檢測是圖像處理的重要組成部分，其準確性直接影響后續(xù)的圖像處理、分析和識別。為計算鋼球表面缺陷面積，進行判別分選，需要運用邊緣檢測算法提取鋼球表面缺陷邊緣。

2.3.1 多方向計算梯度幅值并進行非極大值抑制

設不同方向的模板分別為

將形態(tài)學濾波后的圖像J(x,y)分別與各模板卷積，得到的梯度分量分別為L0°(x,y)，L45°(x,y)，L90°(x,y)，L135°(x,y)，則

(2)

式中：L(x,y)為梯度幅值；θ(x,y)為梯度方向。對J(x,y)內的像素點，比較3×3鄰域中心點像素的梯度幅值與梯度方向上相鄰2個像素點的梯度幅值，如果鄰域中心點像素的梯度幅值比梯度方向上相鄰2個像素點的梯度幅值都大，則將當前鄰域的中心點記為可能的邊緣點，否則當前鄰域的中心點為非邊緣點，賦值為0。

2.3.2 類間方差和類內方差比值最大化

將非極大值抑制后的圖像分為前景區(qū)域和背景區(qū)域，使這兩類的總類間方差與總類內方差比值最大，從而自適應獲得高低閾值。

假設非極大值抑制后的圖像中灰度值i的像素數(shù)為ni，灰度范圍是[0,255]，總像素數(shù)目為V，各個灰度值出現(xiàn)的概率為pi=ni/V。把圖像中的像素由閾值T分為前景區(qū)域類C0=[0,T-1]和背景區(qū)域類C1=[T,255]，則C0和C1產(chǎn)生的概率分別為

(3)

對應的平均灰度分別為

(4)

整幅圖像的平均灰度為

(5)

P0P1(μ0-μ1)2。

(6)

(7)

(8)

(9)

(10)

比值函數(shù)α(T)只有一個自變量T，比值函數(shù)α(T)取最大值時，即總類間方差與總類內方差比值最大。

在[0,255]內閾值T從小到大順次取值，令α(T)最大的T值便是高閾值Th，則低閾值Tl=Th/2。使用高低閾值在3×3鄰域內檢測和連接邊緣，即若像素點(x,y)的梯度值大于Th，則為邊緣點；若梯度值小于Tl，則不是邊緣點；若像素點(x,y)的梯度值位于Th與Tl之間，在3×3鄰域內如果存在梯度值大于Th的像素點，則為邊緣點，否則不是邊緣點。最終得到邊緣檢測圖像，如圖8所示。

圖8 邊緣檢測圖像Fig.8 Edge detection image

2.4 計算鋼球表面缺陷面積

對鋼球表面缺陷圖像進行邊緣檢測后，為防止屬于同一區(qū)域的缺陷像素被分為不同區(qū)域，以及方便計算缺陷面積，需要進行連通區(qū)域，在Halcon 10.0中，連通區(qū)域算子為connection。

常用判別連通性的方法有4連通區(qū)域和8連通區(qū)域，如圖9所示。4連通區(qū)域包括中心像素相鄰的上、下、左、右4個位置；8連通區(qū)域包括中心像素相鄰的上、下、左、右、左上、左下、右上、右下8個位置[17]。擦痕、劃條等缺陷往往有一定的傾斜角度，4連通區(qū)域容易把這類屬于同一區(qū)域的缺陷錯誤地分為不同區(qū)域，而8連通區(qū)域可更好的根據(jù)周圍像素對缺陷區(qū)域分類，故本系統(tǒng)采用8連通區(qū)域。

圖9 連通區(qū)域示意圖Fig.9 Diagram of connected regions

鋼球表面缺陷面積S實際上是指一個缺陷區(qū)域包括的像素點的總數(shù)目，可以使用Halcon 10.0中的算子area_center計算缺陷區(qū)域的中心位置和缺陷面積。鋼球表面缺陷檢測軟件系統(tǒng)坐標系如圖10所示，從圖10b可以看出，根據(jù)缺陷區(qū)域的橫坐標值和每粒鋼球圖像的橫坐標區(qū)間即可確定每個缺陷的具體位置。

圖10 軟件系統(tǒng)坐標系示意圖Fig.10 Diagram of software system coordinates

2.5 算法流程

綜上可知，基于Halcon的鋼球表面缺陷檢測算法流程如圖11所示。

圖11 本文算法的流程圖Fig.11 Flow chart of textual algorithm

3 系統(tǒng)的測試與分析

實際檢測過程中，采用分辨率1 032×778，像素尺寸4.65 μm×4.65 μm的IK081M-30面陣CCD相機和TEC-M55光學鏡頭進行圖像采集。

鋼球質量判別前需要進行缺陷面積閾值設定。根據(jù)鋼球感興趣區(qū)域選取圖像，在Halcon 10.0中分別進行缺陷邊緣連通和缺陷面積計算。某3粒鋼球缺陷的計算結果如圖12所示，圖中從左至右分別為感興趣區(qū)域選取圖像、缺陷邊緣連通結果和缺陷面積。由于鋼球表面缺陷面積數(shù)據(jù)較多，因此將缺陷面積從大到小進行排列，只截取了部分缺陷面積數(shù)據(jù)。

圖12 鋼球的部分缺陷面積數(shù)據(jù)Fig.12 Partial defect area data of steel balls

為說明判別方法，以φ12.7 mm的鋼球為例說明判別閾值的選擇。選擇不合格鋼球和合格鋼球各20粒，在檢測區(qū)域觀察并記錄每粒鋼球的缺陷面積數(shù)值(為保證鋼球表面充分展開，同時最小程度避免缺陷重復檢測，根據(jù)展開盤的運行速度，應保證觀察時間4～5 min)，每粒鋼球的缺陷面積峰值見表1。由表可知：不合格鋼球的最小峰值為23，合格鋼球的最大峰值為17。為減少誤檢，可將第1判別閾值設定為20。

表1 鋼球的缺陷面積峰值Tab.1 Peak defect area of steel balls

將每粒鋼球的表面缺陷圖像的缺陷面積S建立數(shù)組，并從大到小排列，則數(shù)組中第1個數(shù)值Smax為最大值，第2個數(shù)值S2為次大值。如果僅僅以Smax>20作為判別鋼球不合格的標準，會造成誤判，因為當滿足20≥Smax>10且次大值S2大于10時鋼球也是不合格的，故添加了第2個判別步驟，則鋼球表面合格與否的判別方法為：

1)若Smax>20，則鋼球不合格，否則執(zhí)行第2步；

2)若Smax>10且S2>10，則鋼球不合格，否則鋼球合格。

在確定鋼球表面缺陷面積的閾值后，需要對系統(tǒng)進行性能測試。由于該檢測系統(tǒng)用于流水線作業(yè)的工業(yè)生產(chǎn)，應具備較高的實時性與準確性。為驗證系統(tǒng)在實際檢測過程中的效率，將企業(yè)生產(chǎn)的5 000粒φ12.7 mm鋼球進行實時分揀，每組所檢測鋼球數(shù)量為4粒，每組鋼球采集的圖像數(shù)為5幅，通過往復、周向運動的展開盤相互作用，使得鋼球表面充分展開。檢測結果見表2。

表2 鋼球表面缺陷檢測結果Tab.2 Testing result of surface defects on steel ball

由表2可知：鋼球表面缺陷檢測系統(tǒng)的錯檢率小于2%，可達到工業(yè)生產(chǎn)中檢測準確性的要求。雖然分球機械手的協(xié)同作用會對檢測速度產(chǎn)生一定影響，但在鋼球合格率較高的情況下，該系統(tǒng)每小時可檢測鋼球仍可達6 000粒，保證了檢測的實時性，能夠滿足企業(yè)實際生產(chǎn)的需要。

4 結束語

針對傳統(tǒng)鋼球表面質量檢測所存在的檢測效率低、錯檢率高、勞動力需求大等缺點，提出了一種基于Halcon圖像處理平臺的鋼球表面缺陷檢測系統(tǒng)設計方案。根據(jù)建立的圖像處理算法，對工業(yè)相機采集的鋼球表面圖像進行缺陷檢測，然后通過缺陷面積計算并與缺陷面積閾值比較完成鋼球的自動分揀，實現(xiàn)鋼球表面缺陷的非接觸性檢測。實際檢測結果表明，該系統(tǒng)結構簡單，檢測速度快，誤檢率低，滿足大批量的鋼球生產(chǎn)過程，可大大提高工業(yè)生產(chǎn)的效率和自動化水平，具有很大理論研究和實際應用價值。但檢測系統(tǒng)的照明方式以及表面展開機構仍存在缺陷，在實際檢測過程中會出現(xiàn)光照不均勻及表面展開不充分等問題，這將成為后續(xù)研究的重點。