基于机器视觉的钢球表面缺陷检测和分类

本资料包含pdf文件1个，下载需要1积分

Detection and Classificati0n f10r Surface Defects of Steel Bals Based onM achine VisionLiu Qing ，Zhang Jin-hua2，Huang Jun-qin1.Engineering Training Center，Xi an University of Technology，Xi an 710048，China；2.School of MechanicalEngineering，Xi an Jiao-tong University，Xi an 710049，ChinaAbstract：Based on the analysis of optic reflecting characteristics of steel ball surface，a steel ball surface defect imagedetecting platform contmning an integrating sphere light source and a 0.5×telecentric lens is set up to solve the prob-lems about difficulties in steel ball surface imaging.According to the characteristics of the steel ball surface image，thepiecewise linear grey-scale enhancement method and boundary tracking are introduced to accomplish the separationand regional classifcation of micro defects of the steel ball surface，and the integrated entropy based on gray-level co- occurrence matrix is combined to judge the defects of steel ball surface.The image characteristics，such as ratio ofrectangularity to circularity，angle，etc are used to build defect classifer model，which are able to classify and identifythe defects of steel ball Surface efectively.The experimental results show that the recognition rate of five kinds of de-fects of steel ball surface is higher than 90% by using the model，the defects are efectively classifed.The time-con-suming of the algorithm iS less than 80 ms when the model iS tested in a 1 600×1 200 resolution.which iS able to meetthe real time requirements in the industrial detection.

Key words：roling beating；steel ball；defect detection；machine vision；classifer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 能，而影响上述性能的主要收稿日期：2013-06-04 ；修回日期 ：2013-07-10基金项目：国家自然科学基金资助项目61075007作者简介：刘青1978-，男，讲师，工学博士，主要从事模式识别与人工智能方面的研究。

因素之-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 ，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-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《轴承>2013.№.10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，以供后续特征提绕算几何参数。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。

246图 4 8方向链码 原理 图0 a斑点缺陷b划条缺陷图5 钢球表面缺陷的二值图及轮廓提取2.12 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k k， 2后，∞ ， k，k， 1式中： k为表示钢球表面纹理特征的向量；k表示第 k副图像； k，∞ k， 3k，∞ k，∞ 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P。，P 内的亮度P变换为新范围g。，g 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-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qrpp/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-系列小的钢球表面窗口的纹理 k，用这-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- nVk∑ k/n。 3至此，便获得了-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。

表 1 钢球的共生矩阵特征由表 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，初步选取纹理熵作刘青，等：基于机器视觉的钢球表面缺陷检测和分类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-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。

22 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 J。

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。

22.1 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 圆形相似度 、矩形相似度 R以及方向角度 0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，形状因子和表 2 缺陷样本参数0.829 0.5670.728 0.5970.820 0.5420.752 0.4470.015 0.6680.024 0.6350.017 0.6040.033 0.795O.724 0.525O.671 0.2700.6840.8200.6610.59444.53326.45835.52924.09l0.7250.402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2O。

2-22 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 个缺陷区域，相应的 c可以划分成/7，个子集 c。，c：，，C 。则分类模型可以设计为GEoS≥ S.

E。呲 FNE F≥ FF c，RRbS14式中：E 。表示没有缺陷；E 表示斑点缺陷；E 表示麻点缺陷；E 表示擦痕缺陷；E 。表示划条缺陷；E。i 表示凹坑缺陷；S为合格钢球表面黑色像素标准面积；。为共生矩阵的熵阈值，0<5；F为形状因子平均值，F1>10；S 为缺陷面积阈值，S >10 000；Rb为长短径比的阈值，c>20；S 为单点面积最大的麻点缺陷面积值，S <2 000；NumE 。表示对划条缺陷进行计数，如果计数个数超过 Ⅳ，则认为是擦痕，N3。

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 d10作为阈值，为条状缺陷留有-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2O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