基于機器視覺的軸承識別與定位算法研究

余浪,苗鴻賓,b,蘇赫朋,申光鵬

(中北大學 a. 機械工程學院; b. 山西省深孔加工工程技術研究中心,山西 太原 030051)

0 引言

軸承是機械設備中一種重要的零部件,主要用于支撐機械旋轉體,降低其運動過程中的摩擦因數并保證其回轉精度,故被應用于不同的機械裝置中。軸承的質量關系著整個裝置的運行狀態和使用壽命,所以在軸承的生產過程中需對軸承的多項參數進行質量檢測以及尺寸測量[1]。

基于機器視覺的快捷,靈活,抗干擾能力強以及可編程控制等特點,機器視覺技術在工業生產上得到了越來越多的應用[2],結合機器視覺對軸承進行質量檢測以及尺寸測量等操作也一直是自動化技術領域的研究熱點。白芳等[3]為了提高對軸承的測量精度以及測量的速度,結合機器視覺技術設計了一種針對軸承的檢測系統,實現了對軸承的定位、多位置的尺度測量以及軸承表面的缺陷檢測。林海波等[4]為了能夠更加準確地定位到微小軸承的位置信息,在處理微小軸承圖像的過程中,通過局部區域特征的三次曲線模型求解軸承圖像的內外圈邊緣亞像素信息,并以此計算得到更精確的圖像邊緣信息。溫學軍等[5]通過軸承圖像的灰度函數圖以及一階導數圖來對軸承滾動體的缺失進行檢測判斷。

工業生產中在對軸承進行各項參數檢測時,受現場工況的影響,待檢測的軸承會在一定程度上偏離原先固定的位置,若此時繼續對軸承進行質量檢測以及尺寸測量將導致檢測的結果出現較大的偏差?；诖?為了保證軸承各項參數的檢測準確性,本文提出一種基于機器視覺的軸承識別與定位算法,通過設置軸承的模板圖像以及檢測閾值,結合圖像的Hu不變矩特征對軸承進行識別匹配;通過最小二乘法對圖像的邊緣點進行圓擬合并采用迭代法進行修正,通過計算圓心的位置坐標,實現對待檢測軸承的定位。該方法可有效地識別、定位目標軸承,提高對軸承各項參數的檢測精度。

1 算法流程

本文以NSK 6204Z軸承作為研究對象。NSK 6204Z軸承是一種深溝球軸承,用于模具標準件、壓力機、 冷沖壓設備等。本文基于機器視覺對待檢測軸承進行識別與定位的算法流程如圖1所示。要實現對軸承的準確識別與定位,主要關鍵步驟包括:1)圖像采集,調試視覺系統采集目標圖像;2)圖像預處理,消除與圖像識別定位無關的圖像信息以及噪聲干擾;3)圖像外輪廓邊緣特征的提取;4)對目標軸承進行準確的識別判斷以及定位計算。

圖1 算法流程

2 軸承識別定位算法

2.1 圖像預處理

圖像預處理的目的是為了消除圖像中多余的圖像信息以及由環境因素影響所帶來的干擾信息,突出感興趣的圖像區域,同時達到簡化圖像數據以及增強目標圖像特征的目的。本文對軸承圖像的預處理流程如圖2所示[6]。

圖2 圖像預處理

因為在對圖像進行識別與定位的過程中只需考慮圖像的形狀特征而不需要考慮圖像的顏色特征,所以在對軸承圖像進行識別定位之前需對其進行灰度化處理?；叶然瘓D像能達到簡化圖像,同時減少圖像特征提取的時間,提高圖像識別定位的速度[7],灰度化效果如圖3所示。

圖3 圖像灰度化

2)圖像濾波

在采集圖像的過程中,受環境因素的影響,采集到的圖像中往往會存在干擾的圖像噪聲,而這些噪聲的存在會影響圖像特征的提取效果。所以本文采用中值濾波算法對軸承圖像進行濾波處理。中值濾波在對圖像進行濾波處理的過程中不僅能夠有效地對突變噪聲進行降噪處理,同時能夠很好地保存圖像中的邊緣特征[8],濾波效果如圖4所示。

圖4 中值濾波

3)圖像閾值分割

對圖像進行閾值分割的目的是為了突出圖像中感興趣的區域,為后續的圖像識別定位計算做好準備。圖像閾值分割的過程主要通過設定閾值T來對圖像進行二值化處理。在對圖像進行閾值分割之前,首先對目標圖像進行灰度直方圖的統計,如圖5所示。根據灰度直方圖的分布情況,本文采用Otsu法對圖像進行分割處理[9],該方法分割效果好,計算簡單。在對圖像進行分割的過程中,動態地確定閾值T,使得在圖像分割之后,目標圖像與背景之間的方差最大,閾值分割效果如圖6所示。

圖5 中值濾波后的圖像灰度直方圖

圖6 Otsu閾值分割

4)圖像外輪廓邊緣檢測

圖像的邊緣特征包含了圖像的大部分信息,是對圖像進行識別定位的關鍵因素。在邊緣檢測的算法中Canny邊緣檢測受到噪聲的影響較小,檢測出來的邊緣比較連續,邊緣線條清晰,檢測精度高并且受圖像噪聲的干擾較小,在對圖像進行邊緣的檢測中得到了廣泛的應用。所以本文結合此方法對軸承圖像進行邊緣檢測。同時通過對軸承圖像的外輪廓邊緣特征進行識別匹配定位就可以達到對目標軸承進行識別定位的目的,還可以簡化圖像處理的信息,提高計算速度。為提取到目標圖像的外輪廓邊緣特征,本文對閾值分割后的圖像先進行孔洞填充處理,再對圖像進行Canny邊緣檢測,效果如圖7所示。

圖7 外輪廓邊緣特征檢測

2.2 軸承的Hu不變矩特征識別匹配

在提取到目標圖像外輪廓邊緣特征后,本文采用圖像的Hu不變矩特征來對目標軸承進行識別匹配。通過設置軸承的模板圖像,計算模板圖像與待識別軸承圖像外輪廓的Hu不變矩特征值并進行比較計算,同時設定相應的檢測閾值,以達到對目標軸承進行識別判斷的目的。

1)Hu不變矩

圖像的Hu不變矩特征具有在圖像發生平移、縮放以及旋轉的時候都不變的性質[10],其分析計算過程如下。

a)計算圖像的(p+q)階幾何矩mpq和中心矩μpq:

(1)

式中N、M分別為圖像的行列數。

b)對中心距μpq做歸一化計算:

(2)

式中μ00是零階中心距。

c)構造胡氏7個不變量

(3)

上述的7個特征量變化較大,并且可能出現負值。因此,本文采用式(4)對上式得出的結果再進行計算。

φi=sign(φi)log|φi,i=1,2,…,7

(4)

2)工件的識別匹配

對待識別的軸承進行識別匹配的過程中,首先需建立軸承的模板圖像A并獲取到該圖像外輪廓的Hu不變矩特征值;然后對待識別的軸承圖像B進行處理,提取圖像的外輪廓邊緣特征,同樣也計算出該輪廓的Hu不變矩特征值;最后對兩組特征值通過式(4)進行計算并利用式(5)進行計算比較,同時設定相應的檢測閾值完成工件的識別匹配判斷。

(5)

由式(5)可知:當I(A,B)越小時,待識別的軸承圖像與模板軸承的匹配度越高,反之則越低。

2.3 軸承工件的定位

傳統的定位軸承工件圓心的位置有Hough變換[11]、三點定圓法[12]以及最小二乘法[13]。Hough變換具有魯棒性好,但在其投票統計的累加過程中需要消耗大量的內存和時間;三點定圓法雖然計算簡單,但其定位精度也較低;最小二乘法可以得到高精度的圓心位置,同時計算量少,占用的內存和消耗的時間均較少,但容易受到圖像中干擾點的影響,降低最后的定位精度?；诖?本文提出在完成目標軸承的識別匹配之后,對提取到的圖像外輪廓上的邊緣點集Q采用最小二乘法進行圓的擬合,然后利用迭代法進行修正,最后通過計算圓心的位置坐標實現對目標軸承工件的位置定位,達到提高軸承工件的定位精度以及檢測系統的檢測效率的目的。

圓曲線方程的一般形式可以描述為

R2=x2-2Ax+A2+y2-2By+B2

(6)

令a=-2A,b=-2B,c=A2+B2-R2,則可將式(6)轉換為

x2+y2+ax+by+c=0

(7)

設di為邊緣上的點ai(Xi,Yi)到圓心的距離,則有:

(8)

(9)

通過Q(a,b,c)分別對a、b和c求偏導并取偏導數為0,則可以計算出:

(10)

由此即可計算出擬合圓的圓心坐標O0(Xc,Yc)以及圓半徑R0的大小。但是在實際的應用中發現,該算法有時候得出的結果與真實的結果存在較大的偏差。這是因為在進行圓擬合的過程之中受到某些方向上干擾點的影響,導致最終得出的結果出現了偏差。所以為了使計算出的結果更接近于真實值,本文采用迭代法對上述得出的結果進行迭代修正處理。設迭代函數為

(11)

式中參數p的作用在于當干擾點接近擬合圓時,放大誤差值,使得f取到全局最小值。

ξ(k+1)=ξ(k)-ΦFξ(k);F=[F1F2F3]T

(12)

在迭代計算的過程中取圓心坐標O0(Xc,Yc)和半徑R0作為ξ(k)的初始值ξ(0)。同時結合迭代終止式(13),設置相應的初始步長以及迭代精度得出最終的圓心坐標和半徑值。

(13)

式中tol為迭代的相對誤差。

3 實驗驗證與結果分析

本文結合實驗室現有的AUBO機器人、?？礛V-CE050-31GM相機、MVL-HF1228M-6MPE鏡頭等設備,基于Visual Studio 2017平臺、OpenCV3.4.6視覺函數庫進行開發與實驗驗證分析。其中MV-CE050-31GM相機的傳感器類型為CMOS,分辨率為2 592×1 944,通信接口為GigE;MVL-HF1228M-6MPE鏡頭具有畫面清晰度高以及對比度好等特點。將相機安裝在AUBO機器人的執行末端,用于采集軸承圖像,采用環形光源進行補光以使軸承圖像更加清晰,以PC作為上位機,通過GigE接口接收相機發送過來的圖像信息,實驗環境如圖8所示。

圖8 實驗環境

實驗的過程之中將NSK 6204Z軸承擺放在試驗臺上并在每一次實驗之前在一定范圍內改變其在實驗臺上的位置,然后設置軸承的模板圖像與檢測閾值,利用本文的算法對待檢測的軸承進行匹配識別,設置當檢測得到的匹配度閾值小于0.05時,則認為該工件為目標軸承工件。同時利用本文的定位算法計算出軸承的位置坐標(xi,yi),將此結果與真實值(x0,y0)做比較,計算在x軸方向和y軸方向的偏差值Δx和Δy。

(14)

共進行了50次的實驗,實驗結果如表1(部分結果)和圖9—圖11所示。

由圖9可知軸承匹配度的范圍在0～0.03之間,皆小于設定的匹配度閾值0.05,50次軸承的識別匹配正確率為100%;圖10中在x軸方向和y軸方向上的位置誤差撥動范圍的絕對值都在0.5像素以內;圖11中每次實驗所用的時間都在[210,230]ms之間,識別定位誤差皆滿足系統對軸承的識別定位精度要求。由此可知在誤差范圍之內,本文算法可實現對目標軸承的準確識別與定位。

圖10 定位誤差曲線

圖11 耗時曲線

4 結語

針對在結合視覺技術對軸承進行質量檢測以及尺寸測量的過程之中,待檢測的軸承易發生位置的偏移導致測量的結果出現較大的偏差,所以在對軸承進行各項參數檢測之前需對目標軸承進行準確的識別定位?；诖?本文提出了一種基于機器視覺的軸承識別與定位算法,通過對采集到的圖像進行預處理,分割出目標圖像并提取圖像的外輪廓邊緣特征,然后結合計算待識別圖像和模板圖像的Hu不變矩特征值對圖像進行識別匹配;最后通過最小二乘法擬合圓計算圖像的位置信息,并通過迭代法進行修正。實驗結果表明:本文針對軸承的識別與定位提出的算法滿足系統對軸承的識別定位精度要求;可應用于軸承的生產線上;對提高對軸承各項參數的質量檢測精度,具有實際意義。