目今位置：
返回-
-
中国轴协技委会2025年度总结聚会在洛阳召开
2026年03月16日
- 中国轴协技委会2025年度总结聚会在洛阳召开 2026年03月16日
- 奋进2026·模范专辑 | 采访国机精工劳模于晓凯 2026年03月12日
- 触及灵魂发深省 刻印于心践于行 ——轴研所纪委召开警示教育大会 2026年03月11日
- 轴研所举行“巾帼迈步初心在·匠心逐梦勇继续” 三八节主题运动 2026年03月11日
- 国机集团科学手艺研究院党委书记、董事长章晓斌莅临轴研所考察交流 2026年03月10日
文章来由：知识中心 网责任编辑：洛阳MK(体育科技有限公司)体育·官方网站 阅读量： 揭晓时间：2022年02月28日
针对MK(体育科技有限公司)体育·官方网站生产企业套圈生产历程中普遍保存端面缺陷的问题与人工目检的现状，，，，， ，，提出了基于机械视觉的MK(体育科技有限公司)体育·官方网站套圈端面缺陷在线检测要领。。。。。。首先，，，，， ，，对套圈图像预处置惩罚后举行边沿检测，，，，， ，，接纳四连通域定位套圈端面区域；；；；；；；其次，，，，， ，，接纳最小二乘法拟合端面轮廓以判别形状缺陷，，，，， ，，接纳极坐标变换将套圈环形端面拉伸成矩形，，，，， ，，接纳Sauvola局部二值化算法对矩形图举行缺陷支解，，，，， ，，并通过坐标系反变换与双线性插值法将缺陷图转换回环形图；；；；；；；最后，，，，， ，，凭证提取缺陷的图像特征完成缺陷的识别与分类。。。。。。现场测试批注，，，，， ，，套圈端面检测系统的整体识别准确率达98.6%。。。。。。
MK(体育科技有限公司)体育·官方网站是包管机械装备回转精度不可或缺的基础部件，，，，， ，，MK(体育科技有限公司)体育·官方网站套圈在经由平面磨削加工后，，，，， ，，其端面可能依然保存锻废、巨细边、磕碰伤、车废、磨伤、黑皮等外观缺陷。。。。。。若是套圈端面保存缺陷，，，，， ，，其作为外圆无心磨等后序工位的定位面，，，，， ，，势必影响加工精度和MK(体育科技有限公司)体育·官方网站的回转精度，，，，， ，，可能导致MK(体育科技有限公司)体育·官方网站使用历程中爆发噪声和振动，，，，， ，，从而加速磨损，，，，， ，，甚至引发机械故障。。。。。。另一方面，，，，， ，，端面缺陷套圈进入后续工序加工后剔除或制品进入市场后召回，，，，， ，，都会给企业带来物资与人力本钱的极大铺张。。。。。。因此，，，，， ，，必需在平面磨削加工后将缺陷品剔除，，，，， ，，阻止流入后续工序。。。。。。
现在，，，，， ，，大多企业仍依附质检员肉眼与主观履历对套圈举行判断与判断，，，，， ，，质检效果易受人为因素影响，，，，， ，，磨练标准难以坚持一致，，，，， ，，稳固性差且易漏检。。。。。。唬唬唬�；；；凳泳蹙哂芯雀摺⑿矢摺⑹凳毙院玫扔诺悖�，，，， ，，是替换人工检测的有用要领，，，，， ，，例如：文献[2]接纳刷新Otsu要领举行阈值化处置惩罚，，，，， ，，使用八连通域标记识别手艺实现了MK(体育科技有限公司)体育·官方网站端面的非接触检测；；；；；；；文献[3]使用纹理单位解决了空气MK(体育科技有限公司)体育·官方网站外貌转变的光照强度影响图像收罗的问题。。。。。。
在上述研究的基础上，，，，， ，，本文提出一种MK(体育科技有限公司)体育·官方网站套圈端面缺陷在线视觉检测要领，，，，， ，，接纳四连通域、种子填充算法定位检测区域，，，，， ，，Sauvola局部二值化算法举行图像支解，，，，， ，，并基于多特征的外观缺陷识别方法判别缺陷。。。。。。
1、光源选择与检测区域定位
1.1 光源选择
光源是视觉检测系统不可或缺的组成部分，，，，， ，，直接关系到成像质量。。。。。。优异的照明方法可以凸显目的区域的特征，，，，， ，，减轻图像处置惩罚事情量。。。。。。
端面缺陷检测成像面为圆环形金属端面，，，，， ，，具有一定的镜面发射效应，，，，， ，，且被测套圈尺寸跨度大，，，，， ，，故接纳球积分漫反射无影照明方法，，，，， ，，照射面积大，，，，， ，，光线集中且照射匀称，，，，， ，，不会形成镜面反射，，，，， ，，如图1所示。。。。。。
图1 球积分漫反射无影照明
Fig.1 Spherical integral diffuse reflection shadowless illumination
1.2 图像预处置惩罚
图像捕获历程中保存的噪声与滋扰会降低图像质量，，，，， ，，增添后续边沿检测与图像支解的难度因此，，，，， ，，需要对原始图像举行一定的预处置惩罚，，，，， ，，消除图像中的噪声与滋扰，，，，， ，，均值滤波、高斯滤波、中值滤波的比照效果如图2所示。。。。。。由于端面环形区域外为配景区域，，，，， ，，灰度值较低，，，，， ，，均值滤波处置惩罚后的环形区域明暗比照变弱，，，，， ，，图像也变得模糊；；；；；；；中值滤波处置惩罚后的端面边沿部分被玄色区域影响，，，，， ，，边沿细节丧失；；；；；；；而高斯滤波由于加权平均的特点，，，，， ，，在去除噪声的同时可以很好地保存圆环及其边沿的细节。。。。。。针对套圈端面区域与配景区域对较量大，，，，， ，，并且需要检测出细小缺陷的特点，，，，， ，，选取巨细为3×3，，，，， ，，标准差为1的滤波窗口举行高斯滤波。。。。。。
图2 差别滤波方法效果图
Fig.2 Effect diagram by different filtering methods
1.3 边沿检测
边沿检测是通过识别图像中亮度爆发显着转变的部分确定需要识别图像边沿的位置。。。。。。区域内灰度突变反应了图像的主要转变，，，，， ，，是价值极高的图像特征。。。。。。针对本研究，，，，， ，，边沿检测可以很好地完成套圈端面区域与配景区域的划分，，，，， ，，更容易实现检测区域的定位，，，，， ，，为下一步处置惩罚做好准备事情。。。。。。
常用的边沿检测算子包括Canny 算子、Sobel算子与Laplacian算子。。。。。。Sobel算子对噪声和灰度渐变的边沿顺应能力较强，，，，， ，，但对图像有平滑处置惩罚功效，，，，， ，，适用于对精度要求不高的场合；；；；；；；Laplacian算子对噪声的抗滋扰能力较差，，，，， ，，会将无效像素视为边沿点，，，，， ，，但会突出边沿的比照度，，，，， ，，适用于图像锐化场景；；；；；；；Canny算子具备过失率低，，，，， ，，定位能力强，，，，， ，，边沿像素响应简单等特征，，，，， ，，被称为最优异的边沿检测器。。。。。。3种算子的对好比图3所示，，，，， ，，Canny算子的抗噪声滋扰能力更强，，，，， ，，对边沿的定位能力较强，，，，， ，，能检测出真正的弱边沿。。。。。。因此，，，，， ，，本文选取崎岖阈值比率为2:1的Canny 算子提取套圈端面圆环的2条轮廓。。。。。。
图3 各算子边沿检测效果比照
Fig.3 Comparison of edge inspection effects of various operators
1.4 端面定位
检测区域定位有2种要领：1)对边沿轮廓举行最小二乘法拟合获得巨细圆圆心与半径，，，，， ，，凭证像素点是否在小圆外、大圆内举行端面定位；；；；；；；2)使用四连通域法举行端面区域定位。。。。。。大宗试验批注，，，，， ，，由于镜头畸变和套圈端面倒角的影响，，，，， ，，第1种要领无意会泛起现实端面点没有包括在拟合端面内的情形，，，，， ，，造成误检或漏检，，，，， ，，因此本文使用四连通域法举行端面区域定位。。。。。。
坐标(x，，，，， ，，y)处的像素点Р有上下左右4个相邻像素，，，，， ，，坐标划分为(x，，，，， ，，y-1)，，，，， ，，(x，，，，， ，，y+1) ，，，，， ，，(x-1，，，，， ，，y) ，，，，， ，，( x +1，，，，， ，，y)，，，，， ，，这4个像素点体现Р的四邻域，，，，， ，，用N4(P)体现。。。。。。点P的4个对角点与四邻域一起称为Р的八邻域，，，，， ，，用N8(P)体现，，，，， ，，其中4个对角点的坐标划分为(x-1，，，，， ，，y-1 )，，，，， ，，(x-1，，，，， ，，y+1) , (x+1，，，，， ，，y-1)，，，，， ，，(x+1 ，，，，， ，，y+1)。。。。。。四邻域与八邻域的示意图如图4所示，，，，， ，，图中灰色区域体现Р点邻域。。。。。。若是2个像素毗邻，，，，， ，，则称这2个像素是连通的，，，，， ，，图4a中灰色区域与Р点为四连通。。。。。。
图4 四邻域与八邻域示意图
Fig.4 Diagram of P point four neighborhood and eight neighborhood
边沿检测提取的轮廓基于八邻域毗连且图像为二值图，，，，， ，，因此可以使用种子填充算法定位检测区域，，，，， ，，操作办法如图5所示：
1)在端面区域内找到一个远景像素点Р作为初始种子，，，，， ，，设初始种子为(xmin+(rmax-rmin)/2，，，，， ，，ymin）即可，，，，， ，，将Р点压入栈中并做好标记。。。。。。
2)将Р点弹出栈顶，，，，， ，，遍历Р点的上下左右4个邻域点，，，，， ，，若是Р点的邻域点不是轮廓点(像素值为0)或未被标记，，，，， ，，则将该邻域点压入栈中并做好标记。。。。。。
3)弹出栈顶邻域点，，，，， ，，遍历该邻域点的上下左右4个邻域点，，，，， ，，若是该邻域点的4个邻域点不是轮廓点或未被标记，，，，， ，，则将该邻域点压入栈中并做好标记。。。。。。
4)重复第3步，，，，， ，，直到栈为空，，，，， ，，所有邻域点均被标记。。。。。。
图5 四毗邻连通域法举行端面定位
Fig.5 Four adjacent connection domain method for end face positioning
至此，，，，， ，，便已乐成提取端面连通域，，，，， ，，此连通域即套圈端面区域(图6)，，，，， ，，后续的缺陷检测只需处置惩罚套圈端面区域内的图像，，，，， ，，为节约后续运算时间涤讪基础。。。。。。
图6 端面区域定位效果
Fig.6 Positioning result of end face area
2、缺陷检测
本研究将套圈缺陷分为形状缺陷(巨细边、磕碰伤)和外观缺陷(车废、磨伤等端面损伤)。。。。。。
2.1 形状缺陷判别
关于形状缺陷，，，，， ，，用最小二乘法盘算所提取2条套圈端面轮廓的大、小圆圆心，，，，， ，，通过圆心距离举行判断。。。。。。如图7所示：若是大、小圆的圆心距离dc凌驾设定的阈值Dmax，，，，， ，，则将其判断为巨细边缺陷；；；；；；；若是外圆圆心最短距离dout与外圆半径rout的差值Δout凌驾设定的阈值Dout，，，，， ，，则将其判断为外圆磕碰伤缺陷；；；；；；；若是内圆圆心最长距离din与内圆半径rin的差值Δin凌驾设定的阈值Din，，，，， ，，则将其判断为外圆磕碰伤缺陷；；；；；；；
图7 形状缺陷判别
Fig.7 Discrimination of shape defects
2.2 外观缺陷判别
2.2.1 图像坐标系转换
套圈端面是一个圆环，，，，， ，，直接举行图像支解会被套圈外的玄色区域严重滋扰而无法准确提取缺陷，，，，， ，，因此需要将提取的套圈端面举行坐标系变换，，，，， ，，将端面圆环拉伸成便于后续处置惩罚的矩形。。。。。。局部分割算法可以在变换后的矩形中举行，，，，， ，，提取缺陷后再将图像从极坐标系变换至直角坐标系。。。。。。
如图8所示，，，，， ，，点P的x，，，，， ，，y坐标划分体现其距离原点O的水平距离与笔直距离；；；；；；；点P'的坐标u，，，，， ，，v划分体现点Р在图8a中相对圆心(rx，，，，， ，，ry)的极角与极径。。。。。。
图8 直角坐标系转极坐标系
Fig.8 Conversion from Cartesian coordinate system to polar coordinate system
为阻止变换后的矩形图像长宽比过大并提高图像处置惩罚速率，，，，， ，，指定变换后的矩形长为L，，，，， ，，宽为H，，，，， ，，设定极角比例因子μθ为2π/L，，，，， ，，极径比例因子μl为(R-r)/H。。。。。。关于直角坐标系Р点到极坐标系P'点的转换，，，，， ，，数学对应关系为
获得Р点与P'点的对应坐标后，，，，， ，，便可以将P'点的灰度值设置为Р点最相近插值，，，，， ，，其关系式为
式中：f'(u，，，，， ，，v)为矩形P'点的像素值；；；；；；；f(x，，，，， ，，y)为原图中Р点的最相近插值。。。。。。
圆环拉伸成矩形的转换效果如图9所示，，，，， ，，将圆环拉伸成矩形后，，，，， ，，对矩形图的缺陷举行提取。。。。。。
图9 坐标系转换效果图
Fig.9 Coordinate system conversion effect diagram
在矩形图中使用图像支解提取缺陷后，，，，， ，，为便于判断，，，，， ，，需要将缺陷转换到圆环中，，，，， ，，极坐标系转换为直角坐标系的对应关系为
同理，，，，， ，，获得P点与P'点的对应坐标后，，，，， ，，便可以将Р点的灰度值设置为P'点灰度值，，，，， ，，即
由于转成极坐标系时会造成部分像素点丧失，，，，， ，，在重新转换为直角坐标系时纷歧定会有对应的像素点，，，，， ，，而若是直接选取与坐标值距离最近的像素点举行转换可能会造成失真，，，，， ，，因此，，，，， ，，在寻找P'点像素值时需要运用双线性插值举行转换。。。。。。
双线性插值是在水平偏向与笔直偏向运用2次线性插值的要领。。。。。。如图10所示，，，，， ，，P'点为转换后的未知点，，，，， ，，其坐标(u，，，，， ，，v)纷歧定为整数值，，，，， ，，距其最近的4个整数点为Q11(u1，，，，， ，，v1)，，，，， ，，Q12(u1，，，，， ，，v2)，，，，， ，，Q21( u2，，，，， ，，v1 )，，，，， ，，Q22(u2，，，，， ，，v2)。。。。。。首先，，，，， ，，在v轴偏向凭证P'点的v轴坐标值举行插值，，，，， ，，在Q11，，，，， ，，Q12中插人R1点，，，，， ，，在Q2l，，，，， ，，Q22中插入R2点；；；；；；；然后，，，，， ，，凭证P'点的u轴坐标值与插入的R1点、R2点在u轴偏向插入P'点。。。。。。P'点像素值的盘算公式为
式中：f'(x)为x点的像素值。。。。。。
图10 双线性插值原理图
Fig.10 Bilinear interpolation principle diagram
通过双线性插值将拉伸后的矩形(图9b)重新转换为圆环的效果如图11所示。。。。。。
图11 双线性插值转换效果图
Fig.11 Bilinear interpolation conversion effect diagram
2.2.2 图像支解
图像支解是指使用图像中的灰度、纹理、空间等特征，，，，， ，，将图像细分为子区域并突出这些子区域对自身的相似性及对其他子区域的不一连性，，，，， ，，最终提取出感兴趣的区域。。。。。。图像支解的效果直接决议了后续特征剖析的难度与检测系统的质量。。。。。。因此，，，，， ，，需要针对检测目的找到最合适的支解要领。。。。。。
经由大宗试验比照，，，，， ，，选择Sauvola局部二值化算法12举行图像支解。。。。。。盘算以点(x，，，，， ，，y)为中心的窗口模板内的灰度均值m(x，，，，， ，，y)与标准方差σ(x，，，，， ，，y) ，，，，， ，，则点(x，，，，， ，，y)的阈值T(x，，，，， ，，y)为
式中：R为标准方差的动态规模，，，，， ，，本文检测工具为八位灰度图，，，，， ，，故R取128；；；；；；；k为调解系数，，，，， ，，Sauvola算法的优点在于k的细小转变不会显著影响二值化的效果。。。。。。
使用Sauvola局部二值化算法对车废、磨伤、无缺陷但光照不均这3种情形举行支解试验，，，，， ，，调解系数k取0.08，，，，， ，，支解效果如图12所示。。。。。。
图12 Sauvola算法的支解效果
Fig.12 Segmentation effect by Sauvola algorithm
2.2.3 基于多特征的外观缺陷识别
在完成缺陷支解后，，，，， ，，由于生产状态、光照不均等外部因素的影响，，，，， ，，有可能保存噪声区域或伪缺陷区域，，，，， ，，需要对支解后的图像举行图像特征统计与剖析，，，，， ，，凭证剖析效果举行缺陷判别。。。。。。
如图12a所示，，，，， ，，车废缺陷区域与端面正常区域相比，，，，， ，，其灰度值较低且一样平常沿着圆周偏向漫衍于端面上。。。。。。因此，，，，， ，，选取区域面积S、区域轮廓长度L、最小外接矩形主轴至圆心距离D作为车废缺陷的判别特征。。。。。。判别示意图如图13所示。。。。。。
提取有缺陷区域后可以盘算出该缺陷的最小外接矩形与该外接矩形的主轴直线公式，，，，， ，，Ax+By+C=0于是小圆圆心(x0，，，，， ，，y0)至主轴直线的距离D为
图13 缺陷最小外接矩形主轴至圆心距离盘算示意图
Fig.13 Calculation diagram of distance from main axis of minimum circumscribed rectangle to center of defect
提取有缺陷后，，，，， ，，盘算该缺陷的区域面积S与区域轮廓长度L，，，，， ，，若是缺陷面积与轮廓长度皆未凌驾设定阈值，，，，， ，，则视为无此类型缺陷转而举行下一缺陷的识别；；；；；；；不然进一步盘算最小外接矩形主轴至小圆圆心的距离，，，，， ，，由于车废细化后呈圆弧形，，，，， ，，故圆心至主轴的距离会大于小圆半径，，，，， ，，以是将小圆半径设为距离阈值TD，，，，， ，，若距离D凌驾阈值TD，，，，， ，，则将此套圈判断为车废缺陷。。。。。。
如图12b所示，，，，， ，，磨伤缺陷均漫衍在端面边沿靠近大圆处，，，，， ，，形状近似月牙形,且灰度值比端面正常区域低，，，，， ，，因此同样需要对磨伤缺陷举行特征剖析。。。。。。由于磨伤缺陷边沿靠近圆心一侧近似于一条直线，，，，， ，，可以用Hough线变换将这条直线拟合出来。。。。。。如图14所示，，，，， ，，直线在极坐标系中的表达式为
图14 直线在直角坐标系与极坐标系中的体现
Fig.14 Representation of straight lines in Cartesian coordinate system and polar coordinate system
关于(14)式，，，，， ，，可以明确为过点(x0，，，，， ，，y0)的直线集有以下表达式
则在极坐标系的极径、极角平面中，，，，， ，，由(15)式所得曲线中的任一点都体现一条过点(x0，，，，， ，，y0)的直线。。。。。。
将图像中所有的点(xi，，，，， ，，yi)代入(14)式中，，，，， ，，如图15所示，，，，， ，，若是多个差别的点在极坐标系中获得的曲线相交，，，，， ，，便意味着这些点可以连成一条直线。。。。。。若是同时相交的数目凌驾了设定的阈值，，，，， ，，则对该直线举行拟合。。。。。。
图15 极径极角平面中多条曲线相交
Fig.15 Intersection of multiple curves in polar radius and polar angle plane
找出磨伤缺陷边沿的直线后，，，，， ，，盘算缺陷区域与正常区域的灰度差举行判别，，，，， ，，判别示意图如图16所示。。。。。。使用Sauvola算法支解出磨伤缺陷后，，，，， ，，在缺陷边沿靠近圆心一侧使用Hough线变换拟合出直线L1，，，，， ，，再将直线向靠近圆心偏向平移一定距离(本文取8个像素)获得直线L2，，，，， ，，在原图像端面上提取直线L1远离圆心一侧的区域S1，，，，， ，，以及直线L1与L2之间的区域S2，，，，， ，，盘算2块区域灰度值均值的差值，，，，， ，，差值凌驾设定阙值即可判断为磨伤缺陷。。。。。。
图16 磨伤缺陷判别示意图
Fig.16 Discrimination diagram of wear defects
3、试验效果及剖析
为验证端面缺陷检测算法的可靠性，，，，， ，，在如图17所示的检测线上对MK(体育科技有限公司)体育·官方网站套圈端面举行缺陷检测，，，，， ，，选取外径150 mm、内径90 mm 的33118型MK(体育科技有限公司)体育·官方网站套圈样本1 000个，，，，， ，，其中及格品400个、形状缺陷样品200个(含巨细边、磕碰伤)、车废样品200个、磨伤缺陷200个。。。。。。
图17 在线端面检测系统
Fig.17 On-line inspection system for end face
在线检测的统计效果见表1，，，，， ，，由表可知：及格套圈泛起9个误检，，，，， ，，仔细视察套圈外貌并剖析图像特征发明套圈外边沿在磨削历程中泛起了砂轮花，，，，， ，，使该部分区域灰度值偏低且体现相似于磨伤缺陷，，，，， ，，故将其误检为磨伤缺陷，，，，， ，，而砂轮花只影响端面雅观，，，，， ，，因此这类误检可以接受；；；；；；；车废套圈与磨伤套圈总共泛起5个漏检，，，，， ，，剖析后发明漏检原由于缺陷较细微，，，，， ，，纵然是肉眼视察也不易连忙察觉，，，，， ，，此类问题同样可以接受；；；；；；；系统整体识别准确率达98.60%，，，，， ，，并且关于外径小于150 mm套圈的检测时长小于600 ms，，，，， ，，低于端面磨出料时长，，，，， ，，完万能够知足企业生产节奏和检测要求。。。。。。
表1 端面缺陷检测测试效果
Tab.1 Inspection results of end face defects
另外，，，，， ，，对差别型号的套圈也举行了多次检测，，，，， ，，识别准确率较高，，，，， ，，误漏检率较低，，，，， ，，响应时间较短，，，，， ，，并能实时统计被检测套圈的型号、数目、及格率、缺陷种类等数据，，，，， ，，知足企业生产在线检测要求，，，，， ，，可以替换人工实现检测。。。。。。
4、竣事语
本文研究并实现了套圈端面缺陷在线检测算法，，，，， ，，使用四连通域确定套圈端面区域，，，，， ，，接纳最小二乘法拟合套圈轮廓举行巨细边和磕碰伤的判别；；；；；；；提出了图像极坐标变换将套圈环形拉伸为矩形，，，，， ，，使用Sauvola算法举行图像局部阈值支解，，，，， ，，通过极坐标反变换与二次插值法将缺陷区域变换回环形区域，，，，， ，，基于多特征的外观缺陷判别要领能够凭证种种缺陷的特点对图像特征举行较量实现缺陷判别。。。。。。试验批注该算法的检测准确率高，，，，， ，，能够有用镌汰漏检或误检，，，，， ，，并且能实时统计缺陷种类等数据。。。。。。
（参考文献略）
文章揭晓于2022年2期《MK(体育科技有限公司)体育·官方网站》
轴研所公众号 MK(体育科技有限公司)体育·官方网站杂志社公众号
Copyright ? 2019 MK(体育科技有限公司)体育·官方网站, All Rights Reserved 备案号：豫ICP备18028303号-3
豫公网安备 41030502000528号
营销热线
0379-64367521
18625985522
0379-64880085
豫公网安备 41030502000528号
