基于预测匹配差与全局-局部阈值化的轴承缺陷检测与定位算法*

尚 军，张晓晖，刘 青

(西安理工大学 工程训练中心，西安 710048)

1001-2265(2017)10-0022-05

10.13462/j.cnki.mmtamt.2017.10.005

2017-06-08；

2017-07-07

国家自然科学基金项目(61405157，61075007)；陕西省自然科学基础研究计划(2012JM7006)

尚军(1975—)，男，陕西府谷人，西安理工大学工程师，研究方向为模式识别、计算机应用、机电设备研发，(E-mail)shjun@xaut.edu.cn；张晓晖(1975—)，男，陕西兴平人，西安理工大学教授，博士生导师，博士，研究方向为信息控制、视觉识别算法。

基于预测匹配差与全局-局部阈值化的轴承缺陷检测与定位算法*

尚 军，张晓晖，刘 青

(西安理工大学 工程训练中心，西安 710048)

为了准确检测轴承在生产加工过程中出现的滚动体漏装等缺陷，提出了基于预测匹配差与全局-局部阈值化的轴承缺陷检测与定位算法，完成滚动体缺失、破损检测与定位。首先，引入分段线性图像增强技术，扩大滚动体与轴承背景的对比度；其次，综合全局与局部阈值化方法，结合种子填充技术，对轴承进行连通边缘标记；再设计一种圆验证机制，将轴承中的非圆边缘滤除，以提取滚动体的ROI区域，缩小了目标检测范围，提高滚动体缺陷的检测效率；最后，利用OpenCV来统计不同部件的轮廓面积，从而设计预测匹配差方法，对缺失或破损的滚动体进行定位。仿真结果显示，与当前轴承检测方法相比，对于滚动体漏装或破损轴承，所提算法具有更高的检测与定位准确。

滚动体缺失检测；滚动体定位；全局-局部二值化；预测匹配差定位

0 引言

在机械行业中，滚动轴承应用非常广，在动力传动机构中具有重要作用，而滚动体对轴承力学性能和实用寿命具有重大影响，但是在制造滚动轴承过程中，经常容易漏装滚动体或者滚动体损坏的情况，若不及时将其检测出来，会导致传动效率下降[1]。在实际轴承生产期间，为了防止出现滚动体漏装、或者滚动体损坏等现象，当前各工厂主要还是借助人工目视和称重法[2-3]，其中，人工目视是通过人眼观察来判别是否存在漏装或破损情况，这种方式跟检测人员的经验以及工作态度有关，主观性强，且长时间工作后检测人员往往因为疲劳而降低工作效率和检测的准确性；对于称重法[3]，由于滚动轴承加工时存在尺寸偏差，这种重量的偏差和单个滚动体破损重量的偏差往往相近，因此，此时如果使用称重法会出现误检情况。

为了解决人工作业的不足，部分学者着手于对该问题的研究，提出了一些轴承缺陷检测技术，且取得良好的实际应用效果，陈韬等[4]提出一种对滚动体及铆钉缺失检测的方法，根据已知的轴承半径和保持架的尺寸来确定ROI区域和滚动体所在圆周的半径，然后检测滚动体是否存在缺失。该方法先验知识过多，当轴承半径尺寸未知时算法失效，且该算法不能对破损的滚动体进行检测。崔明等[5]提出一种基于机器视觉的轴承滚动体缺陷检测算法，首先提取ROI区域，然后根据连通区域的面积以及圆度对缺陷进行检测和分类，该方法可以一定程度上检测出滚动体缺陷，但是其基于圆度分析的滚动体检测准确率不高，且没有对缺失的滚动体进行定位。彭平[6]提出了一种基于机器视觉的双列深沟球轴承滚动体缺失检测系统，用于检测双列深沟球轴承的滚动体。他通过逐环扫描展开法，提取滚动区域，并利用面积统计滚动体的数目，在所提取的区域中用标准块扫描，对缺失的位置进行定位。郝永兴[7]对铁路货车滚动轴承的表面缺陷进行了研究，对滚动轴承表面的麻点、脏污等缺陷进行了检测，但是没有对滚动体缺失进行检测。

为了实现对滚动体缺陷进行精确检测与定位，本文提出了基于预测匹配差与全局-局部阈值化的轴承图像缺陷检测算法主要分为滚动体区域的提取、滚动体检测与定位两部分。通过全局-局部阈值化方法，来提取滚动体区域，同时，通过设计预测匹配差方法，对滚动体进行检测与定位。通过以上两个方法，最终可以判别待测轴承是否存在滚动体漏装或破损，如果存在，将对漏装或破损的滚动体进行定位。最后，测试了所提算法的缺陷检测与定位精度。

1 本文轴承缺陷检测与定位算法设计

所提的基于预测匹配差与全局-局部阈值化的轴承图像缺陷检测算法过程见图1。其包含了三个阶段：①对轴承进行分段线性增强；②基于全局-局部阈值化方法的ROI区域提取；③基于预测匹配差方法的滚动体定位。如图1所示。

图1 本文滚动轴承缺陷检测与定位算法过程

1.1 滚动轴承图像增强处理

分段线性变换[8]是指将图像的像素值分为若干段，每段对应一个单独的灰度变换，目的在于放大某个灰度范围的细节，相对抑制不感兴趣的灰度。图2a为采集的滚动轴承图像，滚动体的灰度范围在(100,200)之间。其中，滚动体是检测的对象，为了突出此区域，引入分段线性变换对其增强处理：

(1)

其中，f为采集的滚动轴承图像；g为增强图像。

利用式(1)处理图2a后，获取的增强图像见图2b。由图可知，增强后的轴承图像中，其滚动体更亮，滚动体背景更黑，滚动体与背景对比度更大。

(a)初始采集的轴承图像 (b)增强图像 图2 轴承图像的增强处理

1.2 基于全局-局部阈值化方法的ROI提取

由于滚动体位于轴承的沟道中，沟道在轴承的内圈和外圈之间，为了去除内外圈对滚动体提取的干扰，需要提取装载滚动体的圆环状沟道区域，即ROI区域。为了提取ROI区域，本文设计了全局-局部阈值化方法。

1.2.1 全局-局部阈值化

全局阈值化[9]是指对于整个图像，设定一个阈值，大于和小于该阈值的像素被分为两类。而局部阈值化[10]则是根据像素的邻域块的像素值分布来确定该像素位置上的二值化阈值，其优点在于每个像素位置处的二值化阈值不是固定不变的，而是由其周围邻域像素的分布来决定的。不同亮度、对比度、纹理的图像区域将会拥有不同的局部二值化阈值[10]。

为此，本文先对增强图像进行全局阈值化处理，见图3a；再利用局部自适应二值化方法对图3a进行处理，结果见图3b。通过观察图3可以发现，全局阈值化使内外圈全部成了背景，留下了沟道区域，但是滚动体边界模糊，与背景相融。再通过局部自适应阈值化处理，基本保留了轴承的基本轮廓信息，滚动体边界清晰，和内外圈没有任何粘连。

(a)全局阈值化处理结果 (b)局部阈值化处理结果图3 全局-局部阈值化处理结果

1.2.2 沟道内外圈获取及ROI提取

利用全局-局部阈值化后的轴承图像沟道区域外圈轮廓清晰，但是内圈轮廓杂乱。为了确定滚动体区域，可以先确定滚动体沟道的外圈，计算出圆心，然后根据内圈边缘点与圆心的距离确定内圈半径。为此，本文首先引入Canny边缘检测算子[11]，提取轴承的边缘图，过程如下：

(1)令图3b为f(x,y)，利用高斯函数G(x)对f(x,y)进行平滑处理：

(2)

I(x,y)=[G(x)G(y)]*f(x,y)

(3)

其中，σ为G(x)的标准方差；I(x,y)为平滑图像。

(2)随后，求取I(x,y)的梯度幅值与方向：

(4)

H(x,y)=arctan[kx(x,y),ky(x,y)]

(5)

(6)

其中，M(x,y)为I(x,y)的梯度幅值；H(x,y)为I(x,y)的梯度方向；fx,fy为x,y方向的滤波器。

(3)最后，对梯度幅值M(x,y)完成非极大值抑制处理，并利用双阈值来处理抑制的M(x,y)，从而获取两个阈值边缘图像，通过连接边缘，获取目标边缘[11]。

经过上述Canny检测过程处理图3b，获取轴承边缘，见图4a。为了从图4a 中提取出外圈边缘，本文通过设计了一种圆验证机制，联合种子填充法[12]来实现。

首先，本文利用种子填充法(Seed Filling)[12]，在图4a中选定一个边缘点，然后从该边缘点出发将与之相邻的边缘逐次合并，直到无相邻点为止，最后获取一个边缘点彼此连通的连通域，其过程见图4b，在图像中从上到下、从左至右扫描，得到一个边缘点P1，将P1存储，并以P1为“种子”在P1的八邻域内寻找其他边缘点，如P4和P6，依次将P4和P6存储，接着分别以P4和P6为种子，在其八邻域内寻找其他边缘点，直至无相邻边缘点为止，即可获取一个连通域，输出结果见图4c。其中，位于最外面的边缘用黄色标记，是一个完整的圆形状，而其他边缘短小且不规则。

(a) Canny边缘检测结果 (b)种子填充标记过程 (c) 连通边缘标记结果图4 轴承图像的连通边缘标记结果

通过种子填充法，获取了数条用不同颜色标记的连通边缘，为了从中筛选出最外侧的黄色外圈边缘，设计了一种圆验证算法，通过该算法可以将非圆边缘滤除，从而得到外圈边缘。对于任意一个连通域边缘，按如下步骤进行验证：

Step 1：计算连通边缘点的个数C，如果C小于阈值TC，那么删除，否则进入下一步；

Step 2：在连通边缘上随机选取4个点；

Step 3：从4个点中选择3个点，由这3个点拟合出圆；

Step 4：计算第4个点到拟合的圆的距离D,如果D小于阈值TD,则此连通边缘为圆状边缘，否则筛除。

如图5a所示，分别在曲线l1,l2上随机选取4个点P1～P4,选择其中3个点P1～P3(空心圆点)拟合圆分别获得拟合圆C1和C2,在曲线l1中的第4个点P4距离拟合的圆C1很近，几乎在拟合圆上，所以曲线l1被认为是圆形状曲线，而曲线l2中的第4个点P4(实心圆点)与拟合圆C2的距离D较大，大于阈值TD，所以将曲线l2滤除。

根据以上验证过程，有效地将除沟道外圈边缘以外的所有边缘滤除，并由步骤3计算出外圈边缘的拟合参数(x,y,r)。其中，x是拟合圆心的横坐标；y为纵坐标；r为半径。得到计算出滚动体区域外圈边缘的拟合圆心坐标后，再计算所有边缘点到圆心的距离，取最小的距离作为滚动体区域的内圈半径，即内圈拟合圆内部包含任何边缘点。最终得到了拟合结果，用蓝色标记滚动体区域的内外圈，见图5b。

(a) 圆验证示意图 (b) 滚动体区域内外圈拟合圆图5 沟道内外圈的获取

再根据内外圈边缘的拟合圆，制作出滚动体区域掩膜板，如图6a，其中，滚动体区域为白色，其他区域为黑色背景。将滚动体区域掩膜版和局部二值化结果(图3b)进行“与”操作，即可获取滚动体ROI区域，见图6b。由图可知，除了ROI区域外，其他无关信息都被屏蔽。

(a) 滚动体区域掩膜板 (b) 提取的ROI区域图6 滚动体区域的提取

1.3 基于预测匹配差方法的缺失滚动体检测与定位

得到滚动体区域后，本文利用OpenCV中轮廓提取函数FindContours()来获取封闭轮廓，见图7a。可见，所提取的轮廓数量多，且除了滚动体轮廓外，还存在其他次要信息，如内外圈轮廓、铆钉轮廓等。为了筛选出滚动体，利用函数ContourArea()来计算轮廓面积，统计结果见表1。依据表1可知，面积大小在800～200之间的轮廓为滚动体轮廓；200～600之间的为铆钉轮廓；而小于100的为噪声轮廓；大于1200的为内外圈轮廓。因此，可以简单地通过设置面积阈值筛选出滚动体。通过将面积在800～1200之间的轮廓筛选出来，结果如图7b。依图可在，其他轮廓全部被滤除。

表1 轮廓面积统计表

(a) 滚动体区域轮廓 (b) 提纯后的滚动体轮廓图7 滚动体轮廓的提取

随后，计算出滚动体的数量，与完好的滚动轴承所拥有的滚动体数量进行对比，可以判别是否存在漏装或破损等情况。为了对缺失的滚动体进行定位，本文设计了预测匹配差方法，通过求取完好的滚动体轮廓的最小外接矩形，从而获取完好滚动体的位置。具体步骤如下：

Step 1:对识别出的滚动体的最小外接矩形的中心点(C1,C2,…Cn) 进行圆拟合，获得这些中心点的拟合圆，参数为(c_x,c_y,c_r);

Step 2:建立坐标系，根据参数方程计算任意一个中心点到拟合圆心(c_x,c_y)与横坐标轴的夹角为θ0;

Step3:假设合格滚动轴承的滚动体个数为N，那么对于i=1:N,根据公式(2)计算所有期望滚动体的中心点位置Mi(xi,yi):

xi=c_x+c_rcos(θ0+i2π/N);yi=c_y+c_rsin(θ0+i2π/N);

(7)

根据上述过程，获取滚动体的实际中心位置与期望的位置匹配结果见图8a，绿色圈表示实际拥有的位置，红色圈表示期望的位置。

依据步骤1～4，按对图7b中的缺失位置进行定位，结果见图8b。可见，缺失位置被准确定位出来，用绿色圆圈进行标记。

(a)滚动体中心位置的匹配结果 (b)滚动体缺失位置的定位结果图8 缺失滚动体检测与定位

2 实验结果与讨论

为了测试所提算法的准确性，在VS2012集成开发环境下进行的实验。同时，为了体现所提算法的优异性，将缺陷检测精度较高的技术作为对照组(文献[3])。滚动体数量为16个；全局阈值为35；局部自适应参数为(1,35,1)；连通边缘区域至少包含25个像素点。

为了验证本文所提算法的有效性，采用4幅图像作为检测对象，其中表2中的图a为合格滚动轴承，不存在任何漏装情况；图b存在两个位置的漏装；图c存在两个损坏的滚动体；图d存在一个漏装位置和一个损坏滚动体。再使用所提算法与文献[3]对其完成检测，结果见表1。其中，第一列为待检测图像；第二列为检测出的滚动体；第三列为对滚动体及缺失位置的定位，其中方框为对存在的滚动体的定位，圆框为对缺失或损坏位置的定位。第四列为文献[3]中的滚动体定位方法。通过观察表1的第二列可知，所检测到的滚动体的轮廓准确误差小，且不存在漏检或多检情况。其中，图a检测出12个滚动体，图b、c、d检测出10个滚动体。依据第三列可知，即滚动体与滚动体缺失位置定位，从标记结果看，所有完整的滚动体全部被准确定位，且漏装位置或缺损滚动体全部被准确定位，如被测图b中定位了两个漏装位置，被测图c中定位了两个损坏的滚动体，图d中定位了一个破损滚动体和一个漏装位置。根据实验提供的被测图像，可以得到以下数据：滚动体检测准确率为100%；滚动体缺失检测为100%。且滚动体及缺失定位准确，没有误检现象。

相比之下，文献[3]方法在图a中将2个铆钉检测成滚动体，在图b中将1个铆钉检测成滚动体，图c中漏检了一个破损滚动体且把一个铆钉检测成滚动体。因此，与文献[3]算法相比，本文方法检测准确度更高，不存在多检和漏检情况。原因是所提技术通过利用分段线性变换技术来扩大滚动体与其背景的对比度差异，并联合全局-局部阈值技术，并通过设计圆验证机制，对内外圈进行圆拟合，精确获取滚动体区域，同时统计出滚动体与其他部分的特征差异，通过设计预测匹配差方法，准确获取完好的滚动体轮廓的最小外接矩形，从而获取完好滚动体的位置。而文献[3]技术是利用伪时频特征与多普勒小波滤波器来检测轴承缺陷，但是，伪时频特征易受对比度的影响，导致其时频特征较为微弱，且内外圈的时频特征较为接近，从而使其存在较多的伪特征，难以准确获取滚动体的位置。

另外，通过记录两种检测技术的时耗可知，本文算法的检测时间平均约0.5s，而文献[3]的平均时耗为0.7s。可见，所提算法的检测耗时更少，速度更快，能够满足在线检测需求。原因是本文通过全局-局部阈值方法，以及圆验证方法来获取轴承的滚动体ROI区域，有效缩小了目标检测范围，提高滚动体缺陷的检测效率，而文献[3]则是对整个轴承所有部位进行逐一检测，显著增大其技术的计算量，使其效率不佳。

表2 滚动体缺失检测与定位

3 结论

本文采用图像处理技术实现了对轴承滚动体的检测，可以判别滚动轴承是否存在滚动体漏装或破损，并对缺失或破损位置进行准确定位。所采用方法速度快、检测准确率高，定位精确，有效减少了漏检或错检的现象。为了实现以上功能，使用了图像增强算法、基于全局-局部阈值化方法的ROI提取算法以及基于预测匹配差方法的缺失滚动体定位。实验表明，所提算法可以准确地检测轴承是否存在滚动体缺失或损坏，对缺失位置的定位精确。此外本文所提算法时间短，仅为0.5s，满足在线检测需求。

[1] S Abdusslam, P Raharjo, F Gu. Bearing defect detection and diagnosis using a time encoded signal processing and pattern recognition method [J]. Journal of Physics: Conference Series. 2012, 364(1): 12036-12047.

[2]魏永合, 王明华, 林梦菊. 基于改进EEMD的滚动轴承故障特征提取技术[J]. 组合机床与自动化加工技术, 2015(1): 87-90.

[3]Zhang Haibin, Lu Siliang, He Qingbo. Multi-bearing defect detection with trackside acoustic signal based on a pseudo time-frequency analysis and Dopplerlet filter [J]. Mechanical Systems and Signal Processing, 2016, 70(3): 176-200.

[4] 陈韬,王献锋,邓四二,等， 轴承滚动体及铆钉缺失检测系统开发[J].轴承，2007(9):42-43.

[5] 崔明,顾启民,黄震. 基于机器视觉的轴承滚动体缺陷检测算法研究[J]. 组合机床与自动化加工技术, 2015(11): 74-78.

[6] 彭平. 双列深沟球轴承滚动体缺失检测技术研究[D]. 河南: 河南科技大学, 2012.

[7] 郝永兴. 基于机器视觉的铁路货车滚动轴承表面缺陷检测技术研究[D].甘肃: 兰州交通大学, 2016.

[8] Chun-ming Tsai. Contrast Enhancement by Automatic and Parameter-Free Piecewise Linear Transformation for Color Images[J]. IEEE Transactions on Consumer Electronics, 2016, 54(2): 213-219.

[9] 吴海滨, 周后伟, 张铁译. 基于OTSU的动态结合全局阈值的图像分割[J]. 大气与环境光学学报, 2012, 7(6): 463-468.

[10] Hegazy Mohamed A A, HC Min,SY Lee. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. Biomedical Engineering Online, 2016, 15(1) 119-125.

[11] A Tsanakas, D Chrysostomou, P N Botsaris. A metal artifact reduction method for a dental CT based on adaptive local thresholding and prior image generation [J]. BioMedical Engineering OnLine, 2016, 15(1): 1201-1209.

[12] 李晓瑜, 杨马英. 机器人视觉图像分割算法[J]. 吉林大学学报(工学版), 2013, 23(S1): 260-264.

BearingDefectDetection-LocationAlgorithmBasedonPredictiveMatchingDifferenceandGlobalLocalThresholding

SHANG Jun， ZHANG Xiao-hui， LIU Qing

(Engineering Training Center, Xi′an University of Technology, Xi′an 710048,China)

In order to accurately detect the defects of rolling body leakage in the process of production bearing, the bearing defect detection-location algorithm based on predictive matching difference and global local thresholding was proposed in this paper to finish the detection and location of missing and damaged rolling bodies. Firstly, the piecewise linear image enhancement technique was introduced to enlarge the contrast between the rolling body and the bearing. Then the linking edge marking of the bearing was done by constructing the global-local thresholding method and combining the seed filling technology. And the ROI region of the rolling body was extracted by designing a circle verification mechanism to filter out the non circle edge of the bearing for reducing the target detection range and improving the detection efficiency. Finally, the predictive matching method was designed by using the OpenCV to calculate the contour area of different components for locating the missing or damaged rolling objects. Simulation results show that this algorithm has higher detection and localization accuracy compared with current bearing detection methods.

rolling body missing detection; rolling body localization; global-local binaryzation; predictive matching difference localization

TH165;TG115

A

(编辑李秀敏)