亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種小微軸承表面凹痕缺陷在線檢測方法及其系統(tǒng)與流程

文檔序號:12358057閱讀:290來源:國知局

本發(fā)明屬于軸承表面缺陷檢測領(lǐng)域,尤其是涉及一種小微軸承表面凹痕缺陷在線檢測方法及其系統(tǒng)。



背景技術(shù):

軸承是機械行業(yè)的一個非常重要的零件,其使用極其普遍。軸承的加工精度和質(zhì)量關(guān)系到機械產(chǎn)品的使用性能和壽命,因此對軸承的加工質(zhì)量檢測一直是軸承生產(chǎn)廠家關(guān)心的問題。在工業(yè)生產(chǎn)過程中,為了排除次品和查明與故障有關(guān)的產(chǎn)品隱患等,要做產(chǎn)品的質(zhì)量檢查,以往多由檢驗人員來完成,這種方法有因人而異可靠性差等缺點。

近年來,隨著我國軸承行業(yè)的發(fā)展,軸承已經(jīng)成為重要的出口創(chuàng)匯產(chǎn)品。各生產(chǎn)企業(yè)通過技術(shù)改造,使軸承生產(chǎn)上采用了自動化單機或自動化生產(chǎn)線,并向現(xiàn)代化邁進,但唯有表面缺陷檢測與剔除仍采用人工目測方法,不僅效率低,而且可靠性差,與自動化加工線極不相稱,因此各企業(yè)也急需一種自動檢測線來對軸承的加工質(zhì)量進行檢測。由于微小軸承表面上的壓坑、劃傷其大小、深度與分布位置都是隨機的。因此,用接觸式檢測不僅難度大,而且效率低,而采用CCD圖像識別技術(shù)做非接觸檢測,是解決這一問題的最好途徑。

在現(xiàn)有的基于計算機視覺檢測技術(shù)在軸承檢測應用中,只能實現(xiàn)軸承單面自動在線檢測,需要人工翻轉(zhuǎn)另一面再進行檢測,而且是抽檢,無法實現(xiàn)在線的自動化全面檢測。同時,由于微小軸承表面小,并刻印有標號,表面的壓坑、劃傷的缺陷十分微小,而且表面往往有一層油膜,影響光源的入射強度和方向,因此如何選擇光源、如何屏蔽環(huán)境光的干擾以及如何恰當?shù)貙D形放大,并且不發(fā)生畸變,是進行缺陷識別的關(guān)鍵問題。

同時,軸承字符是所有軸承產(chǎn)品都不可或缺的重要標志,大部分情況下都標志在套圈的非基準端面上,也可以按照技術(shù)要求標在套圈基準端面、保持架、密封圈和防塵蓋上等。從軸承字符中可以得到信息包括軸承型號和生產(chǎn)廠家名稱,有些情況下還包括生產(chǎn)廠家與用戶共同制定的其它附加信息。目前國內(nèi)軸承生產(chǎn)廠家依然采用人工目測這種工作量大、效率低的方法完成對軸承字符的檢測,與軸承企業(yè)生產(chǎn)規(guī)模化極為矛盾。軸承字符缺陷檢測一直是軸承行業(yè)檢測技術(shù)的薄弱環(huán)節(jié),查閱各大公開文獻數(shù)據(jù)庫,目前對軸承字符缺陷檢測的研究幾乎沒有,也沒有相關(guān)檢測系統(tǒng)用于軸承字符缺陷的檢測。

因此,有必要根據(jù)微小軸承的特點,設(shè)計出一種小微軸承表面凹痕缺陷在線檢測方法及其系統(tǒng),能夠高效快速的對產(chǎn)品表面的劃傷、變形等缺陷進行檢測,保證產(chǎn)品質(zhì)量,提高檢測精度和效率,徹底解決這一困擾企業(yè)的老大難問題,是很有必要的。



技術(shù)實現(xiàn)要素:

針對以上技術(shù)問題,本發(fā)明的目的在于突破現(xiàn)有檢測方法的不足,提供了一種小微軸承表面凹痕缺陷在線檢測方法及其系統(tǒng),基于CCD圖像識別技術(shù)實現(xiàn)微小軸承外表面缺陷自動檢測,使微小軸承表面缺陷檢測工序?qū)崿F(xiàn)自動化,以替代目前企業(yè)普遍采用人工檢測的方法,提高檢測精度和效率,使缺陷識別率、不合格產(chǎn)品的去除率達到較高水平,提高出廠產(chǎn)品的總體質(zhì)量,盡可能避免實際損失,提高企業(yè)的信譽度,提高企業(yè)的現(xiàn)代化水平。

為達到上述目的,本發(fā)明提供如下技術(shù)方案:

一種小微軸承表面凹痕缺陷在線檢測方法,其具體檢測步驟為:

1)圖像數(shù)據(jù)采集

通過微小軸承自動傳送系統(tǒng)將待檢測軸承放置于在線檢測系統(tǒng),在線檢測系統(tǒng)調(diào)整LED燈光,并利用CCD攝像頭對待檢測軸承的兩端面和外圓表面圖像進行同步抓取,并將采集到的圖像通過圖像采集卡傳輸?shù)綄挠嬎銠C處理模塊中;

2)圖像信息預處理

a)對采集到的端面圖像信息在端面圖像處理模塊和端面圖像字符識別模塊分別進行預處理,其中,端面圖像處理模塊的預處理包括圖像濾波去噪和圖像二值化處理,端面圖像字符識別模塊的預處理包括圖像濾波去噪、圖像二值化、字符歸一化、字符細化處理;

b)對采集到的外圓表面圖像信息在外圓表面圖像處理模塊進行圖像濾波去噪、圖像二值化處理;

3)軸承模板匹配缺陷識別

端面圖像處理模塊對預處理后的端面圖像信息進行邊緣提取和模板匹配,得到分析結(jié)果;端面圖像字符處理模塊對端面圖像信息進行軸承字符識別和模板匹配,得到分析結(jié)果;外圓表面圖像處理模塊對外圓表面圖像信息進行邊緣提取和模板匹配,得到分析結(jié)果;

4)反饋篩選

各計算機處理模塊將分析結(jié)果進行反饋給計算機控制模塊,計算機控制模塊控制存儲模塊進行結(jié)果存儲,并控制篩選開關(guān)進行篩選,以實現(xiàn)小微軸承表面凹痕缺陷的在線檢測及不合格產(chǎn)品的自動分揀處理。

作為優(yōu)選,在步驟2)中,端面圖像處理模塊的預處理包括圖像濾波去噪和圖像二值化處理,其圖像濾波采用BLPF算法對軸承圖像進行去噪處理,圖像二值化處理采用迭代閾值法實現(xiàn)軸承圖像的二值化。

作為優(yōu)選,在步驟2)中,端面圖像字符識別模塊的預處理的具體步驟為:選用5×5中值濾波法進行去噪,并采用投影法提取出單個軸承字符并進行以O(shè)tsu法實現(xiàn)其局部二值化,將得到的單個二值化字符進行歸一化和細化處理。

作為優(yōu)選,在步驟2)中,外圓表面圖像處理模塊以中值濾波進行圖像濾波去噪,并以最小誤差法進行圖像二值化處理。

作為優(yōu)選,在步驟3)中,端面圖像字符處理模塊首先對特殊字符進行處理,然后采用網(wǎng)格和交叉點特征實現(xiàn)對字符特征的提取,并采用基于改進的模板匹配法進行匹配分析,得到檢測結(jié)果。

一種小微軸承表面凹痕缺陷在線檢測系統(tǒng),所述的在線檢測系統(tǒng)主要包括CCD攝像機,圖像采集卡,計算機,控制單元,推進機構(gòu),傳送帶,篩選開關(guān),光源,其中,在線檢測系統(tǒng)的傳送帶與生產(chǎn)線相連,CCD攝像機和光源設(shè)置在傳送帶上方,CCD攝像機通過圖像采集卡與計算機相連,計算機通過控制單元與推進機構(gòu)和篩選開關(guān)相連。

作為優(yōu)選,所述的計算機包括端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊、存儲模塊和計算機控制模塊,端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊并行工作,并將分析結(jié)果傳輸至存儲模塊和計算機控制模塊。

作為優(yōu)選,所述的CCD選擇Basler數(shù)字攝像機A102f。

本發(fā)明的有益效果:

本發(fā)明替代目前企業(yè)普遍采用人工檢測的方法,提高檢測精度和效率,使缺陷識別率、不合格產(chǎn)品的去除率達到較高水平,提高出廠產(chǎn)品的總體質(zhì)量,盡可能避免實際損失,提高企業(yè)的信譽度,提高企業(yè)的現(xiàn)代化水平,其具體表現(xiàn)在:

1、本發(fā)明基于CCD圖像識別技術(shù)實現(xiàn)微小軸承外表面缺陷自動檢測,其根據(jù)采到的不同部位的集軸承圖像的特點,設(shè)計出一種可并行識別檢測軸承兩端面、軸承外圓表面和端面圖像字符的小微軸承表面凹痕缺陷在線檢測系統(tǒng),可同時對軸承不同部位進行并行分析檢測,處理效率高。

2、本發(fā)明針對對軸承不同部位進行并行的分析檢測,其選用的分析檢測算法是根據(jù)軸承的各部位的特點進行優(yōu)化的,如對軸承兩端面和外圓表面的圖像采用了不同的濾波去噪和圖像二值化處理,針對性更高,處理效率和準確度也更高。

3、針對現(xiàn)有系統(tǒng)中軸承字符檢測準確度不高的問題,本發(fā)明使用5×5中值濾波法去除圖像中的噪聲,采用一種快速Otsu法進行圖像二值化,利用擬合圓的辦法確定軸承的圓心進而對軸承進行定位,研究了字符的歸一化和細化算法,采用網(wǎng)格和交叉點特征提取出字符特征,最后選擇一種改進的模板匹配法識別軸承字符,這些算法使系統(tǒng)的檢測效率和精度有了很大的提高,其識別率達到了99.375%,分析軸承字符正常和缺陷的情況,對產(chǎn)生誤差進行了分析,并使微小軸承表面缺陷檢測工序?qū)崿F(xiàn)自動化。

附圖說明

圖1為本發(fā)明的結(jié)構(gòu)示意圖。

具體實施方式

下面將結(jié)合本發(fā)明實施例和附圖,對本發(fā)明實施例中的技術(shù)方案進行清楚、完整地描述,顯然,所描述的實施例僅僅是本發(fā)明一部分實施例,而不是全部的實施例。基于本發(fā)明中的實施例,本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例,都屬于本發(fā)明保護的范圍。

如圖1所示,一種小微軸承表面凹痕缺陷在線檢測系統(tǒng),所述的在線檢測系統(tǒng)主要包括CCD攝像機,圖像采集卡,計算機,控制單元,推進機構(gòu),傳送帶,篩選開關(guān),光源,其中,在線檢測系統(tǒng)的傳送帶與生產(chǎn)線相連,CCD攝像機和光源設(shè)置在傳送帶上方,CCD攝像機通過圖像采集卡與計算機相連,計算機通過控制單元與推進機構(gòu)和篩選開關(guān)相連,其中,所述的計算機包括端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊、存儲模塊和計算機控制模塊,端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊并行工作,并將分析結(jié)果傳輸至存儲模塊和計算機控制模塊。

CCD選擇:CCD選用Basler數(shù)字攝像機A102f,其主要技術(shù)特點為:超高解析度1392(水平)*1040(垂直)像素、每像素尺寸6.45m*6.45m、電子式全畫面快門、高感光度,高信噪比、快門控制時間20s~1.31s、可通過RS-232編程控制,完全可以滿足圖像識別的要求。圖像放大采用TEC-M55焦闌鏡頭:焦距55mm、最大孔徑比1﹕2.8、在CCD上成像的圖像最大尺寸為8.8mm×6.6mm或Ф11mm、放大率為無窮遠~0.5*。

計算機選擇:計算機所需配置為:CPU 2.8G以上,內(nèi)存512M,顯卡128M,硬盤80G。計算機包括端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊、存儲模塊和計算機控制模塊,端面圖像處理模塊、端面圖像字符識別模塊、外圓表面圖像處理模塊并行工作,并將分析結(jié)果傳輸至存儲模塊和計算機控制模塊。本發(fā)明的系統(tǒng)應用了圖像采集、分析、判別的實時處理技術(shù)以及光機電一體化技術(shù),可實現(xiàn)軸承的在線自動化檢測及不合格產(chǎn)品的自動分揀處理,較好滿足了檢測的實時性與準確性要求。該系統(tǒng)操作簡便、界面友好、運行可靠,同時還可結(jié)合數(shù)據(jù)庫技術(shù),將檢測結(jié)果數(shù)據(jù)實時存儲,以進行質(zhì)量分析處理。同時,本發(fā)明可并行識別檢測軸承兩端面、軸承外圓表面和端面圖像字符的小微軸承表面凹痕缺陷在線檢測系統(tǒng),可同時對軸承不同部位進行并行分析檢測,處理效率高。

一種小微軸承表面凹痕缺陷在線檢測方法,其具體檢測步驟為:

1)圖像數(shù)據(jù)采集

通過微小軸承自動傳送系統(tǒng)將待檢測軸承放置于在線檢測系統(tǒng),在線檢測系統(tǒng)調(diào)整LED燈光,并利用CCD攝像頭對待檢測軸承的兩端面和外圓表面圖像進行同步抓取,并將采集到的圖像通過圖像采集卡傳輸?shù)綄挠嬎銠C處理模塊中;

2)圖像信息預處理

a)對采集到的端面圖像信息在端面圖像處理模塊和端面圖像字符識別模塊分別進行預處理。

端面圖像處理模塊的預處理包括圖像濾波去噪和圖像二值化處理,其圖像濾波采用BLPF對軸承圖像進行去噪處理,巴特沃斯低通濾波器BLPF為最大平坦濾波器,它的通帶與阻帶之間沒有明顯的不連續(xù)性,因此它的空域響應沒有“振鈴”現(xiàn)象發(fā)生,模糊程度減少,本發(fā)明針對端面圖像信息使用BLPF對軸承圖像進行去噪處理,其圖像質(zhì)量得到極大的提高。由于軸承缺陷與字符的灰度值非常接近,難以直接從圖像中識別缺陷特征;而缺陷特征周圍區(qū)域的灰度值與背景的灰度值差異較大。為了提高檢測效率和精度,系統(tǒng)以缺陷特征周圍區(qū)域為檢測目標,對圖像進行二值化處理,把軸承端面圖像分為缺陷特征周圍高亮區(qū)域與背景區(qū)域兩部分。因此,圖像二值化處理采用迭代閾值法實現(xiàn)軸承圖像的二值化,其具體步驟為:選擇一個近似閾值作為估計值的初始值,然后進行分割,產(chǎn)生子圖像,并根據(jù)子圖像的特性來選取新的閾值,再用新的閾值分割圖像,經(jīng)過幾次循環(huán),使錯誤分割的圖像像素點降到最少。經(jīng)過預處理之后的軸承圖像,其軸承端面的灰度與缺陷周圍區(qū)域的灰度都具有很明顯的反差。因此,經(jīng)過以上預處理,為實現(xiàn)計算機的識別、檢測提供了可靠的依據(jù)。

端面圖像字符識別模塊的預處理包括圖像濾波去噪、圖像二值化、字符歸一化、字符細化處理;端面圖像字符識別模塊的預處理的具體步驟為:

i.選用5×5中值濾波法進行去噪,中值濾波法不會造成圖像細節(jié)變得模糊,確保后續(xù)提取出的字符特征效果,有利用實現(xiàn)對字符的精確識別。窗口大小的選擇有3×3、5×5、7×7等,窗口的大小根據(jù)噪聲的大小相應選擇。通過反復試驗,本發(fā)明選用窗口為5×5中值濾波法;

ii.采用投影法提取出單個軸承字符并進行以O(shè)tsu法實現(xiàn)其局部二值化,由于軸承圖像不能覆蓋從0到255的所有灰度,因此在Otsu法基礎(chǔ)上進行了算法優(yōu)化,該方法可以大大減少所需方差計算的次數(shù),從而提高程序效率,具體實現(xiàn)過程如下:

設(shè)一幅圖像的灰度值有0到m-1級,m為圖像包含的灰度級數(shù);ni為灰度值為i的像素數(shù),則像素總數(shù)為:

<mrow> <mi>N</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>n</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>

各灰度值的概率:

<mrow> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>=</mo> <mfrac> <msub> <mi>n</mi> <mi>i</mi> </msub> <mi>N</mi> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>2</mn> <mo>)</mo> </mrow> </mrow>

使用一個k值把0到m-1級分成兩組:C0=[0,1,2,...,k]和C1=[k+1,...,m-1],則計算C0和C1的改進類間方差公式為:

σ2(k)=ω0(k)×ω1(k)×[μ0ω(k)-μ1(k)]2 (1-3)

式中,ω0(k)和ω1(k)分別為C0和C1組中所包含的總像素數(shù);μ0(k)和μ1(k)分別為C0和C1組全部像素的平均灰度值。

將k從0到m-1依次取值,選擇使σ(k)2達到最大值的k作為閾值。則(1-3)式可推導成下式:

<mrow> <msup> <mi>&sigma;</mi> <mn>2</mn> </msup> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <msup> <mrow> <mo>&lsqb;</mo> <msub> <mi>&mu;</mi> <mi>k</mi> </msub> <mi>&omega;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>-</mo> <mi>&mu;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> <mn>2</mn> </msup> <mrow> <mi>&omega;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&lsqb;</mo> <mn>1</mn> <mo>-</mo> <mi>&omega;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>&rsqb;</mo> </mrow> </mfrac> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>4</mn> <mo>)</mo> </mrow> </mrow>

其中:

<mrow> <msub> <mi>&mu;</mi> <mi>K</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>5</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>&mu;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>6</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>&omega;</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mi>k</mi> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>7</mn> <mo>)</mo> </mrow> </mrow>

式中,i和Pi分別為圖像中各灰度級和其出現(xiàn)概率。

在這里假設(shè)圖像中灰度級為k′的像素個數(shù)為零,即Pk′=0,如果選擇k’-1為閾值時:

<mrow> <mi>&mu;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>8</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>&omega;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>9</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>&mu;</mi> <mrow> <mi>K</mi> <mo>-</mo> <mn>1</mn> </mrow> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>10</mn> <mo>)</mo> </mrow> </mrow>

如果選擇圖像中灰度級k′作為閾值時:

<mrow> <mi>&mu;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>+</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <msub> <mi>p</mi> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>=</mo> <mi>&mu;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>11</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <mi>&omega;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>+</mo> <msub> <mi>p</mi> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>=</mo> <mi>&omega;</mi> <mrow> <mo>(</mo> <msup> <mi>k</mi> <mo>&prime;</mo> </msup> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>12</mn> <mo>)</mo> </mrow> </mrow>

<mrow> <msub> <mi>&mu;</mi> <mi>K</mi> </msub> <mo>=</mo> <munderover> <mo>&Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>m</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <msub> <mi>p</mi> <mi>i</mi> </msub> <mo>&times;</mo> <mi>i</mi> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>1</mn> <mo>-</mo> <mn>13</mn> <mo>)</mo> </mrow> </mrow>

由上述分析可知:

σ2(k′-1)=σ2(k′) (1-14)

再次假設(shè)圖像中有連續(xù)灰度級,K1,K2,K3…Kn…的像素數(shù)為零,參考上述方法可以得到:

σ2(k1-1)=σ2(k1)=σ2(k2-1)=σ2(k2)...=σ2(kn-1)=σ2(kn) (1-15)

由于受到軸承生產(chǎn)工況的影響,每次檢測時被檢軸承在攝像機視野中的位置都會有細小差異,為了方便后續(xù)的分析,在檢測之前需要確定軸承的準確位置。從軸承圖像的特征可知,軸承字符一般標志在防塵蓋或套圈的側(cè)面,由于軸承是軸對稱的,并且正常檢測所拍攝圖像的中心都會在軸承內(nèi)圈里,在此采用多點擬合圓的方法確定軸承圓心的坐標從而定位圖像,在得定位圖像后,對定位圖像進行字符帶展開和字符分割,得到單個字符。

將得到的單個二值化字符進行歸一化和細化處理,由于光照、硬件和算法等因素的影響,經(jīng)過上述處理得到的單個字符大小不一樣,本文中采用的字符識別方法是模板匹配法,相同類型的字符只在計算機中存儲一種尺寸的模板,這就要求對提取出來的單個字符進行歸一化處理。字符歸一化又稱字符正規(guī)化,它的作用在于使不同尺寸的字符在經(jīng)過縮放處理后大小統(tǒng)一,在對字符進行歸一化的過程中,采用的是鄰近插值法。

b)對采集到的外圓表面圖像信息在外圓表面圖像處理模塊進行圖像濾波去噪、圖像二值化處理,外圓表面圖像處理模塊以中值濾波進行圖像濾波去噪,并以最小誤差法進行圖像二值化處理;

3)軸承模板匹配缺陷識別

a.端面圖像處理模塊對預處理后的端面圖像信息進行邊緣提取和模板匹配,得到分析結(jié)果;

b.端面圖像字符處理模塊對端面圖像信息進行軸承字符識別和模板匹配,得到分析結(jié)果;字符特征提取是字符識別之前一個很關(guān)鍵的階段,目的是從字符中提取到最具代表性的特征。特征選取是否合適,關(guān)系到字符識別的正確率、檢測系統(tǒng)的速度和精度。選取的特征必須滿足以下條件:一是相似性原則,所選取的特征應該是具有某種不變形的相同類型;二是唯一性原則,所選取的特征應該可以對應起來;三是穩(wěn)定性原則,所選取的特征應該是在每幅圖像和圖像變換中保持一致。在步驟3)中,端面圖像字符處理模塊首先對特殊字符進行處理,然后采用網(wǎng)格和交叉點特征實現(xiàn)對字符特征的提取,利用網(wǎng)格和交叉點特征得到關(guān)于字符的29維特征數(shù)據(jù)向量,將每個字符特征向量存入字符標準特征庫中,最后根據(jù)這些具有代表性的特征進行后續(xù)的識別;

模板匹配法屬于一種離散輸入模式分類的識別模式,實質(zhì)是實現(xiàn)輸入數(shù)據(jù)與樣本之間的相似性對比,根據(jù)相似性大小決策輸入數(shù)據(jù)的所屬類別。本發(fā)明采用的是一種改進的模板匹配法進行字符識別,該方法是在模板匹配法的基礎(chǔ)上進行兩次匹配實現(xiàn)。具體方法如下:

(1)粗略匹配過程。在原圖和模板中都隔行隔列提取數(shù)據(jù)進行匹配,即1/4的原圖和模板數(shù)據(jù)。本次匹配過程減少了大量所要處理的信息,有效提高匹配效率。

(2)精確匹配過程。對粗略匹配中過程出現(xiàn)的誤差最小點在其鄰域內(nèi)進行第二次搜索匹配,進而得到識別結(jié)果。

根據(jù)上述改進的模板匹配法基本原理,將歸一化和細化后25×25的待識別字符和模板字符二值化,提取兩者二值化后字符的網(wǎng)格和交叉點兩類特征,得到29維的特征向量,對待識別字符與各個模板進行兩次特征匹配,最后相似度最大的即為識別出的字符。對識別出來的字符和標準字符進行比對,如果不一致則判斷字符存在缺陷。經(jīng)過實驗表明,改進的模板匹配法較傳統(tǒng)的模板匹配法實現(xiàn)簡單,識別率高,檢測速度快,受外界干擾小。本系統(tǒng)采用基于改進的模板匹配法使軸承字符缺陷檢測達到較高的水平,其識別率達到了99.375%。

對外圓表面圖像處理模塊對外圓表面圖像信息進行邊緣提取和模板匹配,得到分析結(jié)果;經(jīng)過實驗表明,改進的模板匹配法較傳統(tǒng)的模板匹配法實現(xiàn)簡單,識別率高,檢測速度快,受外界干擾小,本系統(tǒng)采用基于改進的模板匹配法使軸承字符缺陷檢測達到較高的水平。

4)反饋篩選

各計算機處理模塊將分析結(jié)果進行反饋給計算機控制模塊,計算機控制模塊控制存儲模塊進行進行結(jié)果存儲,并控制篩選開關(guān)進行篩選,以實現(xiàn)小微軸承表面凹痕缺陷的在線檢測及不合格產(chǎn)品的自動分揀處理。

利用本系統(tǒng)對軸承進行字符識別,測試多種型號不同字符情況的軸承各200次,檢測速率小于1s/套,識別率達到99.375%,從中選取10個實驗數(shù)據(jù)(其它編號的圖像數(shù)據(jù)略)如表1所示。檢測結(jié)果統(tǒng)計表如表2所示。

表1

表2

本發(fā)明使用5×5中值濾波法去除圖像中的噪聲,采用一種快速Otsu法進行圖像二值化,利用擬合圓的辦法確定軸承的圓心進而對軸承進行定位,研究了字符的歸一化和細化算法,采用網(wǎng)格和交叉點特征提取出字符特征,最后選擇一種改進的模板匹配法識別軸承字符,這些算法使系統(tǒng)的檢測效率和精度有了很大的提高,其識別率達到了99.375%,提高檢測精度和效率。

本發(fā)明基于CCD圖像識別技術(shù)實現(xiàn)微小軸承外表面缺陷自動檢測,其根據(jù)采到的不同部位的集軸承圖像的特點,設(shè)計出一種可并行識別檢測軸承兩端面、軸承外圓表面和端面圖像字符的小微軸承表面凹痕缺陷在線檢測系統(tǒng),可同時對軸承不同部位進行并行分析檢測,處理效率高;本發(fā)明針對對軸承不同部位進行并行的分析檢測,其選用的分析檢測算法是根據(jù)軸承的各部位的特點進行優(yōu)化的,如對軸承兩端面和外圓表面的圖像采用了不同的濾波去噪和圖像二值化處理,針對性更高,處理效率和準確度也更高,同時,針對現(xiàn)有系統(tǒng)中軸承字符檢測準確度不高的問題,本發(fā)明使用5×5中值濾波法去除圖像中的噪聲,采用一種快速Otsu法進行圖像二值化,利用擬合圓的辦法確定軸承的圓心進而對軸承進行定位,研究了字符的歸一化和細化算法,采用網(wǎng)格和交叉點特征提取出字符特征,最后選擇一種改進的模板匹配法識別軸承字符,這些算法使系統(tǒng)的檢測效率和精度有了很大的提高。

最終,以上實施例和附圖僅用以說明本發(fā)明的技術(shù)方案而非限制,盡管通過上述實施例已經(jīng)對本發(fā)明進行了詳細的描述,但本領(lǐng)域技術(shù)人員應當理解,可以在形式上和細節(jié)上對其作出各種各樣的改變,而不偏離本發(fā)明權(quán)利要求書所限定的范圍。

當前第1頁1 2 3 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1