[发明专利]一种基于机器视觉的轴承滚子倒角面缺陷检测方法

说明书

本发明公开了一种基于机器视觉的轴承滚子倒角面缺陷检测方法，针对轴承滚子在生产和运输过程中出现的倒角面缺陷问题，采集轴承滚子倒角面图像，利用基于深度卷积神经网络的深度学习算法建立倒角面缺件检测模型，实现倒角面缺陷的快速检测和位置定位。本发明运用深度学习模型和机器视觉算法对轴承滚子倒角面缺陷进行实时检测，具有快速检测、定位精准、识别准确度高的特点，能够代替传统人工检测出方法，满足滚子缺陷检测自动化的需求。

技术领域

本发明涉及图像检测领域，尤其是一种基于机器视觉的轴承滚子缺陷检测方法。

背景技术

轴承滚子是轴承中的核心部件，滚子存在破损缺陷会造成滚子的加速磨损和老化，甚至会导致轴承的运转故障。因此，滚子在装配前需要进行筛选，剔除带有缺陷的滚子。传统筛选方法依靠人工检测，不仅工作繁复、对检测人员经验要求高，而且易受环境、检测人员疲劳状态等影响，检测效率和可靠性较差，容易发生缺陷漏检和误检，而且只能对缺陷进行定性判定而不能定量评估。所以，发明一种自动化轴承滚子缺陷检测方法，具有很高的应用价值，满足滚子缺陷检测智能化、高效率、准确性高和稳定性好的现实需求。

发明内容

本发明公开了一种基于机器视觉的轴承滚子倒角面缺陷检测方法。

本发明为实现上述目的所采用的技术方案是：

一种基于机器视觉的轴承滚子倒角面缺陷检测方法，包括以下步骤：

1)建立机器视觉采集系统，采集含倒角面缺陷的轴承滚子图像样本，并对缺陷位置进行标定，建立轴承滚子倒角面缺陷数据库；

2)建立基于深度卷积神经网络的深度学习算法目标检测模型，根据轴承滚子倒角面缺陷数据库中的图像样本对检测模型进行训练，得到适用于轴承滚子倒角面缺陷检测的网络模型；

3)使用视觉采集系统采集待检测滚子图像，利用基于计量模型的边缘检测算法提取滚子倒角面轮廓，利用训练后的缺陷检测网络模型，判断是否存在缺陷，若模型判定存在缺陷，对缺陷区域进行定位，筛选在倒角面轮廓线以内或者与轮廓线相交的区域为倒角面缺陷区域；

4)对缺陷区域进行复检，利用Blob分析算法提取缺陷区域的面积、灰度值特征，判断是否为误检区域，若不是误检区域，则将缺陷的类别和位置反馈给检测系统数据库，若是误检区域，则返回无缺陷结果。

所述机器视觉采集系统包括：面阵相机、环外侧镜头、球积分光源和运动轴，其中，面阵相机与环外侧镜头连接，安装于轴承滚子垂直上方，球积分光源与运动轴连接，面阵相机、环外侧镜头和球积分光源的中轴线与轴承滚子中轴线重合，控制运动轴带动球积分光源，使轴承滚子倒角面处于球积分光源照射区域内，通过面阵相机采集轴承滚子倒角面图像。

所述轴承滚子倒角面缺陷数据库，其建立过程为：

1)通过机器视觉采集系统采集轴承滚子倒角面图像，包括无缺陷图像和带缺陷图像；

2)将图像灰度化，采用阈值分割算法，从图像中分割提取待检测区域，将分割出的待检测区域图像进行缩放，并保存为图像样本；

3)选择含有缺陷的缩放倒角面图像样本，用矩形框标注缺陷区域，获得缺陷区域四个角的坐标值a_ij,b_ij,c_ij,d_ij,i＝1,2,3…,j＝1,2,3…,i表示图像样本的序号，j表示同一个图像样本中的标注框序号，保存所有标注框四个角的坐标值数据，每一组坐标值对应一个缺陷区域样本，建立轴承滚子倒角面缺陷样本数据库。

步骤2)为：

网络模型采用CNN模型，由输入层、卷积层、池化层、全连接层和输出层组成，训练网络模型的过程为：

1)将标注后的缺陷图像样本进行缩放，并由输入层输入网络模型；