基于机器视觉的轴承内外侧表面缺陷检测系统设计开题报告

 2021-12-09 17:44:23

1. 研究目的与意义(文献综述)

近年来,随着科技的快速发展,工业对自动化装置的需求和应用正在逐年增加。机器视觉检测技术是利用摄像头代替人眼获取被测物体的图像,经过数字图像处理后获得被测物体关键信息的技术,是一种被广泛用于工业领域的检测技术。

轴承作为工业时代必不可少的零部件,在机械设备中发挥着巨大作用,经常被用于旋转结构之间的连接,以减少旋转机构的阻力以及摩擦所带来的损伤,轴承的质量直接关系到工业设备的性能,寿命,安全性。轴承加工过程分为锻造、碾扩、冲孔、车销、磨削、热处理等工序,所以轴承表面可能会出现各种各样的缺陷。轴承表面的质量缺陷会严重损害一个企业的声誉,从而降低企业的利润,严重时会引发安全事故,带来不可估计的灾害。因此对于轴承的质量检测成为了轴承生产中至关重要的一环。目前轴承的外观检测都还是以人工目测为主,检查员凭借自己的主观经验通过人眼进行判别缺陷的种类,这种通过人眼的筛选的方式,经常由于人的主观性会导致筛选错误,从而容易降低了轴承的分级质量,为后续的加工带来不必要的麻烦,长时间的观察也会影响到检测员的视力健康。

针对上诉现象,本次课题以滚动轴承表面缺陷检测装置为研究对象,基于图像处理技术和视觉成像技术的检测方法,实现在生产线上对轴承的实时缺陷检测。该装置对提高轴承总体的质量具有重大的意义。

1.1国内外研究现状

在早期,针对于轴承的缺陷检测可使用针对于金属表的无损检测方法进行,较成熟的方法有涡流探伤[1]、磁粉探伤[2]、超声波探伤[3]、射线探伤[4],也取得了不错的成果。但是各自都存在各自的缺陷。

ShcherbininV[5]等采用涡流法和超声法进行了管道内壁的缺陷检测。涡流法的原理为利用交流电磁线圈在金属构件表面产生的涡流遇到缺陷就会产生变化,从而检测构件的缺陷。该方法灵敏度高、检测速度快,但是涡流法中的感染因素较多,需要使用者用丰富的经验才能区别有用的信号与干扰信号。而且使用涡流探伤法进行表面缺陷分析,需要使用大量电力使线圈产生励磁,会造成能源的浪费和成本的提高。超声波法的原理为超声波遇到缺陷后声音波反射回接收器,对反射的信号进行分析即可将缺陷检测出来。超声波法需要耦合剂的配合,测量空间分辨率较差。目前国内应用超声波探伤法检测轴承[6],多用于大直径轴承。很少用于小直径的轴承,因为目前技术上还不够完善。黄辉[7]等人对漏磁检测技术在管道中的缺陷检测进行了研究,但是其也需要人工来观察磁粉的分布,如果运用在轴承的缺陷检测中,等于就是增加缺陷的对比度,没有达到自动化的要求,而且检测完成之后还要做退磁处理,还需要额外增加一个工位,而且清洗轴承所产生的水有污染。

随着计算机性能的提升以及工业相机的精度逐步增加,机器视觉技术越来越成为工业生产领域中不可或缺的解决方案。越来越多的人开始研究将机器视觉运用在轴承检测当中。目前,国内外对此的研究已经有了较大的成果。

在检测装置上Hao Shen[8]等人提出了一种利用环形光源的照射方式。如图1所示,摄像头拜在最上方,下面安装一个环形光源,这种打光方式,利用光强度的变化规律,可以很好的检测出轴承变形这一缺陷,但是不足是其只能够检测到轴承上表面的缺陷。

图1.1 检测装置[8]

之后,吴义权[9]提出了一种放在轴承斜上角的方式进行拍摄的成像方式。

图1.2 检测装置2[9]

该装置通过机械手将轴承拾取到旋转圆盘上,之后轴承旋转一圈,摄像头进行实时检测,这种方式有效的提取到了轴承的上表面以及内外圈的图像信息,但是对于下表面的检测无法在同一个工位上进行。

针对以上缺点与不足,沈阳工业大学魏成禹[10]设计了一种三摄像头联合使用的方式进行轴承的扫描能够在一个工位上。

图1.3 检测装置3[10]

三个摄像头协同工作,分别用来拍摄上端面以及内圈的上半部分,下端面以及内圈的下半部分,外圈部分,做到实时检测,已经基本上实现了在一个工位上同时检测轴承所有表面,但是在数据处理方面显得较为复杂,需要建立三个线程分别处理三个摄像头的图像数据。

针对检测方式,除了传统的使用机械结构来实现,在本项目的应用场景下,可以考虑搭建全景成像系统的方式使摄像头在一张图片之下得到轴承表面的全部图像,全景成像技术进来收到非常多学者的关注,对此也做了大量的工作与研究。ConroyL[11]等人使用了两个反射镜搭建反射光路与相机配合组成了的立体视觉系统。叶良波[12]等人对折反射相机模型做了深入的研究,提出了全景凝视成像成像的方法,获得了180°视角的图像,徐岸[13]等人设计双曲面反射镜实现了全景成像,吴玉媚[14]设计分析了一个带有凹面反射镜的圆柱形成像系统。目前全景成像的实现方式主要有多图像拼接技术,鱼眼镜头,环视透镜系统,折反式光学系统[15],折反射光学系统在几年运用比较广泛,折反式全景相机是近几年发展起来的一种新的全景相机,对比旋转式扫描相机、多图像拼接相机和鱼眼相机相比,具有尺寸小、结构灵活简单、成本低廉、实时性好的显著优势[16].

庄雯[17]给出了全景成像系统尺寸的计算方法,同时对单视点成像系统做了分析优化设计,并通过设计反射镜的面形状控制畸变量在百分之五十以下。郭伟青[18]利用了二次双曲面镜的光学特性,实现了一种全景立体感知的被测物体三维测量余三维重构的方法。

华中科技大学[19]曹普信使用了内锥面镜面扫描全景成像,获取了微钻的侧刃图像,并将其拉开成矩形图像,同时检测其缺陷。其将微转置于内圆锥的中心线上,之后通过坐标变换图像拼接的技术,将所有需要读出的图像展示出来。

长春理工大学张少军[20]根据折反射式光学系统的工作原理,设计了高阶非球面反射式360°全景镜头该相机采用的也是高阶非球面反射镜压缩视场角,将垂直光轴方向一定角度映入到系统,以获得物体的环形全景图像。其在文中也详细描述了关于球面成像并还原的方法。

在图像识别算法方面陶青平[21]在2011年提出了一种快速检测轴承表面缺陷方法的研究,针对磕碰这种缺陷使用了OTSU的多次阈值轴承表面的方法。首先使用中值滤波的方式对图像进行预处理,之后用OTSU求出最佳阈值进行二值化处理, 之后求出最外圈圆的边缘,并使用霍夫圆检测求出圆心和圆的半径,之后根据每个圆的比例进行分割区域,并使用8连通域法找到连通域,最后将缺陷的的面积转换成连通区域的像素数,如果像素数大于设定阈值即认为是有缺陷,该方式只能够区分出有缺陷和无缺陷,不能对缺陷的种类进行分类,而且OTSU算法的复杂度较高,计算速度较慢,并且只依靠连通域像素面积大小来判断会导致识别不准确。

比较于上述的识别算法,Hao Shen[8]等人提出了一种基于P2C转换,将圆形的轴承转化为矩形进行上表面的缺陷的识别,所采用的图像预处理方法也是中值滤波方式,阈值分割算法是OTSU阈值分割算法,但是再确认是否为缺陷算法上面,它采用了SVM分类器,利用了面积,所在区域,最小包围矩形,灰度值对比度,斑点中灰度值平均值和方差等特征区分噪声和缺陷。并且图像再P2C变换后,根据亮度的变化规则,有变形缺陷的位置,会有亮斑出现,根据这一特点,列出灰度直方图可以很快的识别出变形这一缺陷,以及变形缺陷所处的位置。虽然该方法可以把变形这一缺陷单独提取出,并且很大程度增加了缺陷识别的精确度,但是OTSU算法再速度上较慢的问题还是没有得到解决。

南京航空大学的谢芬[22]提出了一种改进的阈值分割算法,根据他的研究,创挺的OTSU分割方法再一些特定的情况先不理想,收敛速度满,论文中还指出传统的Shannon背景分割算法采用穷举法,逐一穷举1-256灰度级之前的像素值作为分割阈值,并求得每个阈值对应的熵,将熵最大的阈值作为最优阈值,该方法的时间消耗也是巨大的。于是作者结合shannon背景分割算法和改进的布谷鸟搜索算法,寻找最佳宿主位置得到最优解,根据其实验结果,该方法不仅能提高识别的准确度,还能够提高大大提高运行速度。以下是论文中的运行时间对比。

表1 运行时间对比[22]

在福州大学骆腾斌[23]的项目中指出,对于一些高灰度缺陷,OTSU算法的分割效果并不好,其提出了一种新的阈值分割算法,区域生长法,集合图像中性质相近的像素点,按照给定的生长准则将符合条件的像素或子区域组合起来,从而形成更大的区域的过程,在其做的实验中,能够做到有效的分割出灰度缺陷。

虽然目前能够有效的区分出缺陷和非缺陷的位置,但是其没有对缺陷做一个分类。

湘潭大学孔拓[24]在论文中提到对缺陷进行数学化描述,他使用了缺陷面积、最小外接矩形、矩形度、缺陷长宽比、矩特征,并对此构建了缺陷的特征向量,之后又构建里二叉树分类器并基于支持向量机分类算法度样本缺陷进行逐个分类。

岳鹏飞[25]等人对非接触式带钢表面缺陷检测纹理方向特征分析上使用了灰度共生矩阵、灰度差分矩阵、灰度-梯度共生矩阵、对纹理特征进行描述,对钢表面的一些缺陷特征进行分析,有助于对缺陷进行分类。

江苏大学陈琦[26]提取出滑动轴承的缺陷后,提取出了该缺陷区域的灰度共生矩阵,并使用了能量ASM、相关矩COR、局部均匀性Lh、对比度CON,并将这些特征使用SVM分类器分类,用以区分不同的缺陷,但是提取纹理特征的计算复杂度非常巨大

湘潭大学孔拓[24]对图像纹理做了比较详细的分析,列举了四种纹理描述方法,以及将纹理描述方法运用在了铣削工件表面,在图像预处理方面,论文中使用了维纳滤波法,它较好的滤除噪声的同时,能够对图像的细节做一个较为理想的保留。在预处理完成后,它使用了灰度共生矩阵法进行了工件表面背景纹理的提取,当得到0°、45°、90°、135°四个方向之后,再提取出纹理特征的统计量,角二阶矩,对比度,熵,方差,逆矩阵,相关性等,由于灰度共生矩阵的运算量非常大,且很大程度熵受到灰度级G的影响,于是其对图像进行量化灰度级处理,在高频率区域用高灰度级进行量化,低频区域将灰度级降低,这样可降低灰度共生矩阵规模减少计算时间。

湖北工业大学邓拥军[27]等人提出了一种石材缺陷检测方法,基于颜色特征,灰度特征,纹理特征三种特征构建特征矩阵,并使用SVM分类器构造级联分类器对不同缺陷对应的特征矩阵进行分类。

华南理工大学陈志鸿[28]提出了一种关于Hu矩的一种形状特征的描述,Hu矩为具有平移不变性、尺度不变性和旋转不变性的七个矩的不变量,并结合上,面积特征,周长特征进行对缺陷的描述,然后结合成特征矩阵,使用SVM分类给不同的缺陷进行分类。

在他所做的研究中,他还深入对比了卷积神经网络算法和SVM分类器的差别,虽然卷积神经网络算法是现在机器学习中运用的比较普遍的一种算法,精确度高,识别速度快,但是缺点也比较明显,要保证一个较高的准确率必须有足够多的样本进行训练。在很多情况下这种巨大数量的样本很难制作。

在Valavanis[29]所做的研究中,其深入对比了神经网络和SVM、ANN、KNN分类器的具体区别,在样本数同样不是很大的情况下,三者的识别准确率相差不大,但是SVM的训练时间会相对偏长。电子科技大学宇文旋[30]使用了BP神经网络算法建立了分类器,其也是投入了大量的数据样本才能保证高准确率。

前人在研究检测装置以及识别算法中,都互有缺陷,也都有各自的亮点,针对与这次的项目,要综合实际运用场合,精度,识别时间的需求,设计出合理、便捷的检测装置,高效、快速、准确的识别算法以满足实际情况的具体需求。

2. 研究的基本内容与方案

.1 需求说明和基本内容

本次设计以检测轴承为基础,配以适当的机械结构、硬件电路、框架结构和识别算法设计一种非接触式、自动、快速、高识别率的轴承缺陷检测系统。通过视觉方法检测轴承套圈内外表面裂痕、锈斑、划痕等缺陷。要求能检测到缺陷最小尺寸魏1x1mm,单个检测速度不低于10s。并进行实验测试其误检率,识别速度等性能。

2.2 研究目标

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

3. 研究计划与安排

第1-4周:查阅相关文献资料,明确研究内容。对系统要求进行分析,确定方案,完成开题报告和外文翻译。

第5-8周:使用缺陷样本设计并编写识别算法,并尽可能优化算法,提升准确率

第9-10周:设计机械结构,完成下位机内容

剩余内容已隐藏,您需要先支付后才能查看该篇文章全部内容!

4. 参考文献(12篇以上)

[1]韩文强. 微细管道管壁缺陷检测系统构建技术研究[d].天津大学,2012.

[2]黄振华.机车杆类零件磁粉探伤工艺试验与应用[j].技术与市场,2019,26(05):26-29.

[3]刘健.钢结构无损检测中超声波探伤技术应用研究[j].中国设备工程,2019(18):93-94.

剩余内容已隐藏,您需要先支付 10元 才能查看该篇文章全部内容!立即支付

课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。