[發明專利]一種基于機器視覺的軸承質量檢測方法

有效

• 申請號: 202011182219.X
• 申請日: 2020-10-29
• 公開（公告）號: CN112308832B
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 姜曉通;郭靜瑜;朱健強;楊思遠;吳科
• 申請（專利權）人: 常熟理工學院;常熟長城軸承有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/12;G06K9/62;G06V10/771;G06V10/82;G06N3/04
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 張祥

1.一種基于機器視覺的軸承質量檢測方法，其特征在于，包括：

對第一樣本集中的軸承進行二維圖像采樣，獲取第一分辨率下的第一軸承圖像信息；

判斷所述第一分辨率下的第一軸承圖像信息是否滿足第一預設條件；

當所述第一分辨率下的第一軸承圖像信息滿足第一預設條件時，根據所述第一軸承圖像信息得到第二樣本集；

對所述第二樣本集中的軸承進行三維測量及三維重建，得到第二軸承圖像信息；

根據所述第二軸承圖像信息獲取軸承表面缺陷類型；

所述第二軸承圖像信息包括灰度通道、梯度通道、深度通道的信息；

所述根據所述第二軸承圖像信息獲取確定軸承表面缺陷分類信息，包括：

對所述灰度通道、梯度通道、深度通道進行特征提取；

采用多類別SVM分類方法，使用灰度通道、梯度通道及深度通道的特征信息建立缺陷識別算法，根據所述灰度通道、梯度通道及深度通道的特征信息進行缺陷識別，以區分缺陷和非缺陷；

所述對所述灰度通道、梯度通道、深度通道進行特征提取，包括：

對所述灰度通道進行多尺度分解，選擇均值、標準差、熵及投影特征的至少之一并降維，得到灰度通道特征；

對所述梯度通道采用傳統多尺度小波對梯度通道進行二層小波分解，提取子通道的均值、標準差、絕對差、熵的至少之一作為梯度通道特征；

對所述深度通道提取深度投影特征；

所述三維測量的過程具體如下：

采用至少兩個方向的光源依次照明，獲取不同照明條件下的多幅圖像，以光源顏色的R、B通道為例，從原始RGB圖像中提取與光源顏色對應的R通道圖像I₁和G通道圖像I₂，采用公式(1)計算出相對灰度

其中，e＝E₁/E₂為光源功率系數；I_1、I₂為通道圖像亮度；

采用線性光源，由于光源的對稱特點，因此將反射模型的函數簡化為單自由度函數f_bd(λ),λ為被測表面沿光源長軸方向的傾斜角度；

測量時，將反射模型測量系統水平放置，工作用的臺面平行于CCD相機的光軸，被測樣本放在轉臺上，控制轉臺產生偏轉角λ的旋轉，光源入射方向與相機光軸夾角為a，獲取圖像中心區域的平均灰度與偏轉角λ的函數關系I＝f_bd(λ)；

在三維測量時，采用至少兩個方向的光源依次照明，采用線陣相機成像，線形光源進行照明，線性光源入射的光線存在于入射平面內的等腰三角形扇面內，

相對灰度與表面傾角λ具有中心對稱的函數關系，利用該函數的性質，通過標定建立表面傾角與相對灰度的函數關系作為第一函數模型，利用其反函數求解單調區間內的表面傾角λ和方向梯度q，

相對灰度與表面傾角λ為對應關系，定義平均灰度I與表面傾角λ的第二函數模型為：

其中，在微小形變下近似等于1，E以及lz為常數，

根據上述預定義的第一函數模型，根據表面傾角λ在掃描圖像中逐像素計算方向梯度,構成方向梯度通道，以反映軸承表面的三維形態分布，同時，根據表面傾角λ在掃描圖像中逐像素計算x方向的方向梯度p，構成x方向的梯度矩陣P，根據表面傾角λ在掃描圖像中逐像素計算y方向的方向梯度q，構成y方向的梯度矩陣Q；根據上述定義的第二函數模型，根據表面傾角λ逐像素計算平均灰度I，構成灰度通道A，以反映軸承表面的二維反射率的分布并用于后續計算；

同時，在對稱光學系統中，對相對光學函數進行標定，采用相對光學函數中心對稱性和局部單調性擬合相對光度的經驗函數，支持對方向梯度的準確測量，通過對單自由度反射模型的標定，優化光學入射角度a的設計參數；

三維重建的過程具體如下：

通過改進的Haar小波變換重建三維表面深度，利用Haar小波重構與二維積分在運算上的相似性，即梯度矩陣P、Q近似于Haar小波子帶實現三維重建，

通過光度立體法得到表面梯度，采用紅、綠、藍三個單色光源沿不同角度同時照明鋼板表面同一區域，通過垂直于鋼板表面的攝像機拍攝光源照射的鋼板表面區域，分離其彩色圖像的R、G、B通道，得到近似于紅、綠、藍光源單獨照明下獲得的三幅圖像I_R,I_G,I_B，IR,IG,IB的高h＝2n,寬w＝2n，圖像坐標系(x,y)中某點的相對深度為Z(x,y)，梯度矩陣P為深度矩陣Z沿x方向的差分，Q為深度矩陣Z沿y方向的差分，P、Q由IR,IG,IB和光源方向矩陣L得到，P(x,y),Q(x,y)的初始值用P1,Q1表示，深度矩陣Z當作小波分解的初始矩陣LL⁰，則Z可以通過式(4)所示的小波分解算法，式(5)所示的遞推關系公式和式(6)所示的小波重構算法得到：

LL^k-1＝U(LL^k)*L_R^T*L_R+U(LH^k)*H_R^T*L_R+U(HL^k)*L_R^T*H_R+U(HH^k)*H_R^T*H_R (6)

式(4)、式(5)、式(6)中：

“*”——二維卷積運算；

D(M)——二維下采樣，抽取矩陣奇數行、列，D(M)(x,y)＝M(2x-1,2y-1)；

U(M)——二維上采樣，矩陣擴充為(2h+1)×(2w+1)，其中偶數行列：U(M)(2x,2y)＝M(x,y)，其余項填充0；

LL⁰——小波分解的初始矩陣，Z＝LL⁰；

LL^k、LH^k、HL^k、HH^k——第k層分解的低頻及高頻子帶，1≤k≤n，設LLⁿ中元素的值為0；

P^k,Q^k——k層梯度矩陣，1≤k≤n，其中P¹,Q¹為梯度矩陣P,Q，其余通過遞推求得；

L_D＝(1,1),H_D＝(1,-1)—Haar小波分解低通、高通濾波器；

L_R＝(0.5,0.5),H_R＝(-0.5,0.5)—Haar小波重構低通、高通濾波器；

將深度矩陣Z當作小波分解的初始矩陣LL⁰，用LL^k、LH^k、HL^k、HH^k，表示Z經第k層二維Haar小波分解后的尺度分量、垂直分量、水平分量和對角分量，根據小波重構算法，只要知道最末層LLⁿ的值以及LH^k、HL^k、HH^k的值，就能夠依次重構得到LL^k，LL⁰即為深度矩陣Z，因此根據P、Q與二維Haar小波分解之間的關系，通過小波分解、遞推算法和小波重構等步驟，得到通過P、Q求深度矩陣Z的快速算法；

由于P、Q分別為深度矩陣Z沿x、y方向的差分，將P、Q代入二維Haar小波分解，得LH¹、HL¹、HH¹，根據P、Q的遞推公式得到P²,P³,…,Pⁿ和Q¹,Q³,…,Qⁿ，并依次求出LH^k、HL^k、HH^k，設LLⁿ的值為0，由于LH^k、HL^k、HH^k已知，因此根據二維Haar小波重構算法依次重構得到LL^k，LL⁰即為深度矩陣Z；

在重構LL^k時會產生局部誤差，用傳統的全局優化算法對LL^k進行迭代優化，以減少誤差。