优先出版 计 算 机 应 用 研 究 第32卷
--------------------------------
基金项目：国家自然科学基金项目(51305270)；上海市科研创新项目(13YZ071)；上海理工大学国家级项目培育基金和机械工程学院机械制造及其自动化专业一流学科科研专项基金资助
作者简介：陈龙(1978-)，男，湖北十堰人，博士，主要研究方向为产品计算设计、产品快速智能设计、图像处理及工业应用；候普华(1987-)，男，山东菏泽人，硕士，主要研究方向为图像处理及工业应用；王进(1980-)，男，浙江东阳人，副教授，博士，主要研究方向为产品数字化设计；朱文博(1973-)，女，山东宁阳人，副教授，博士，主要研究方向为知识工程．
轴承表面缺陷类型识别算法
陈 龙1，侯普华1，王 进2，朱文博1
(1．上海理工大学 机械工程学院，上海 200093；2．浙江大学CAD&CG 国家重点实验室，杭州 310027) 摘 要：针对生产和装配过程中轴承表面缺陷检测传统方法的不足，本文提出一种新的轴承表面缺陷类型识别算法。
首先改进Canny 算子以提高轮廓识别度，将Sift 算法应用于缺陷区域提取，对轴承表面缺陷图像和无缺陷图像进行Sift 图像匹配以定位缺陷区域，运用像素点的异或运算以精确提取缺陷区域。
选择部分Hu 矩值和几何特征值准确描述缺陷区域，将其作为BP 神经网络算法的输入，从而最终识别出缺陷类型。
实验表明，该方法提高了识别率，且具有非接触、速度快、精度高和抗干扰能力强等优点，很好地实现了轴承表面缺陷类型的检测。
关键词：轴承；表面缺陷；缺陷识别；Sift 算法；BP 算法 中图分类号：TP391.4；TH133.3 文献标志码：A
Algorithm on bearing surface defect type recognition
CHEN Long 1, HOU Pu-hua 1, WANG Jin 2, ZHU Wen-bo 1
(1. University of Shanghai for science & technology, Shanghai 200093, China; 2. State Key Lab. of CAD&CG , Zhejiang
University, Hangzhou 310027, China)
Abstract: Aiming at some shortcomings in the traditional recognition methods for the bearing surface defect generated during the process of production and assembly, this paper presents a new bearing surface defect recognition algorithm. Firstly, an improved Canny operator is put forward to enhance the recognition rate. Sift image matching algorithm is also applied on the bearing surface defect extraction to locate the defect area by matching the images with or without defect. Use the pixel XOR operation to extract the defect area precisely. Part of Hu moment and geometric features values are selected to describe the defect area accurately and used as the input data for the BP neural network algorithm, finally, defect type is identified. Experiments show that this method improves the recognition rate, and with the merits of non-contact, fast speed, high accuracy and strong anti-jamming capability, so it can realize the recognition of bearing surface defect type accurately. Key Words: bearing; surface defect; defect recognition; sift algorithm; BP algorithm
0 引言
轴承是机械行业中广泛使用且非常重要的零件，其精度高，批量化生产，表面质量和加工精度都对轴承寿命产生巨大的影响，因此，表面质量检测是轴承制造商非常关心的一个问题。
轴承表面缺陷检测一直是轴承行业检测技术的薄弱环节。
在轴承自动化生产线上，轴承质量检测仍借助于人工检测，不仅稳定性差、工作量大、检测不准确，也常常出现客户退货现象，给企业在经济上带来一定的损失，并且降低了客户对其企业产品的信任度[1-2]。
为解决上述问题，基于机器视觉的检测方法由于其自动化程度高而被广泛研究，以取代人工检测。
Jean-Paul Dron [3]研究了轴承图像的三种去噪方法：自适应去噪、小波阈值去噪和频谱相减法去噪，对比分析三种方法的去噪效果，为后期的轴承
表面缺陷检测提供前提。
Karthik Kappaganthu [4]对轴承表面缺陷检测系统中的特征参数选取进行了研究，采用ANN 神经网络进行训练识别。
陈廉清[5]为了削弱轴承表面图像在采集过程中诸多因素的干扰，把轴承表面缺陷检测分成两块，一是利用差影法完成对轴承表面比较均匀区域的检测，二是利用模板匹配法对轴承表面有文字的区域进行检测。
陶青平[6]针对单阈值分割算法只用于检测轴承表面缺陷低于目标灰度缺陷，而多阈值分割算法只用于检测表面缺陷高于目标灰度缺陷的情况，研究一种采用Otsu 的多阈值分割方法，完成了轴承表面缺陷检测。
涂宏斌等人也对轴承表面缺陷检测做过研究，见参考文献[7-9]。
现有的轴承表面质量视觉检测方法大都存在着缺陷区域的提取精度不高，区域描述不准确，识别率较低，计算繁琐等特点，采取的图像处理、分析与识别方法也多种多样，并且对现场环境条件难以识别而存在许多问题，多数处于实验开发阶段，还需
文章预览已结束
获取全文请访问
/article/02-2015-06-066.html。