基于改进Otsu的轴承表面缺陷分割

基于改进Otsu的轴承表面缺陷分割

魏胜1，何静2，孙紫彤2，蒋金云2，江晓亮2

（1.浙江金沃精工股份有限公司，浙江 衢州 32400；2.衢州学院 机械工程学院，浙江 衢州 32400）

摘 要：本文针对工业应用中轴承表面缺陷缺陷提取困难的问题，提出了基于改进Otsu的轴承表面缺陷提取。本文针对轴承表面缺陷检测过程中的高质量图像获取、缺陷提取和缺陷识别，对系统缺陷图像分割和缺陷图像识别算法进行深入研究，通过改进Otsu，实现了轴承表面缺陷的提取。此外，本文将所提出的算法在实际轴承薄膜缺陷检测系统进行实验。实验结果表明，实验具有较高的准确性，可以快速、便捷和高效的实现轴承表面缺陷的提取，并对不合格轴承进行筛选。

关键词：Otsu；分割；轴承；缺陷

中图分类号：TP319              文献标志码：A

Bearing surface defect segmentation based on improved Otsu

WEI Sheng1,HE Jing2,SUN Zi-tong2,JIANG Jin-yun2,JIANG Xiao-liang2

(1. Zhejiang Jinwo Seiko Co., Ltd., Quzhou 32400, China;2.School of Mechanical Engineering ,Quzhou University, Quzhou 32400, China)

Absrtact: This paper proposes the improved Otsu-based bearing surface defect extraction for the problem of difficult defect extraction of bearing surface defects in industrial applications. In this paper, the system defect image segmentation and defect image recognition algorithms are thoroughly investigated for high quality image acquisition, defect extraction and defect identification in the process of bearing surface defect detection, and the extraction of bearing surface defects is achieved by improving Otsu. In addition, the proposed algorithm is experimented in the actual bearing film defect detection system in this paper. The experimental results show that the experiments have high accuracy and can realize the extraction of bearing surface defects and screening of unqualified bearings quickly, easily and efficiently.

Keywords: Otsu; split; bearing; defect

1

0 引言

随着制造业逐渐迈向智能化和高效化，工业中对产品质量和生产效率的要求日趋增加。木材作为机械装置的重要原材料，在国防军工、铁路交通、机械制造等众多领域发挥着巨大作用，其质量的优劣至关重要。然而，受生产工艺的影响，轴承表面会产生擦伤、缺料等瑕疵，严重影响到后续产品的品质，甚至会留下重大安全隐患，给企业造成经济和信誉上的巨大损失[1]。因此，防止不合格的轴承进入市场，是当前企业在提升核心竞争力过程中亟需解决的问题。

近年来，随着高性能计算机、高分辨率 CCD以及各种图像处理算法的发展，视觉表面缺陷检测系统已在各个制造业领域得到应用[2]。自上世纪70年代，国外已经逐步在制造业中使用视觉检测技术，并于80年代兴起了研究热潮，具有代表性的产品有康耐视视觉检测系统、NI视觉检测系统和HALCON视觉检测系统。此外，国外能提供产品表面缺陷在线视觉检测系统的还有日本的KEYENCE、意大利的EuclidLabs、瑞士的BOBST、加拿大的 Hexsight等。目前，国内从事表面缺陷检测系统相关的研究要慢一些，但随着劳动力成本的急剧增加，很多公司也在涉足这一领域，如北京旷视科技、北京大恒科技、北京凌云光子以及国内从事研发工作的高校科研院所等，在检测系统设计与算法方面都取得了众多成果。然而，虽然国内企业能够制造比较完善的检测设备，但性能与国外相比仍处于劣势

[3]。进一步讲，看似国内视觉方面出现很多高质量的理论与算法，但大多数仍处于科研院所的实验阶段，并没有转化为直接的生产力，而且对于严重复杂的工业现场环境系统依然存在稳定性差和检测准确率低等问题[4]。

1 传统视觉检测算法分析

视觉检测流程主要包括缺陷提取和缺陷识别两个部分。其中，缺陷提取主要指的是面向图像的预处理以及分割，并从产品中提取出存在缺陷的区域；缺陷识别主要包括特征描述、特征选择和模式分类三个过程[5]，从而对检出的区域进行分类判断。

缺陷提取是视觉检测算法的第一步，其目的是将缺陷和背景分离开来，主要用到的分割算法，具体包括：基于阈值分割、基于形态学分割等。针对表面纹理提取困难的问题，近年来，随着对一些新型理论的深入研究，如活动轮廓模型算法、基于深度学习的分割方法等[6]被广泛应用于各种产品表面的缺陷检测，并且取得了不错的分割效果[7]。

缺陷识别的主要目的是将图像中提取的缺陷区域进行特征分类，并对缺陷的归属做出判别，常用的方法有局部二值模式和马尔科夫随机场模型等[8]。

因此，国内外对研究者对表面缺陷检测进行了大量实验与分析，但是仅有少数成果能转化为生产力。因此，提高算法准确性和泛化性，使之满足未来工业自动化生产的需求，仍是研究主流。

2 改进Otsu的分割算法

从轴承表面缺陷的检测角度看，缺陷与被测表面之间存在以下两种情况：一种是缺陷与背景存在显著差异，称之为“对比缺陷”；另一种是缺陷与背景的颜色或灰度接近，但是纹理或者模式变化存在差异，称之为“模式缺陷”[9]。同时，现有的许多图像分割方法存在计算速度慢和能量泛函的局部极优问题。因此，本文提出基于改进Otsu的分割方法，通过底层图像特征（灰度均匀性和灰度不均匀性特性）建立符合图像像素分布的分割框架，开发适用于该分割模型的连续域凸松弛方法，并评价分割方法的性能。

2.1 基于Otsu的图像分割框架

本文着重考虑基于Otsu建立图像像素模型，目的是把符合图像像素分布模型纳入统一的框架中，设轴承表面正常和缺陷的阈值为T，其表达式如下：

               (1)

               (2)

其中M、N分别为所处理图像的高和宽。和分别为轴承表面缺陷和正常像素点数和整个图像像素点的比值。和分别为像素值小于和大于等于T的像素个数。因此他们关系为：

               (3)

            (4)

之后对公式进行整合：

           (5)

      (6)

其中为缺陷像素的灰度平均值。为正常像素的灰度平均值。为整个图像像素的灰度平均值。为像素的方差。

之后通过以上算法，将图像中方差最大的部分进行提取，从而实现缺陷提取。由于实际图像中包含有噪声，着重考虑将基于统计理论的乘性斑点噪声模型与图像底层特征结合起来，建立更符合图像特征模型。

2.2 连续域凸松弛方法

凸松弛方法是将非凸问题经过转化后形成凸问题，并寻找其快速的求解方法。相对应地，连续域凸松弛方法目的是，将分割框架中所建立的非凸能量泛函转化为能量泛函的凸化表示，并利用快速的数值计算方法求解。

1

图1快速数值求解过程

1

本文基于非凸能量泛函生成能量泛函的凸化表示，之后计算全局最优解。然后通过将非凸标记空间向量集松弛到连续区间上，实现能量泛函的凸化表示，同时保证边界正则项的光滑性。之后，基于快速数值求解法进行计算。实际中区域标记是离散的，因此先将能量泛函离散化，然后求出全局最优解，如图1所示为快速数值求解过程。在连续集上求解凸能量泛函全局最优解，Split Bregman迭代算法和主对偶迭代算法是目前最有效的求解算法。通过对这些方法进行改进，将复杂非约束问题的求解过程转换为等价的约束问题，计算全局最优解。图1展现了快速数值求解过程。

本文将基于Otsu的图像分割框架和连续域凸松弛方法相结合，实现了轴承表面缺陷的快速、准确的检测。

3 实验结果及分析

为了验证算法的有效性，本文在真实的轴承零件上进行了检测，如图2所示为轴承表面缺陷图像。本文的轴承表面缺陷包括锈斑、擦伤和缺料等。在实验中对轴承表面进行缺陷检测的同时，并用方框突出显示。如图3所示为缺陷的识别过程。

图2 轴承表面缺陷图像

图3中的轴承表面有较多的锈斑，并且锈斑分布不均。本文通过改进的Otsu技术对图像进行阈值分割。如图3 的缺陷分割图可以看出，锈斑被较为准确的分割，甚至是较为细小的锈斑也实现了分割。之后本文算法进行了缺陷检测。基于形态学的方法，对轴承形态进行提取。并基于轴承的形态，对易发生缺陷处进行着重检测。图3的缺陷检测图很好的展现了本文算法的检测性能。其较为完整的实现了缺陷提取，并用方框对缺陷进行突出。实验中本文算法展现了的优良的性能，将轴承表面的缺陷进行了准确提取。因此，本文算法能应用于实际轴承的检测中，实现轴承表面缺陷的准确检测。

图3 轴承表面缺陷的识别过程

4 结束语

本文研究了一种基于改进Otsu的轴承表面缺陷提取技术，为工业应用中轴承表面缺陷缺陷提供了重要的技术方案。本文方法经过实验证实，其在工业轴承的检测中在保障高准确率的前提下，实现了对不合格轴承的检测，并对其缺陷进行定位。在未来，基于本文技术，团队拟开发一套面向轴承表面缺陷的在线视觉检测系统，其成果可扩展到更多其它产品的表面缺陷检测中。

1

参考文献:

1

[1] 陶青平, 吴锡生. 快速检测轴承表面缺陷方法的研究 [J]. 微电子学与计算机, 2011, 28(10): 98-100.

[2] 陈龙, 侯普华, 王进等. 轴承表面缺陷类型识别算法 [J]. 计算机应用研究, 2015, 32(5): 1549-1553.

[3] 陈琦. 基于机器视觉的滑动轴承内表面缺陷自动检测系统的研究 [D]. 镇江: 江苏大学, 2017, 7-8.

[4] R. Tian, G. Sun, X. Liu, et al. Sobel Edge Detection Based on Weighted Nuclear Norm Minimization Image Denoising [J]. Electronics, 2021, 10(6): 655.

[5] R. Chetia, S. Boruah, P. P. Sahu. Quantum image edge detection using improved Sobel mask based on NEQR [J]. Quantum Information Processing, 2021, 20(1).

[6] I. Jovanevi, H. H. Pham, J. J. Orteu, et al. 3D Point Cloud Analysis for Detection and Characterization of Defects on Airplane Exterior Surface [J]. Journal of Nondestructive Evaluation, 2017, 36(4): 74.

[7] L. Liu, H. Zuo, X. Qiu. Research on defect pattern recognition of Light Guide Plate based on Deep Learning semantic Segmentation [J]. Journal of Physics: Conference Series, 2021, 1865(2): 022033 (6pp).

[8] A. Nasiri, M. Omid, A. Taheri-Garavand. An automatic sorting system for unwashed eggs using deep learning [J]. Journal of Food Engineering, 2020, 283(1): 110036.

[9]W. Du, H. Shen, J. Fu, et al. Automated detection of defects with low semantic information in X-ray images based on deep learning [J]. Journal of Intelligent Manufacturing, 2021, 32.

基金项目：国家自然科学基金项目（62102227、51805124、621001206）、浙江省基础公益性研究项目（LZY22E050001、LZY22D010001、LGG19E0550013）、衢州市科技重大专项（2021K29）

作者简介：魏胜（1987—），男，浙江衢州，中级，研究方向为结构设计；

何静(2002—)，女，浙江衢州，衢州学院本科在读；

孙紫彤（2003—），女，河南灵宝，衢州学院本科在读；

蒋金云（1986—），女，江苏南通，中级，研究方向为机器视觉；

江晓亮（1987—），男，浙江衢州，副高级，研究方向为机器视觉。

1

1