基于圖像技術的鋼球表面缺陷分析與識別.pdf

1、鋼球作為軸承的主要零件，其表面缺陷對軸承的精度、運轉(zhuǎn)性能和使用壽命等都有著至關重要的影響。目前，在軸承行業(yè)中，對鋼球表面缺陷的檢測仍然采用傳統(tǒng)的人工目視檢驗法，其準確性和穩(wěn)定性均難以保證。本文應用數(shù)字圖像技術進行了鋼球表面缺陷實時檢測識別系統(tǒng)的基礎性研究，給出了鋼球缺陷識別有效性的評價體系。 鋼球表面有5種類型的缺陷，本文采用了高斯濾波和中值濾波分別對不同缺陷進行去噪，采用了灰度變換方法提高鋼球圖像邊界信息對比度。根據(jù)鋼球圖像的

2、特點，本文采用雙閾值對缺陷進行分割，并提出了基于轉(zhuǎn)基因遺傳算子的OTSU理論自動優(yōu)選閾值，清晰地將缺陷與背景分割開，完成圖像二值化分割，達到計算機處理缺陷要求。由于分割后的鋼球缺陷圖像，存在缺陷邊緣的不連續(xù)以及空間到圖像映射不一致問題，導致缺陷邊緣難以確定，為此本文提出了在小波域內(nèi)利用小波變換多尺度分析和模局部極大值確定圖像的邊緣點并進行邊緣點連接。實驗結(jié)果表明，該方法檢出的邊緣完整、清晰，不需要進一步細化，同時避免噪聲干擾。

3、鋼球在轉(zhuǎn)動時其表面缺陷的面積是隨其位置而變化的，因此僅靠平面圖像中的面積進行缺陷分類會產(chǎn)生很大的誤差，造成缺陷等級分類不明確及漏檢現(xiàn)象。為消除這一影響，本文在大量實驗的基礎上，建立了鋼球球體面積投射的校正模型，恢復了缺陷面積為鋼球表面對應的實際面積。 本文描述了鋼球缺陷的形狀特征參數(shù)：面積、長/短徑比和歐拉數(shù)，給出了這些參數(shù)的計算方法，并對缺陷分類值進行定量分析.在對RBF神經(jīng)網(wǎng)絡訓練算法深入研究的基礎上，本文設計了基于RBF神

4、經(jīng)網(wǎng)絡分類器對鋼球缺陷進行識別。采用了兩階段學習策略來加速學習收斂；提出了動靜相結(jié)合的隱含層設計算法構(gòu)造較優(yōu)的RBF神經(jīng)網(wǎng)絡結(jié)構(gòu)；提出了誤差校正的方法提高了RBF網(wǎng)絡輸出精度。開發(fā)了神經(jīng)網(wǎng)絡檢測程序，并對點缺陷、凹坑缺陷、條缺陷和擦傷缺陷進行訓練并測試，實驗結(jié)果表明，基于RBF神經(jīng)網(wǎng)絡鋼球缺陷識別法，準確率達96％。 由于鋼球是強反射球面，給獲取清晰的缺陷圖像帶來困難，通過對鋼球光學反射特性進行研究，結(jié)合大量的試驗，設計了用柔光

5、布制作的光照箱，完成了圖像采集實驗系統(tǒng)的搭建。針對鋼球表面全檢測的要求，本文設計了用于圖像檢測的鋼球展開機構(gòu)，對鋼球在展開裝置上的運動進行了分析，建立了拍攝點運動軌跡的數(shù)學模型，確定檢測一粒鋼球需要拍攝的次數(shù)。通過計算機仿真和實驗驗證了鋼球在該機構(gòu)上能夠完全展開，從而達到了對鋼球表面的全部檢測。 本文設計并開發(fā)了基于圖像技術的鋼球表面缺陷分析識別的軟件系統(tǒng)，開發(fā)工具為VisualC++6.0，系統(tǒng)軟件包括文件管理、圖像處理算法、