基于圖像技術(shù)的鋼球表面缺陷分析與識(shí)別.pdf

1、鋼球作為軸承的主要零件，其表面缺陷對(duì)軸承的精度、運(yùn)轉(zhuǎn)性能和使用壽命等都有著至關(guān)重要的影響。目前，在軸承行業(yè)中，對(duì)鋼球表面缺陷的檢測(cè)仍然采用傳統(tǒng)的人工目視檢驗(yàn)法，其準(zhǔn)確性和穩(wěn)定性均難以保證。本文應(yīng)用數(shù)字圖像技術(shù)進(jìn)行了鋼球表面缺陷實(shí)時(shí)檢測(cè)識(shí)別系統(tǒng)的基礎(chǔ)性研究，給出了鋼球缺陷識(shí)別有效性的評(píng)價(jià)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(duì)不同缺陷進(jìn)行去噪，采用了灰度變換方法提高鋼球圖像邊界信息對(duì)比度。根據(jù)鋼球圖像的

2、特點(diǎn)，本文采用雙閾值對(duì)缺陷進(jìn)行分割，并提出了基于轉(zhuǎn)基因遺傳算子的OTSU理論自動(dòng)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(dá)到計(jì)算機(jī)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(dǎo)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(diǎn)并進(jìn)行邊緣點(diǎn)連接。實(shí)驗(yàn)結(jié)果表明，該方法檢出的邊緣完整、清晰，不需要進(jìn)一步細(xì)化，同時(shí)避免噪聲干擾。

3、鋼球在轉(zhuǎn)動(dòng)時(shí)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(jìn)行缺陷分類會(huì)產(chǎn)生很大的誤差，造成缺陷等級(jí)分類不明確及漏檢現(xiàn)象。為消除這一影響，本文在大量實(shí)驗(yàn)的基礎(chǔ)上，建立了鋼球球體面積投射的校正模型，恢復(fù)了缺陷面積為鋼球表面對(duì)應(yīng)的實(shí)際面積。 本文描述了鋼球缺陷的形狀特征參數(shù)：面積、長(zhǎng)/短徑比和歐拉數(shù)，給出了這些參數(shù)的計(jì)算方法，并對(duì)缺陷分類值進(jìn)行定量分析.在對(duì)RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法深入研究的基礎(chǔ)上，本文設(shè)計(jì)了基于RBF神

4、經(jīng)網(wǎng)絡(luò)分類器對(duì)鋼球缺陷進(jìn)行識(shí)別。采用了兩階段學(xué)習(xí)策略來加速學(xué)習(xí)收斂；提出了動(dòng)靜相結(jié)合的隱含層設(shè)計(jì)算法構(gòu)造較優(yōu)的RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)；提出了誤差校正的方法提高了RBF網(wǎng)絡(luò)輸出精度。開發(fā)了神經(jīng)網(wǎng)絡(luò)檢測(cè)程序，并對(duì)點(diǎn)缺陷、凹坑缺陷、條缺陷和擦傷缺陷進(jìn)行訓(xùn)練并測(cè)試，實(shí)驗(yàn)結(jié)果表明，基于RBF神經(jīng)網(wǎng)絡(luò)鋼球缺陷識(shí)別法，準(zhǔn)確率達(dá)96％。 由于鋼球是強(qiáng)反射球面，給獲取清晰的缺陷圖像帶來困難，通過對(duì)鋼球光學(xué)反射特性進(jìn)行研究，結(jié)合大量的試驗(yàn)，設(shè)計(jì)了用柔光

5、布制作的光照箱，完成了圖像采集實(shí)驗(yàn)系統(tǒng)的搭建。針對(duì)鋼球表面全檢測(cè)的要求，本文設(shè)計(jì)了用于圖像檢測(cè)的鋼球展開機(jī)構(gòu)，對(duì)鋼球在展開裝置上的運(yùn)動(dòng)進(jìn)行了分析，建立了拍攝點(diǎn)運(yùn)動(dòng)軌跡的數(shù)學(xué)模型，確定檢測(cè)一粒鋼球需要拍攝的次數(shù)。通過計(jì)算機(jī)仿真和實(shí)驗(yàn)驗(yàn)證了鋼球在該機(jī)構(gòu)上能夠完全展開，從而達(dá)到了對(duì)鋼球表面的全部檢測(cè)。 本文設(shè)計(jì)并開發(fā)了基于圖像技術(shù)的鋼球表面缺陷分析識(shí)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、