基于機(jī)器視覺(jué)的鐵路貨車滾動(dòng)軸承表面缺陷檢測(cè)技術(shù)研究.pdf

1、軸承作為鐵路貨車的重要部件，其表面產(chǎn)生缺陷對(duì)貨車的運(yùn)行存在著一定的安全隱患。現(xiàn)在，在我國(guó)鐵路貨車滾動(dòng)軸承檢測(cè)的其中一部分仍停留在人工檢測(cè)，工作效率低、成本高和準(zhǔn)確率難以保證。本文以鐵路貨車軸承作為研究對(duì)象，運(yùn)用圖像處理技術(shù)對(duì)軸承圖像進(jìn)行處理并對(duì)缺陷進(jìn)行提取，再根據(jù)圖像特征進(jìn)行分類。
　　本文首先介紹了常見的表面缺陷的種類、形態(tài)和形成原理，采用灰度變換增強(qiáng)圖像的對(duì)比度。軸承圖像去噪時(shí)，對(duì)于均值濾波、中值濾波和維納濾波，進(jìn)行比較發(fā)現(xiàn)維

2、納濾波效果會(huì)更好一些。同時(shí)也運(yùn)用了傳統(tǒng)的小波變換方法對(duì)圖像進(jìn)行處理，但傳統(tǒng)的小波閾值方法對(duì)光照不均或不足的圖像去噪的效果一般。針對(duì)該問(wèn)題提出了改進(jìn)閾值函數(shù)的小波去噪增強(qiáng)方法，采用小波變換對(duì)軸承圖像進(jìn)行多尺度分解，然后對(duì)第一級(jí)和第二、三級(jí)的小波系數(shù)分別采用改進(jìn)的算法進(jìn)行去噪增強(qiáng)，提高圖片質(zhì)量。利用基于局部圖像特性的可變閾值處理對(duì)圖像進(jìn)行初步的分割處理。在圖像的邊緣檢測(cè)中，用傳統(tǒng)的Roberts、Prewitt、Sobel、Canny和SU

3、SAN等算法進(jìn)行邊緣檢測(cè)，通過(guò)比較發(fā)現(xiàn)Sobel算法計(jì)算速度相對(duì)較快，在適當(dāng)?shù)拈撝迪耂USAN算法檢測(cè)效果相對(duì)較好。在圖像邊緣檢測(cè)中噪聲通常被誤認(rèn)為邊緣,本文對(duì)小波邊緣檢測(cè)算法進(jìn)行了改進(jìn)，提高了邊緣檢測(cè)的準(zhǔn)確度。運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對(duì)缺陷進(jìn)行識(shí)別。首先采用經(jīng)驗(yàn)公式對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的輸入、輸出節(jié)點(diǎn)進(jìn)行建立，其次對(duì)建立好的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型，對(duì)分割邊緣檢測(cè)的5類缺陷圖像進(jìn)行識(shí)別分類。在軸承缺陷識(shí)別的過(guò)程中，選