基于改进型Retinex算法的轴承滚子瑕疵检测系统设计
基于改进残差神经网络的滚动轴承故障诊断方法研究
基于改进残差神经网络的滚动轴承故障诊断方法研究基于改进残差神经网络的滚动轴承故障诊断方法研究引言滚动轴承是工业领域中广泛应用的一种关键零部件，其运行状态对机械设备的安全运行和寿命有着重要影响。
然而，由于工作环境的严酷和长期运行的磨损，滚动轴承往往容易出现故障。
因此，及时准确地诊断滚动轴承故障，对于提高设备可靠性、降低维护成本具有重要意义。
近年来，深度学习技术在故障诊断领域取得了显著的进展，其在信号处理和特征提取方面的优势使其成为滚动轴承故障诊断领域的热门研究方向。
在深度学习算法中，残差神经网络（Residual Neural Network，ResNet）以其强大的非线性拟合能力和对抗性样本的稳定性而备受关注。
本文旨在研究一种基于改进的残差神经网络的滚动轴承故障诊断方法。
首先，我们介绍了滚动轴承故障的原因和特征。
接着，我们详细阐述了残差神经网络的原理及其在滚动轴承故障诊断中的应用。
然后，针对滚动轴承振动信号的特点，我们提出了一种改进的残差神经网络模型，采用自适应激活函数和批标准化技术，以提高模型的稳定性和诊断准确性。
最后，我们通过实验验证了所提出方法的有效性，并与其他常用的故障诊断方法进行了对比分析。
滚动轴承故障特征分析滚动轴承的故障特征主要表现为振动信号的变化。
常见的滚动轴承故障包括滚珠损伤、内圈和外圈裂纹、保持架松动等。
这些故障在振动信号中会呈现出不同的频率成分和幅值变化，因此可以通过对振动信号进行分析来判断滚动轴承的工作状态。
残差神经网络原理及其应用残差神经网络是一种特殊的深度学习网络模型，通过引入残差块来解决深度网络的训练难题。
其核心思想是将网络的输入与输出之间的差异作为学习目标，通过直接建模残差学习难度较小的问题，从而加速网络的收敛和提高准确性。
在滚动轴承故障诊断中，残差神经网络可以用于提取振动信号中的故障特征，实现自动化的故障诊断。
基于改进残差神经网络的故障诊断方法针对滚动轴承振动信号的特点，本文提出了一种改进的残差神经网络模型。
轴承外观缺陷检测算法设计与仿真
本文所设计的算法主要包括图像预处理、圆心 标定、区域分割、旋转图像及差减匹配等步骤，具体 如下。 2.1 图像预处理
待检测的原始轴承图像如图 1 所示。
确定在轴承内圈内部的像素点 N 作为参考点；其 次，以参考点 N 为中心，向左、右、上、下四个方向分 别寻找到轴承内圈上的四个像素点 A、B、C、D；然后 求取 A、B 两点中点的横坐标，以此作为轴承圆心 O 的横坐标，求取 C、D 两点中点的纵坐标，以此作为 轴承圆心 O 点的纵坐标；最后，为了提高圆心标定 结果的准确性，重新选取参考点 N 的位置并计算圆 心 O，如此重复计算五次，取其中相近的三组数据， 并求取平均值，从而最终确定轴承圆心 O 点的坐
目前，很多企业将机器视觉检测运用于出厂轴 承的表面缺陷的自动检测系统之中 。 ［7~8］ 检测时， 由包含图像传感器 CCD 的工业照相机，对待检测 的轴承进行拍照，从而采集到被测轴承表面的图像 信息，图像信息经由图像采集卡，被传送到控制器 中 ，通 过 对 采 集 到 的 被 测 轴 承 表 面 的 图 像 进 行 处 理，得到被检测轴承是否合格的结论 。 ［9~10］ 并将检 测结果相应的控制信号传送给执行机构，由执行机 构来将合格的轴承顺序传送，并将有缺陷的轴承剔
Key Words automated visual inspection，image processing technology，median filter algorithm，threshold segmentation， edge detection based on canny
Class ng （Yangzhou Polytechnic Institute，Yangzhou 225127）
滚动轴承装配缺陷视觉检测系统的算法研究_叶宁
收稿日期:2008年6月滚动轴承装配缺陷视觉检测系统的算法研究叶 宁 李云峰 王恒迪河南科技大学摘 要:针对轴承在装配过程中出现的漏装铆钉、滚动体的现象,提出了一种基于机器视觉的检测方法,并设计开发出一套滚动轴承装配缺陷视觉检测系统。
系统采用TMS320DM642作为主处理器;检测系统的算法采用C 语言设计。
该系统通过对采集到的图像进行预处理、中心定位,根据图像特征进行装配缺陷的判定。
关键词:滚动轴承, 缺陷检测, TMS320DM642, 图像处理Research on Algorithm of Rolling Bearing Assembly Visual Defect Detection SystemYe Ning Li Yunfeng Wang HengdiAbstract:Aiming at the phenomenon of the leakage wi th ri vets and rolling elements in the process of assembling rolling bear -ings,a checking method based on the visual detection is bring forward,and a set of roller bearing assembly visual defect detection system is developed.The TMS320DM642is used as the main processor of the system and the C language design is usd as the algo -rithm of the detection system.Through pretreating the collected images and the center locating,the assembly defects of the bearing is es timated under the characteristics of the i mages.Keywords:rolling, defect detection, TMS320DM642, i mage processing1 引言轴承在装配过程中容易出现漏装滚动体、铆钉的现象。
轴承表面缺陷检测系统的研究与开发
轴承表面缺陷检测系统的研究与开发徐琛;温振市;毛亚文;白瑞林【摘要】A method is proposed that utilises the offline sample learning to achieve online fast detection of the defects on outside surface of the bearings.The method uses indirect irradiation surface light as the light source,through CCD camera to capture the outside surface images of the bearing.In off-line situation,we locate the detection zone on side of the bearing,and fit the horizontal and vertical gray distribution rule curves respectively;then we use the gray-scale transformed sample image as the basis of detection.In on-line situation,we extract the region to be detected according to the knowledge learned,transform the image of bearing to the image with uniform gray distribution,then conduct dynamic threshold segmentation on the image and make the decision judgment.Experiments show that the proposed method can effectively transform the image to be detected to the image with uniform gray distribution,the average time for distinguishing a bearing image is about 20 ms,and the accuracy can be 98.2% and higher,so the method has high real-time performance and accuracy.%提出一种利用离线样本学习实现轴承外侧表面缺陷在线快速检测的方法。
基于改进经验模态分解与深度特征提取的轴承故障诊断研究
基于改进经验模态分解与深度特征提取的轴承故障诊断研究随着工业技术的不断发展，机械设备在生产过程中扮演着重要的角色。
而轴承作为机械设备中不可或缺的关键部件之一，其故障对整个设备的正常运行和生产效率产生了极大的影响。
因此，轴承故障诊断研究成为了工程师们关注的焦点。
本文基于改进经验模态分解与深度特征提取的方法，对轴承故障进行研究与分析。
首先，对于信号的预处理，本文采用改进经验模态分解（Improved Empirical Mode Decomposition，IEMD）方法。
相比于传统的经验模态分解（Empirical Mode Decomposition，EMD）方法，IEMD通过引入标准差控制和剩余项自适应划分的方式，提高了信号的分解效果。
通过将原始信号分解成多个固有模态函数（Intrinsic Mode Functions，IMF），可以更好地提取出轴承故障信号中的故障特征。
其次，本文引入深度学习的思想，利用卷积神经网络（Convolutional Neural Network，CNN）对提取的特征进行分类和识别。
通过训练CNN模型，可以将不同类型的轴承故障进行有效区分，从而实现对轴承故障的自动诊断。
在实验中，本文采用了来自轴承故障仿真平台的振动信号数据进行验证。
首先，对振动信号进行了IEMD分解，得到了多个IMF分量。
然后，将每个IMF分量作为CNN的输入，通过多层卷积和池化操作提取特征。
最后，通过全连接层和softmax函数进行分类和识别。
实验结果表明，本文提出的基于改进经验模态分解与深度特征提取的方法在轴承故障诊断中具有较高的准确性和可靠性。
通过对不同类型的轴承故障进行分类和识别，可以为设备维护提供有效的指导和决策依据，提高设备的运行效率和可靠性。
总之，本文通过改进经验模态分解与深度特征提取的方法，实现了对轴承故障的自动诊断。
这一方法不仅提高了诊断的准确性和可靠性，还为设备维护和故障预警提供了重要的技术支持。
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析
传统的滚动轴承故障检测方法主要是通过振动、噪声、温度等信号进行分析，其中包
络分析是其中的一种常见方法。
包络分析是通过提取信号的高频分量，对故障特征进行分析，可以有效地判断滚动轴承的故障类型和位置。
然而传统的包络分析方法具有一定缺陷，如对于低信噪比时的判断不准确、对子频和倍频的鉴别不准确等问题。
为了解决这些问题，近年来研究者们提出了改进的包络分析方法。
其中一种方法是基
于改进的互相关函数，将滚动轴承信号进行预处理后，利用改进的互相关函数提取故障特
征信号，使得在低信噪比情况下仍能够准确的提取故障特征。
另一种方法是基于小波分解
的包络分析方法，借助小波分解对信号进行特征提取，并结合包络分析对信号进行特征分析，进一步提高了滚动轴承故障检测的准确性。
此外，还有一些改进的包络分析方法，如基于自适应选项加权平均（ASWMA）的滑动包络分析方法和基于光学流技术的改进包络分析方法等。
这些改进的包络分析方法能够克服
传统方法的缺陷，提高故障检测的准确性和稳定性，为滚动轴承故障检测提供了更为可靠
的手段。
总之，滚动轴承的故障会对设备的正常运行产生较大影响，因此及时准确地对滚动轴
承进行故障检测十分重要。
改进的包络分析方法是一种重要的滚动轴承故障检测技术，能
够有效地提高故障检测的准确性和稳定性，对于设备的正常运行起到至关重要的作用。
基于深度学习的轴承缺陷检测方法研究
基于深度学习的轴承缺陷检测方法研究基于深度学习的轴承缺陷检测方法研究摘要：轴承是机械设备中重要的元件之一，负责支撑和使转轴回转，因此其可靠性对设备的正常运转至关重要。
然而，由于长期的工作负荷和环境因素的不断侵蚀，轴承容易出现缺陷，从而影响设备的正常运行。
因此，基于深度学习的轴承缺陷检测方法研究具有重要的现实意义。
本文基于深度学习技术，探讨了一种用于轴承缺陷检测的新方法。
该方法首先利用传感器采集轴承振动信号，并通过信号处理进行数据预处理，提取出特征。
然后，利用卷积神经网络（CNN）对提取得到的特征进行训练和学习，以实现对轴承的缺陷进行准确的检测。
在数据预处理阶段，通过对振动信号进行滤波、去噪和降维等操作，排除了信号中的干扰和噪声，提高了数据质量。
然后，采用小波变换和能量谱密度等方法，将信号转换为时频域特征表示，为神经网络训练提供准确稳定的特征。
在神经网络的设计中，本文采用了多层卷积层和池化层的结构，以提取不同层次的特征，增强深度学习的效果。
同时，为了避免过拟合问题，采用了Dropout和正则化等技术，防止模型过分依赖局部特征。
通过大量的数据训练和验证，最终得到了一个准确度较高的轴承缺陷检测模型。
实验证明，本文所提出的基于深度学习的方法在轴承缺陷检测方面具有优越性能。
与传统的基于统计特征和机器学习算法的方法相比，该方法能够更好地识别和分类不同类型的轴承缺陷，大大提高了检测的准确性和效率。
同时，该方法具有较强的泛化能力，在不同环境和工况下都能表现出良好的性能。
综上所述，基于深度学习的轴承缺陷检测方法是一种有效且具有发展前景的技术。
它不仅能够提高轴承缺陷检测的准确性和效率，还能够为设备维护与故障诊断提供有力支持。
随着深度学习技术的不断发展和完善，相信基于深度学习的轴承缺陷检测方法在工业领域中的应用前景将更加广阔综合以上实验证明，基于深度学习的轴承缺陷检测方法在提高准确性和效率方面具有显著优势。
与传统方法相比，该方法能更好地识别和分类不同类型的轴承缺陷，大大提高了检测的准确性和效率。
基于注意力机制改进残差神经网络的轴承故障诊断方法
基于注意力机制改进残差神经网络的轴承故障诊断方法近年来，随着工业技术的不断发展，机械设备在各个领域中得到了广泛的应用。
其中，轴承作为一种重要的机械元件，承担着转动部件的支撑和传动工作。
然而，由于轴承在运行过程中长时间承受重载和高速运转的特点，容易出现磨损、裂纹等故障状况，从而影响整个机械设备的正常运行。
因此，有效的轴承故障诊断方法对于保证机械设备的正常工作具有重要意义。
在传统的轴承故障诊断方法中，频域特征提取是一种常用的方法。
然而，这种方法收集到的特征信息并不全面，容易受到信噪比低、数据采集不稳定等问题的影响，诊断效果较差。
针对这一问题，近年来，深度学习技术得到了广泛的应用。
残差神经网络是一种深度学习网络结构，通过引入残差连接的方式，克服了梯度消失等问题，具有很好的特征提取能力。
然而，传统的残差神经网络在轴承故障诊断中，未能充分利用样本数据的局部信息，容易对轴承故障进行错误分类。
为了改善这一问题，本文提出了基于注意力机制改进的残差神经网络轴承故障诊断方法。
该方法通过引入注意力机制，使网络在特征学习过程中能够更加关注轴承故障所在的特定位置，提高故障诊断的准确性。
首先，我们使用离线采集到的轴承振动信号作为输入数据集，进行数据预处理。
在数据预处理阶段，我们对原始信号进行滤波、降噪等处理，保留有效的故障特征信息，剔除无用的背景噪声。
其次，我们构建基于注意力机制改进的残差神经网络模型。
在网络结构方面，我们采用多层卷积神经网络（CNN）作为特征提取器，通过不断堆叠卷积层和池化层，提取输入信号的局部特征。
然后，我们引入残差连接，将中间层的特征信息直接传递给输出层，避免了梯度消失的问题，提高了网络的学习能力。
同时，我们在网络中加入了注意力机制，通过对不同特征的重要性进行学习和选择，提高了网络对轴承故障的关注程度。
最后，我们使用训练好的残差神经网络模型对轴承故障进行诊断。
对于每个输入信号，网络将输出对应的故障类型和置信度，从而实现对轴承故障的准确分类和诊断。
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析滚动轴承是机械设备中常见的核心部件之一，其运行状态的健康程度直接关系到设备的稳定性和寿命。
为了确保设备的高效稳定运行，需要及时发现并排除滚动轴承的故障，在工业生产中实施预防性维护策略已经成为一种常见的方式。
其中，滚动轴承故障检测技术是预防性维护的重要手段之一。
滚动轴承故障通常通过振动信号进行检测，其中包括加速度、速度、位移等振动信号。
而包络分析是一种常见的滚动轴承故障检测方法，已经广泛应用于各种工业设备的预防性维护中。
在传统的包络分析中，信号检测方法主要采用能够检测较高频率故障的希尔伯特-黄变换方法。
然而，这种方法具有以下缺点：（1）希尔伯特-黄变换需要采集高采样率的数据，且需要高的计算资源。
”（2）由于传统方法不能检测到低频故障，它常常不能准确检测滚动轴承得状态。
为了解决这种情况，研究者开始从不同的角度进行包络分析的改进。
其中，一种比较新的方法是改进包络分析方法。
相较于传统的希尔伯特-黄变换方法，改进的包络分析在滚动轴承的故障检测中具有以下优点：1. 更高的故障检测精度传统的包络分析方法不能准确检测低频故障，但改进包络分析方法可以检测到非常低的频率故障。
因此，改进包络分析可以提高故障检测精度，准确及时地发现滚动轴承的故障。
2. 可以减少采样率和计算资源的要求改进的包络分析方法可以使用较低的采样率，同时不需要使用过多的计算资源。
这使得它可以更有效地维护大规模设备集成系统，并能够在实际生产中应用。
3. 提高了信号处理的速度和效率改进的包络分析方法采用快速傅立叶变换（FFT）和离散小波变换（DWT）等快速的频率分析技术，因此在信号处理的速度和效率上具有更好的表现。
总的来说，改进的包络分析方法具有更高的检测精度和速度，可以更准确地发现滚动轴承的故障，并可以用更经济的方式进行采样和处理。
在实际应用中，改进的包络分析方法可以大大提高滚动轴承故障检测的效率和可靠性，保障设备的稳定运行，提高生产效益。
211151047_基于改进残差网络的轴承故障诊断方法
图 %!融合示意图
#)(!全局平均池化
全 局 平 均 池 化 ! <B8P;B;J?E;<? L88B45<" =+]# ,#%- " 其主要思想就是通过对上一层的输出
按照通道维度" 依此对每一个通道特征图的所有
像素进行均值计算% 它相对于全连接层大大降低
了参数量并提高了诊断效率" 有效降低了发生过
!X#为了有效地利用空间和时序特征" 使用
## 卷积在通道维度上融合 G::和 30&C 提取
的特征%
!*# 为保证模型轻量化" 减少网络参数量"
提高训练效率" 采用 =+]代替全连接层和 # #
卷积来增加网络的非线性%
!.# 第一层卷积使用大的卷积核来增加其感
受视野" 为下一层提供更多的信息" 并减弱高频
!##为了避免对信号处理知识的依赖" 实现 端到端的轴承故障诊断" 直接采用一维时间序列 振动信号作为网络模型的输入%
!%#为了获得 信 号 的 空 间 和 时 序 信 息" 将 G::和 30&C结合使用以获得信号的空间和时序 信息%
!(# 为了避免 G::操作破坏信号的时序信 息" 为此" 将 30&C 以残差的形式与 G::并行 联合使用" 使两者同时提取原始信号的特征" 获 得真实有效的空间和时序信息%
$!前言
轴承作为旋转机械的核心部件" 其正常运行 至关重要% 一旦轴承出现故障" 不但会造成财产 损失" 还有可能造成人员伤亡,#- " 因此轴承故
收稿日期 %$%% ,#% ,%W& 修订日期 %$%( ,$# ,(# 基金项目 辽宁省教育厅基金项目! ^k3%$%$$#(# & 国家自然科
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析滚动轴承是常见的旋转机械部件之一，其故障对于机械设备的正常运行会造成严重影响。
滚动轴承故障检测成为重要的工作之一。
目前，常用的滚动轴承故障检测方法之一是包络分析法。
传统的包络分析方法存在一些不足之处，需要进一步改进。
传统的包络分析方法在滚动轴承故障检测中，对信号的预处理较为简单，只是进行简单的高通滤波和包络提取。
这种处理方法忽略了信号的时频特性，导致对于一些低频故障（如内圈故障和滚珠故障）的检测灵敏度较低。
改进的包络分析方法应考虑信号的时频特性，采用更加精细的信号预处理方法，如小波变换。
传统的包络分析方法在滚动轴承故障检测中，无法准确识别不同故障的特征频率。
由于不同的滚动轴承故障类型具有不同的特征频率，因此准确识别特征频率对于故障的检测和分析至关重要。
改进的包络分析方法应加强对特征频率的识别和提取，采用自适应窗口和功率谱峰值检测等方法，提高特征频率的准确性和稳定性。
传统的包络分析方法在滚动轴承故障检测中，忽略了滚动轴承故障信号的非线性特性。
事实上，滚动轴承在运行过程中会产生各种非线性振动信号，包括谐波失真、周期倍频等。
这些非线性特性对于滚动轴承故障的检测和分析具有重要意义。
改进的包络分析方法应考虑信号的非线性特性，采用相关分析、最大熵谱估计等方法，提高故障的检测效果。
传统的包络分析方法在滚动轴承故障检测中，对故障特征提取和故障诊断的研究较少。
虽然包络谱能够提取滚动轴承故障的频谱特征，但对于故障类型的诊断和定位仍然存在一定的挑战。
改进的包络分析方法应结合模式识别、神经网络等方法，对故障特征进行提取和故障诊断进行研究，提高故障检测的准确性和可靠性。
改进的滚动轴承故障检测包络分析方法应考虑信号的时频特性、特征频率识别、非线性特性和故障诊断等方面的要求，以提高滚动轴承故障检测的效果和精度，为机械设备的正常运行提供保障。
关于滚动轴承故障检测的改进包络分析
关于滚动轴承故障检测的改进包络分析在滚动轴承故障检测中，改进的包络分析是一种常用的方法。
包络分析是一种将高频振动信号降频至低频范围进行分析的技术，可以有效检测轴承的故障信号。
传统的包络分析方法存在一些问题，如对振动信号的采样频率要求高、容易受到噪声的干扰等。
为了解决这些问题，对包络分析方法进行了改进。
一种改进的包络分析方法是基于小波变换的包络分析。
小波变换是一种时频分析方法，可以将信号分解为不同的尺度（频率）成分，从而更好地提取故障信号。
在这种方法中，首先对振动信号进行小波分解，然后通过滑动窗口的方式计算每个尺度的包络谱，并选择最大峰值作为故障特征。
通过应用小波变换的包络分析方法，可以更好地提取故障信号，改善轴承故障的检测效果。
除了改进包络分析方法外，还可以结合其他信号处理技术对滚动轴承故障进行检测。
可以结合离散小波变换和支持向量机进行故障诊断。
离散小波变换是一种将信号分解为不同频带的方法，并且支持向量机是一种基于统计学习理论的分类器，可以用于故障分类。
通过结合这两种方法，可以更准确地检测和诊断滚动轴承的故障。
在滚动轴承故障检测的改进包络分析中，还需要考虑一些实际问题。
滚动轴承在不同工况下会受到不同的载荷和速度影响，因此需要对不同工况下的故障特征进行分析和提取。
需要选择合适的传感器和信号采集系统，以获取准确的振动信号。
还需要建立合适的故障特征提取和故障诊断模型，以实现滚动轴承的故障检测和评估。
改进包络分析是一种有效的滚动轴承故障检测方法。
通过应用小波变换或自适应滤波等技术，可以提高故障信号的提取效果和抗干扰能力。
结合其他信号处理技术和实际问题的考虑，可以更准确地检测和诊断滚动轴承的故障。
改进包络分析在滚动轴承故障检测中具有重要的应用价值。
一种基于改进阶次包络谱的滚动轴承故障诊断算法
第35卷第15期振动与冲击JOURNAL OF VIBRATION AND SHOCK Vol.35 No. 15 2016一种基于改进阶次包络谱的滚动轴承故障诊断算法郝高岩，刘永强，廖英英(石家庄铁道大学机械工程学院,石家庄050043)主商要：针对变转速工况下滚动轴承故障特征的提取问题，提出了一种基于滤波定阶理论的改进阶次包络谱分析 方法。
该方法在包络解调后，先对信号进行低通滤波,在确定计算阶次跟踪（C O T)的重采样频率并进行重采样后，再对重 采样后的包络曲线进行离散傅里叶变换得到阶次包络谱。
通过仿真信号和实验数据对该算法进行验证，结果表明:该算 法适用于变转速工况的轴承故障诊断,和传统阶次包络谱算法相比，该算法为角域重采样中重采样率的设置提供了一种 方法，可以有效避免阶次混叠现象和降低重采样率。
关键词：非平稳;阶次包络谱;重采样;阶次混叠中图分类号：TH165.3 文献标志码：A D01：10.13465/j. cnki. j v s.2016.15.024A rolling bearing fault diagnosis algorithm based on improved order envelope spectrumHAO Gaoyan，LIU Yongqiang，LIAO Yingying(Department of Mechanical Engineering, Shijiazhuang Railway University, Shijiazhuang 050043, China)Abstract ：To extract fault characteristics of rolling bearings under variable speed conditions, an improved order envelope spectrum algorithm was proposed based on the method to use low-pass filter to limit frequency and order. The envelope signals were obtained after the original vibration signals were filtered with a low-pass filter, then the re-sampling frequency of C0T(computed order tracking) was determined and the filtered envelope signals were re-sampled. Finally, the improved order envelope spectrum was obtained using the absolute values of the discrete Fourier transformation of the re-sampled envelope signals. The results showed that the proposed algorithm provides a method to evaluate the re-sampling rate, the method reduces the re-sampling rate and avoids the order aliasing compared with the traditional order envelope spectrum algorithm.Key words：non-stationary；order envelope spectrum；re-sampling；order aliasing滚动轴承是旋转机械设备中应用最广泛的机械零 件之一，同时也是最容易损坏的零件之一，尤其是在载 荷比较大，转速变化剧烈的启停阶段更易损坏。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2.1. 目标定位与图像分割
本系统使用全局阈值分割方法对大端面区域的进行定位与分割。全局阈值分割分为固定阈值分割与 动态阈值分割。固定阈值分割使用固定阈值对图像进行二值化操作，效果精确但是需根据灰度进行人为 调整。动态阈值分割针对不同图像得到不同的阈值，效果一般但是参数不需要人为调整。大津法(OTSU) [12]是具有代表性的动态阈值分割算法，其通过计算前景和背景的灰度方差的最大化，从而得到阈值。 如图 3 所示，OTSU 算法虽然不需要人为调整参数来进行二值化，但是效果与固定阈值相比较差， 速度相对较慢。同时，考虑到在实际的检测环境中，整体灰度变化不大，因此本文选择固定阈值进行大 端面区域的定位与分割。
DOI: 10.12677/csa.2019.92028 240 计算机科学与应用
刘超 等
而高斯环绕函数的物理意义与均值滤波类似，目标是进行图像平滑，其平滑效果相对于非线性滤波来说 更加缓和。因此基于 Retinex 原理的光照校正算法会将图像中的细节估计为光照分量， 从而容易造成光照 校正后图像细节的丢失。尤其对于轴承滚子瑕疵检测这种对图像精细度要求很高的应用场景来说，影响 更大。 针对当前基于 Retinex 原理的光照校正算法在轴承瑕疵检测应用场景中的缺陷， 本文提出了一种改进 型 Retinex 光照校正算法，采用中值滤波代替了高斯环绕函数，从而实现了光照分量的估计，并使用信息 熵函数完成了对原图光照均匀程度的判定。同时，本文设计了一套基于所提算法的轴承滚子表面瑕疵检 测系统，并对本文所提算法的性能进行验证。实验结果表明，本文算法能够有效滤除光照并且较好地保 留图像细节，同时显著提升轴承滚子瑕疵检测系统的准确率。
A Novel Bearing Roller Blemish Detection System Based on Improved Retinex Method
Chao Liu1,2, Chang Liu2,3,4, Xiang Yu1, Yucheng Zhang2,3, Liyan Yi1,2
School of Communication and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing 2 Beijing Key Laboratory of Mobile Computing and Pervasive Device, Beijing 3 Wireless Center of Institute of Computing Technology, Chinese Academy of Sciences, Beijing 4 University of Chinese Academy of Sciences, Beijing
Computer Science and Application 计算机科学与应用, 2019, 9(2), 239-249 Published Online February 2019 in Hans. /journal/csa https:///10.12677/csa.2019.92028
轴承滚子大端面瑕疵检测系统处理流程如图 2 所示，包括目标定位与分割、图像预处理、疑似缺陷 定位和特征提取与缺陷确认 4 个主要的步骤。首先，对图像进行二值化处理，进行大端面区域的定位与 分割，使用选择后的大端面区域与原图进行掩模操作得到待处理的大端面图像；随后，对定位分割后的 大端面图像进行纹理过滤工作，降低纹理对检测的影响；然后，使用阈值分割对图像中出现灰度突变区 域分割，定位得到疑似缺陷；最后，提取疑似缺陷特征并进行判断，得到确认缺陷。接下来，将对这 4 个主要步骤进行介绍。
重庆邮电大学通信与信息工程学院，重庆
文章引用: 刘超, 刘畅, 余翔, 张玉成, 易礼燕. 基于改进型 Retinex 算法的轴承滚子瑕疵检测系统设计[J]. 计算机科 学与应用, 2019, 9(2): 239-249. DOI: 10.12677/csa.2019.92028
刘超 等
2 3
移动计算与新型终端北京市重点实验室(中国科学院计算技术研究所)，北京 中国科学院计算技术研究所无线通信技术研究中心，北京 4 中国科学院大学，北京
Figure 3. OTSU segmentation and fixed threshold segmentation 图 3. OTSU 分割与固定阈值分割对比
2.2. 图像预处理
系统中图像预处理步骤的目标是在保留或者不影响图像突变区域特征的前提下尽量滤除图像背景的 纹理信息[13] [14]。因此，本文选取了各向异性滤波来完成图像的预处理工作，这种滤波方式能够在很好 的保留图像边缘的同时，滤除图像纹理。 各向异性滤波通过各向异性扩散方程(P-M 方程)完成图像滤波。P-M 方程是图像去噪方法中的一个 重要模型，其是传统热扩散方程的推广[15]，P-M 方程定义如下：
关键词
光照校正，中值滤波，机器视觉，缺陷检测，Retinex原理
Copyright © 2019 by author(s) and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/
Figure 2. Machine vision based bearing roller detection system processing flow 图 2. 基于机器视觉的轴承滚子检测系统处理流程 DOI: 10.12677/csa.2019.92028 241 计算机科学与应用
刘超 等
收稿日期：2019年1月15日；录用日期：2019年1月24日；发布日期：2019年2月1日
摘
要
基于机器视觉的工件瑕疵检测技术已经成为了重要的发展趋势，然而在实际的检测环境中，光照不均问 题对检测结果带来了非常大的影响。因此，光照校正处理成为了机器视觉检测的关键步骤，但是现有的 光照校正算法往往存在图像细节丢失的问题，直接影响了检测效果。针对这一问题，提出了一种改进型 的Retinex光照校正算法，采用中值滤波代替了高斯环绕函数，从而实现了光照分量的估计，并使用信息 熵函数完成了对原图光照均匀程度的判定。同时，基于所提算法搭建了一套轴承滚子瑕疵检测系统，并 对所提算法的性能进行验证。实验结果表明，与现有的Retinex系列光照校正算法相比，该算法能够更好 地保留工件的图像细节，从而实现更优的检测准确率。
2. 轴承滚子瑕疵检测系统
如图 1 所示，轴承滚子存在五个不同的表面，分别是大/小端面、大/小倒角及侧滚动面。本节将以轴 承滚子大端面为例，介绍轴承滚子瑕疵检测系统。
Figure 1. ROI image of each surface of bearing roller 图 1. 轴承滚子各表面 ROI 图像
Open Access
1. 引言
轴承是现代机械设备中的重要零部件，也是我国重点发展的战略性基础产业之一[1] [2] [3]。“十二 五”计划明确指出，轴承是加快振兴装备制造业的 16 个关键领域的核心基石[4]，它在多个关键领域有着 广泛的应用。作为轴承核心零件之一的轴承滚子，其质量直接决定了轴承的质量。 目前，在轴承滚子质量检测方法中，基于机器视觉的检测方法因为速度快，准确率高等优势，已经 成为了轴承滚子质量检测的主流方案[5]。基于机器视觉的轴承滚子检测系统通过工业相机来完成待检物 表面图像的采集，随后将图像传送到图像处理单元，并完成图像中关键信息的提取和判别，进而实现对 轴承表面瑕疵的检测[6]。 在实际场景下工作的轴承滚子检测系统中，光照不均匀问题一直是影响其检测性能的难题。由于轴 承滚子的材质特性，往往会导致与滚子本身纹理相似的瑕疵难以被检测出来。另外，光照不均现象会对 瑕疵的判别带来影响，在轴承滚子图像中，光照不均区域大小、灰度变化的随机性会降低瑕疵判别标准 的准确性，从而降低系统的检测准确率。因此，需要在传统的基于机器视觉的轴承滚子瑕疵检测系统中 加入光照校正算法，以此来消除光照影响，提高系统检测准确率。 目前应用较多的光照校正方法包括直方图均衡法[7] 、基于照明–反射模型的同态滤波法[8]、基于 Retinex 原理的光照校正算法[9]以及图像边缘增强法[10]等。其中，基于 Retinex 原理的光照校正算法以 处理灰度图见长[11]。基于 Retinex 原理的光照校正方法通过使用高斯环绕函数完成了光照分量的估计，
th th st 1
Received: 15 , 2018; accepted: Jan. 24 , 2019; published: Feb. 1 , 2019
Abstract
The workpiece blemish detection technology based on machine vision has become an important development trend. However, in the actual detection environment, Illumination unevenness has a very large impact on the detection results. Therefore, the illumination correction processing has become a key step in machine vision detection, but the existing illumination correction algorithms often have the problem of image detail loss, which directly affects the detection effect. Aiming at this problem, we proposes an improved Retinex illumination correction algorithm, which uses median filtering instead of Gaussian surround function to realize the estimation of illumination component, and uses the entropy function to complete the illumination uniformity of the original image determination. At the same time, based on the proposed algorithm, a set of bearing roller blemish detection system is built and the performance of the proposed algorithm is verified. The experimental results show that compared with the existing Retinex series illumination correction algorithm, the proposed algorithm can better preserve the image details of the workpiece, thus achieving better detection accuracy.