轴承表面缺陷类型识别算法
基于规范化样本拆分的轴承缺陷检测
文章编号：1002-2082 (2021) 02-0327-07基于规范化样本拆分的轴承缺陷检测徐建桥1，吴 俊2，陈向成2，吴丹超3，李 兵3（1. 海军工程大学 信息安全系，湖北 武汉 430033；2. 武汉理工大学 自动化学院，湖北 武汉 430070；3. 合肥小步智能科技有限公司，安徽 合肥 230011）摘 要：表面缺陷对轴承的性能和寿命存在严重影响。
近年来，深度学习在缺陷检测中发挥了重要的作用，然而对于轴承检测而言，缺陷样本的采集耗时耗力。
选择轴承内径作为研究对象，根据轴承的对称性特性提出一种规范化样本拆分方法，可有效扩充轴承样本数据集。
分别采用不同的样本处理方法，而后利用ResNet 网络训练轴承缺陷检测模型，进行多组对比实验，实验结果表明：直接采用原始图像进行网络训练，检测效果较差，模型的AUC (area under the curve)仅为0.558 0；对原始图像进行样本拆分，训练出的模型检测效果有所提升，其模型AUC 提升为0.632 6；将原始图像进行4点透视变换校正后再进行网络训练，检测效果同样有所提升，其模型AUC 提升为0.661 3；将原始图像进行透视变换校正且规范化样本拆分后，检测效果最好，其模型AUC 增加为0.849 6。
关键词：ResNet 网络；透视变换；缺陷检测；规范化中图分类号：TN206 文献标志码：A DOI ：10.5768/JAO202142.0203006Bearing defects detection based on standardized sample splitXU Jianqiao 1，WU Jun 2，CHEN Xiangcheng 2，WU Danchao 3，LI Bing 3（1. Department of Information Security, Naval University of Engineering, Wuhan 430033, China ；2. School of Automation, Wuhan University of Technology, Wuhan 430070, China ；3. Hefei Xiaobu Intelligent Technology Co. Ltd., Hefei 230011, China ）Abstract ：Surface defects seriously affect the quality and service life of bearings. In recent years, deep learning has played an important role in defects detection, but for bearing detection, the collection of defects samples is time-consuming and labor-consuming. The bearing inner diameter was chosen as the detection object, a method of standardized sample split based on the symmetry of bearing was proposed, which could greatly increase the number of samples. Different sample processing methods were used respectively, and then the bearing defects detection model was trained by ResNet network to carry out several comparative experiments.The experimental results show that the detection effect is worse when the original images are directly used for training, and the area under the curve (AUC) of the model is only 0.558 0; after the samples are split, the trained model detection effect is better, and the model AUC is improved to 0.632 6; after the samples are corrected by four point perspective transformation, the detection effect is better, and the model AUC is increased to 0.661 3; after the original images are corrected by perspective transformation and the standardized samples are split, the detection effect is the best, and the model AUC is increased to 0.849 6.Key words ：ResNet network ；perspective transformation ；defects detection ；standardization引言随着中国制造2025的推进，我国正稳步向制造强国迈进。
轴承零件加工过程中的常见缺陷及探伤方法选择
轴承零件加工过程中的常见缺陷及探伤方法选择摘要：生产轴承零件环节，加工工序通常包含轧制及冲压、车削、热处理等等，而在众多环节中，一些缺陷问题不可避免就会产生，面对此种情况，要想为轴承零件质量提供保障，必须要将各道工序易产生的缺陷理清，同时通过恰当探伤方法的选用，科学挑出缺陷零件。
关键词：轴承零件加工；常见缺陷；探伤方法选择制造及生产轴承的后期，为了对次品率进行检验，通常都需要检测轴承内外圈硬度及表面裂缝、划痕等，简单来说就是检测轴承探伤硬度，从当下实际情况来看，通常都是以硬度及探伤等检测设备等的应用为主，进而从人工角度来检测轴承，此种方式并不具备高效性，同时也会产生较大的劳动强度，加之人工检测环节受人为因素影响很难保障全面检测，检测盲点现象极有可能会出现，最终会给轴承检查质量造成影响。
所以，针对轴承零件加工常见缺陷及探伤方法选择的探讨十分必要。
1.轴承零件加工常见缺陷分析1.锻造缺陷1.折叠裂纹，锻造轴承套圈的过程中，受切料不齐及毛刺等因素影响，就会导致套圈表面有折叠裂纹极易形成，而该种裂纹具有粗大及不规则形状等特征，一般会在锻件表面存在。
2.过烧，过高的锻件温度、或在高温下保持较长时间，零件表面或心部就会有不同程度的过烧现象出现。
3.湿裂，锻造轴承套圈毛坯的情况下，一旦停锻期具有较高温度，此时在冷却的情况下轴承局部或全部触碰冷却水，表面就会有裂纹产生，该裂纹通常会在外径及断面等部位存在。
1.车削缺陷轴承零件进行车削加工的过程中，一旦存在进给量过大的情况，深刀痕及较大车削应力就会产生，此时在淬火过程，因应力集中造成的开裂现象极易产生。
1.淬火缺陷淬火环节，受温度过高或过块冷却等因素影响，一旦轴承零件内应力比之材料断裂强度要大，就会有淬火裂纹出现。
一般来说，从轴承滚子方面进行分析，淬火裂纹通常都会在外径上存在，严重情况下会向断面上贯穿；针对轴承钢球来说，该裂纹会在钢球表面分布，通常会有V形等状态表现；在轴承套圈方面该裂缝通常会在油沟及断面打字等部位出现。
快速检测轴承表面缺陷方法的研究
=
r0
R R
3 0
,
外
圈内半径 r 4 =
r0
R R
4 0
,
外圈外半径 r 5
=
r0
R R
5 0
.
即把轴
承分割为轴承内圈, 密封盖面和轴承外圈.
2. 4. 2 缺陷识别 轴承的缺陷是指轴承表面的缺陷尺寸大于一定
面积. 在轴承图像里我们将缺陷面积转换成一定连
通区域的像素数 T , 当在上述分割的面中找到缺陷
的像素数 T 0 大于 T 时, 则认为该 T 0 为缺陷区域. 通
过上述处理, 本文中可以认定 255 的连通区域为有
缺陷区域. 所以只需找到像素值 255 的连通区域, 并 且其像素数大于给定的 T , 即可找到缺陷之处. 本文
采用 8 连通域法.
3 实验结果及比较
3. 1 实验结果 图 3 中在轴承外圈表面上有 3 处有缺陷的区
图 2 中值滤波后的图
2. 2 OST U 分割算法原理 OST U 法[ 5] 又称大津法或最大类间方差法. 在
一些实时图像处理系统中得到广泛应用. 其单阈值 OST U 算法原理如下:
记 f ( i , j ) 为 M @ N 图像( i , j ) 的点处的像素灰 度值, 灰度级为 m. 则 p ( k) 为灰度值为 k 的频率, 即
图 4 单阈值分割
表 1 实验结果对比
缺陷检测结果 样本情况 单阈值 多阈值 本文
算法 算法 算法
样本 1
有 难以检测 有
实际 缺 陷情 况
有
样本 2
无 难以检测 无
无
2 图像处理
2. 1 中值滤波 通过图像采集系统采集得到的轴承图像( 图 1)
一种基于支持向量机的轴承表面缺陷检测方法
一 种 基 于 支 持向 量 机 的 轴 承 表 面 缺 陷 检 测 方 法
涂宏斌， 周新建
（华东交通大学 C A D / CA 研究室， 江西 南昌 330 0 1 3）
摘要： 提出了一种基于支持支持向量机和主成分分析的轴承表面缺陷检测算 法， 该算 法把轴承 中的非缺陷 区域和缺陷 区域分 别看作两种不同的纹理模式， 先利用主成分分析法 （ CA ） 对图像进 行降维处 理， 然 后用支 持向量 机方法 对降维 后的样 本采样 学习， 然后进行分类判断 . 实验结果表明， 该算法能够较好地实现轴承缺陷的检测分类， 有一定的实用价值 . 关 键 词： 表面缺陷； 主成分分析； 支持向量机 文献标识码： A 中图分类号：H 1 63
行分类判断， 最后得到实验结果 .
�
引言 � 支持向量机
线性情况 支持向量机是从线性可分 情况下的最优 分类
铁路货车 轴承是关系到铁路运输 安全的关键 部件， 如果对照铁道部指定的图谱， 用目测或手感 来判断轴承内外圈及 滚子是否存在表面缺陷及其
�. �
类型和损伤程度， 则工人工作量大， 检测 结果随机 面发展而来的， 基本思想可用图 1的两维情况说明 性大， 因此 人工检测方法已经很难满足实 际要求 . � 图中， 实心点和空心点代表两类样本， 为分类线，
1
（5 ） （6）
可行的 . 2）一般主成分分析算法实施 有数据矩阵：
若 � 为最优解， 则有 ��
… � 即最优分 类面的权系数向量是训 � 练样本向量 � 11 12 1 的线性组合 . … � � � 21 22 2 ……………………………
［1 ］ 使用机器对轴承进行缺陷检测就显得十分必要 . 1
，
2
字典学习在轴承表面缺陷分类中的研究
示是指将一幅自然图像通过一个基函数在字典中进行线性叠加表示。
设原始图像为，，可以用式（1）表达稀疏表示模型。
式中：X为图像矩阵上的稀疏编码，0范数，即表示稀疏编码中非零元素的个数。
图像稀疏表示模型的求解过程便是L0范数的求解，即：式中：δ为误差容限，1.2字典学习理论）所示。
式中：为初始字典，为经字典学习后获取的训练字典，为系数矩阵，P因子，即表示字典学习所求的非零系数的个数字典学习过程即为G和K的优化求解过程。
1.3Fisher判别分析以此来提高学习字典的判别性能。
设包含S个轴承缺陷类型的训练样本集合为，类缺陷训练样本，每一种类型训练样本又包个特征点集，因此，所有缺陷类型样本的特征点总数为K。
由此，可得缺陷训练样本Fisher判别准则Y（X）为：式中：表示缺陷训练样本的类内散布度，表示缺陷训练的类间散布度，表示第的均值，表示所有缺陷类别样本均值。
————————————————————基金项目:衢州市科技攻关项目正确分类轴承表面样本数/总的轴承表面样本数。
图1轴承表面常见的缺陷类型（c ）裂纹（d ）污渍（a ）锈斑（b ）磕碰图2字典学习分类流程如图3所示，基于Fisher 判别准则的学习字典分类方法在轴承表面缺陷数据集上的收敛性，可知，当迭代次数到次以后，算法的损失值逐渐稳定，迭代次数相对其他算法不是很高。
图4为Fisher 判别准则Y （X ）随迭代次数的变可知，随着迭代次数的增加Y （X ）的值越小，似性，导致识别率准确度相对其他2种典型缺陷类型稍低。
图3算法的收敛性图4Y (X )与迭代次数关系图5不同缺陷类型的分类精度3结论为有效提高轴承表面缺陷类型的分类精度，提出了一种基于学习字典的轴承表面缺陷分类方法，将图像稀疏表示和基于Fisher 判别准则的学习字典应用在轴承表面缺陷分类检测中，根据字典学习的判别性稀疏编码实现对轴承表面缺陷图像的精确分类。
实验研究结果表明，该方法对轴承表面缺陷类型的分类精度达到95.4%，能够精确的识别轴承表面缺陷的类型，但由于受轴承表面锈斑缺陷和污渍缺陷图像特征矢量相似性较多的影响，对锈斑和污渍缺陷的识别准确率还有待进一步的提高，需接下来以微小缺陷特征矢量提取为重点研究对象以提高其分类准确率。
轴承表面磨削缺陷解析
5.砂轮修整不及时或修整不好； 6.金刚石锐利，砂轮修整不好； 7.工件粗磨时烧伤过深，精磨留量又太小， 没有磨掉；
8.工件夹紧力或吸力不足，在磨削力作用 下，工件存在停转现象等。
那么工件表面在磨削过程中如何知道是否 烧务呢？这要通过定期酸洗即可检查出来。
4.磨削压力过大等。 （二）螺旋线形成的具有原因
1.V 形导轨刚性不好，当磨削时砂轮产生偏 移，只是砂轮边缘与表面接触；
2.修整吵轮时台换向速度不稳定，精度不 高，使砂轮某一边缘修整略少；
3.工件ห้องสมุดไป่ตู้身刚性差；
4.砂轮上有破碎太剥落的砂粒和工件磨削 下的铁屑积附在砂轮表面上，为此应将修整好的 砂轮用冷却水冲洗或刷洗干净；
2dw0f8c7c 单人操作
轴承在磨加工过程中，其表面是通过高速旋 转的砂轮进行磨削的，因此在磨削时如果不按作 业指导书进行操作和调整设备，就会在轴承表面 出现种种缺陷，以致影响轴承的整体质量。
表现出现交叉螺旋线痕迹
出现这种痕迹的原因主要是由于砂轮的母 线平直性差，存在凹凸现象，在磨削时，砂轮与 工件仅是部分接触，当工件或砂轮数次往返运动 后，在工件表现就会再现交叉螺旋线且肉眼可以
如在磨加工过程中出现上述烧伤现象，必须 及时分析原因，采取有效措施加以解决，杜绝批 量烧伤。
表面粗糙度达不到要求
轴承零件的表面粗糙度均有标准和工艺要 求，但在磨加工和超精过程中，因种种原因，往
往达不到规定的要求。造成工件表面粗糙度达不 到要求的主要原因是：
1.磨削速度过低，进给速度过快，进刀量过 大，无进给磨削时间过短；
观察到。这些螺旋线的螺距与工件台速度、工件 转速大小有关，同时也与砂轮轴心线和台导轨不 轴承表面磨削缺陷解析平行有关。
基于双脉冲响应的轴承缺陷尺寸识别方法(一)
基于双脉冲响应的轴承缺陷尺寸识别方法(一)基于双脉冲响应的轴承缺陷尺寸识别引言轴承缺陷识别在机械故障诊断领域起着至关重要的作用。
传统的缺陷尺寸识别方法通常需要对轴承进行大量的数据采集和处理，且其识别性能较低。
双脉冲响应是一种有效的信号处理技术，被广泛应用于轴承故障诊断领域。
本文将详细介绍基于双脉冲响应的轴承缺陷尺寸识别方法。
方法1：基于双脉冲响应的时域分析•利用双脉冲检测方法获取轴承信号中的脉冲部分，并将其与一次传递函数进行卷积；•通过时域特征分析，如峰值幅值、包络分析等，识别轴承缺陷的尺寸；•优点：简单直观，易于实现；•缺点：对于复杂的缺陷尺寸识别效果较差。
方法2：基于双脉冲响应的频域分析•利用离散傅里叶变换将时域信号转换为频域信号；•根据不同频率成分的幅值和相位信息，识别轴承缺陷的尺寸；•优点：可以提取更多频域信息，对于复杂的缺陷尺寸识别效果较好；•缺点：较复杂，需要进行频域分析和幅值、相位提取。
方法3：基于双脉冲响应的小波分析•利用小波分析将时域信号分解为不同频率成分的波形；•提取各个频率成分的能量、频率等特征，识别轴承缺陷的尺寸；•优点：在时频域上具有更好的局部化特性，能提取更多细节信息；•缺点：计算复杂度较高。
方法4：基于双脉冲响应的奇异值分解•将轴承信号构建成矩阵形式，并对其进行奇异值分解；•根据奇异值和奇异向量的变化规律，识别轴承缺陷的尺寸；•优点：能够提取轴承信号中的主要成分，并实现特征降维；•缺点：对于复杂的缺陷尺寸识别效果较差。
结论基于双脉冲响应的轴承缺陷尺寸识别方法具有一定的优势，不仅可以用于实时诊断轴承缺陷，还可以用于提前预测故障发生。
不同的方法适用于不同的应用场景和缺陷类型，需要根据具体情况选择合适的方法进行实施。
随着科技的进步和算法的优化，基于双脉冲响应的轴承缺陷尺寸识别方法将会得到进一步的发展和应用。
**注意：本文为虚拟助手生成的示例文章，内容可能与实际情况不符，请勿直接使用。
GCr15轴承钢零件表面缺陷分析
0.0
Ds
臆2.0
2.5
图 3 缺陷处微观形貌
图 4 缺陷处组织形貌
图 5 裂纹开口处组织形貌 图 6 裂纹延伸处组织形貌
GCr15 轴承钢零件表面缺陷分析
39
1.4 扫描电镜能谱分析 采用德国卡尔蔡司公司生产的 EV018 型扫 描电镜对近裂纹处的夹杂物进行扫描。B 类细系 夹杂物和 Ds 类细系夹杂物扫描结果分别如图
（4）金相检验分析表明，近裂纹处夹杂物含 量高，B 类细系达标准要求临界值，Ds 类夹杂物 超标准要求，推断裂纹的产生与钢材内在质量有 一定关系。正常处金相组织为回火索氏体+粒状 碳化物，缺陷深度 1mm 左右，裂纹大多沿晶或穿 晶开裂，其内部存在灰色氧化物，裂纹缝隙边缘 无明显脱碳现象；
（5）能谱[5]分析研究认为，夹杂物主要来源包
3 预防措施 渊1冤生产企业在轴承钢冶炼前必须加强对各 种原辅材料质量的控制袁杜绝使用锈蚀严重的废 钢袁需强化合金添加剂进厂检验袁质量差的辅料 禁止在轴承钢冶炼中使用曰 渊2冤冶炼过程中须密切关注连铸坯结晶器保 护渣袁防止发生保护渣掉入钢水中形成夹杂物曰 渊3冤采用优化合理脱氧工艺袁强化搅拌与脱 氧操作袁降低钢水中夹杂物的含量曰 渊4冤控制结晶器液面袁使用性能优良的保护 渣是防止钢中夹杂物的有效措施袁冶炼质量的好 坏影响轧材的质量袁轧钢过程同样须严格按工艺 要求执行袁才能使圆钢的表面质量和内在质量得 以改善曰 渊5冤 零件生产企业使用 GCr15 轴承钢圆钢 再加工过程中袁应严格控制淬回火工艺[6]院首先袁 要控制好加热温度和保温时间两个工艺参数曰其 次袁通过内部工艺试验袁制定合理的冷却速度曰最
【Keywords】crack defect; inclusions; oxide; quenching
轴承外观缺陷检查标准(附图)
不合格/NOK
套圈端面黑皮/ Black remained in the side face after grinding
评估(Evaluation)
不合格/NOK
Uncontrolled Copy is Prohibited 未受控的复印件无效
文件名称
WI
文件编号
端面有长深划伤/ Long & deep scratch on the side
评估(Evaluation)
☺
CRB 外圈滚道超精一侧挡边被油石磨成白色/ CRB one side rib become white by honing Stone in honing process
砂轮位置偏导致滚道一侧未精磨到。 粗磨痕宽度 1 mm 内对使用功能无影 响。The deflection of the grinding wheel position arouse the one side
生效日期 版本 页码
A 14/21
评估(Evaluation)
☺
合格/OK
内圈滚道面上有退油石痕迹/ Withdraw honing stone mark on the raceway 评估(Evaluation)
不合格/NOK
内圈滚道面上有退油石痕迹/ Withdraw honing stone mark on the raceway 评估(Evaluation)
不合格/NOK
Uncontrolled Copy is Prohibited 未受控的复印件无效
文件名称
WI
文件编号
内圈滚道有磕伤/ Dents on the raceway
生效日期 版本 页码
轴承外观缺陷检查标准(附图)
评估(Evaluation)
不合格/NOK
内圈内孔有磨削裂纹/ Grinding crack in bore
评估(Evaluation)
不合格/NOK
外圈外径表面有磨削烧伤及裂纹/ Grinding crack and burning in OD surface 评估(Evaluation)
不合格/NOK
评估(Evaluation)
不合格/NOK
内圈滚道表面长划伤/ Long scratch on the raceway
评估(Evaluation)
不合格/NOK
Uncontrolled Copy is Prohibited 未受控的复印件无效
文件名称
WI
文件编号
内圈滚道面磕伤/ Scratch on the raceway
评估(Evaluation) 仅有一处磕伤隔离, 等待质量判定.
Only one dent,
block and wait for PDQ to decide.
内圈滚道有磕伤/ CRB Raceway dent
评估(Evaluation)
不合格/NOK
Uncontrolled Copy is Prohibited 未受控的复印件无效
内圈滚道有轻微的带状的支承痕迹/ Light & Zonal shoe marks on the raceway
评估(Evaluation)
☺
合格/OK
外圈外径有均匀的支承痕迹/ Even shoe marks on the outer diameter
评估(Evaluation)
☺
合格/OK
Uncontrolled Copy is Prohibited 未受控的复印件无效
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。
轴承产品缺陷分析报告
轴承产品缺陷分析报告滚动轴承和滑动轴承是应用在转动设备中应用最为广泛的机械零件，是轴及其它旋转构件的重要支承。
在日常的使用与维修中发现，轴承同时也是最容易产生故障的零件，对轴承零件的缺陷预测与分析具有很高的经济价值，所以轴承工作状态实时监控和诊断的研究受到广泛重视。
由于滚动轴承与滑动轴承在缺陷方面有许多共同点，缺陷分析方法可以通用，所以本文以讨论滚动轴承作为重点。
1.滚动轴承常见缺陷故障由于滚动轴承在实际生产中应用广泛，其产生的故障现象也多种多样，常见的有疲劳剥落、过量的永久变形和磨损。
1.疲劳剥落轴承在正常的条件下使用，内圈、外圈和滚动体上的接触应力是变化的，工作一段时间后，接触表面就可能发生疲劳点蚀，以致造成疲劳剥落。
所以疲劳剥落是轴承的正常失效形式，它决定了轴承的工作寿命。
2.过量的永久变形轴承在转速很低或者间歇往复摆动的工作状态时，在过大的静载荷或冲击载荷作用下，会使套圈滚道和滚动体接触处的局部应力超过材料的屈服强度，以致在表面发生过大的塑性变形，使轴承不能正常工作3.磨损在润滑不良和密封不严的情况下，轴承工作接触面容易发生磨损，转速越高，磨损越严重。
磨损会使轴承的游隙增加，振动和噪声增大，各项技术性能急剧下降，导致轴承失效。
此外，轴承还有胶合、烧伤、轴圈断裂、滚动体压碎、保持架磨损和断裂、锈蚀等失效形式。
在正常的使用条件下，这些失效是可以避免的，因此称为非正常失效。
2.轴承缺陷诊断方法轴承缺陷常用诊断分析方法可概括为以下几种：（1）检测润滑油温度、轴承温度及主油道润滑油压力波等物理参数（2）油样分析包括理化分析、污染度测试、发射光谱分析、红外线分析和铁谱分析（3）振动分析（4）声发射（AE）分析以上各种方法各有其特点，能够在一定程度上反应轴承缺陷。
第一种方法安装传感器简单、成本低但不实用，主要原因是测量温度有其滞后性，不能实时预测轴承缺陷。
油样分析只能测量油润滑轴承，但不能测量脂润滑轴承。
用于轴承表面缺陷分类的特征选择算法
用于轴承表面缺陷分类的特征选择算法
宇文旋;卢满怀
【期刊名称】《轴承》
【年(卷),期】2018(000)001
【摘要】针对现有基于机器视觉的轴承表面缺陷类型识别中分类特征选择这一薄弱环节,提出一种综合运用相关分析、标量特征选择和特征向量选择的实用特征选择算法.首先,通过相关分析剔除相似特征;然后,用标量特征选择算法作进一步筛选;最后,用特征向量选择算法选出最终分类特征.对比试验表明:该算法可实现有效的特征选择,识别率高达99.5％,且避免了大规模运算.
【总页数】6页(P46-51)
【作者】宇文旋;卢满怀
【作者单位】电子科技大学机械电子工程学院,成都611731;电子科技大学中山学院机电工程学院,广东中山528400
【正文语种】中文
【中图分类】TH133.33;TP391.4
【相关文献】
1.适用于不确定文本分类的特征选择算法 [J], 王博;贾焰;杨树强;周斌
2.一种用于电子邮件分类的特征选择算法 [J], 王卫玲;刘培玉;刘克非
3.一种新的用于文本分类的特征选择算法 [J], 王卫玲;孔波;初建崇;杨玫
4.一种用于阿尔茨海默病分类的二阶段多任务特征选择算法 [J], 杨晨晖;侯超群
5.R-AdaBoost带钢表面缺陷特征选择算法 [J], 刘坤;赵帅帅;屈尔庆;周颖
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
优先出版 计 算 机 应 用 研 究 第32卷
--------------------------------
基金项目：国家自然科学基金项目(51305270)；上海市科研创新项目(13YZ071)；上海理工大学国家级项目培育基金和机械工程学院机械制造及其自动化专业一流学科科研专项基金资助
作者简介：陈龙(1978-)，男，湖北十堰人，博士，主要研究方向为产品计算设计、产品快速智能设计、图像处理及工业应用；候普华(1987-)，男，山东菏泽人，硕士，主要研究方向为图像处理及工业应用；王进(1980-)，男，浙江东阳人，副教授，博士，主要研究方向为产品数字化设计；朱文博(1973-)，女，山东宁阳人，副教授，博士，主要研究方向为知识工程．
轴承表面缺陷类型识别算法
陈 龙1，侯普华1，王 进2，朱文博1
(1．上海理工大学 机械工程学院，上海 200093；2．浙江大学CAD&CG 国家重点实验室，杭州 310027) 摘 要：针对生产和装配过程中轴承表面缺陷检测传统方法的不足，本文提出一种新的轴承表面缺陷类型识别算法。
首先改进Canny 算子以提高轮廓识别度，将Sift 算法应用于缺陷区域提取，对轴承表面缺陷图像和无缺陷图像进行Sift 图像匹配以定位缺陷区域，运用像素点的异或运算以精确提取缺陷区域。
选择部分Hu 矩值和几何特征值准确描述缺陷区域，将其作为BP 神经网络算法的输入，从而最终识别出缺陷类型。
实验表明，该方法提高了识别率，且具有非接触、速度快、精度高和抗干扰能力强等优点，很好地实现了轴承表面缺陷类型的检测。
关键词：轴承；表面缺陷；缺陷识别；Sift 算法；BP 算法 中图分类号：TP391.4；TH133.3 文献标志码：A
Algorithm on bearing surface defect type recognition
CHEN Long 1, HOU Pu-hua 1, WANG Jin 2, ZHU Wen-bo 1
(1. University of Shanghai for science & technology, Shanghai 200093, China; 2. State Key Lab. of CAD&CG , Zhejiang
University, Hangzhou 310027, China)
Abstract: Aiming at some shortcomings in the traditional recognition methods for the bearing surface defect generated during the process of production and assembly, this paper presents a new bearing surface defect recognition algorithm. Firstly, an improved Canny operator is put forward to enhance the recognition rate. Sift image matching algorithm is also applied on the bearing surface defect extraction to locate the defect area by matching the images with or without defect. Use the pixel XOR operation to extract the defect area precisely. Part of Hu moment and geometric features values are selected to describe the defect area accurately and used as the input data for the BP neural network algorithm, finally, defect type is identified. Experiments show that this method improves the recognition rate, and with the merits of non-contact, fast speed, high accuracy and strong anti-jamming capability, so it can realize the recognition of bearing surface defect type accurately. Key Words: bearing; surface defect; defect recognition; sift algorithm; BP algorithm
0 引言
轴承是机械行业中广泛使用且非常重要的零件，其精度高，批量化生产，表面质量和加工精度都对轴承寿命产生巨大的影响，因此，表面质量检测是轴承制造商非常关心的一个问题。
轴承表面缺陷检测一直是轴承行业检测技术的薄弱环节。
在轴承自动化生产线上，轴承质量检测仍借助于人工检测，不仅稳定性差、工作量大、检测不准确，也常常出现客户退货现象，给企业在经济上带来一定的损失，并且降低了客户对其企业产品的信任度[1-2]。
为解决上述问题，基于机器视觉的检测方法由于其自动化程度高而被广泛研究，以取代人工检测。
Jean-Paul Dron [3]研究了轴承图像的三种去噪方法：自适应去噪、小波阈值去噪和频谱相减法去噪，对比分析三种方法的去噪效果，为后期的轴承
表面缺陷检测提供前提。
Karthik Kappaganthu [4]对轴承表面缺陷检测系统中的特征参数选取进行了研究，采用ANN 神经网络进行训练识别。
陈廉清[5]为了削弱轴承表面图像在采集过程中诸多因素的干扰，把轴承表面缺陷检测分成两块，一是利用差影法完成对轴承表面比较均匀区域的检测，二是利用模板匹配法对轴承表面有文字的区域进行检测。
陶青平[6]针对单阈值分割算法只用于检测轴承表面缺陷低于目标灰度缺陷，而多阈值分割算法只用于检测表面缺陷高于目标灰度缺陷的情况，研究一种采用Otsu 的多阈值分割方法，完成了轴承表面缺陷检测。
涂宏斌等人也对轴承表面缺陷检测做过研究，见参考文献[7-9]。
现有的轴承表面质量视觉检测方法大都存在着缺陷区域的提取精度不高，区域描述不准确，识别率较低，计算繁琐等特点，采取的图像处理、分析与识别方法也多种多样，并且对现场环境条件难以识别而存在许多问题，多数处于实验开发阶段，还需
文章预览已结束
获取全文请访问
/article/02-2015-06-066.html。