论文部分内容阅读
列车滚子轴承是铁路列车运输安全的一个关键部件,它对列车的安全行驶起着相当重要的作用,因此有关部门十分重视轴承的检查与维修。传统的检测方法主要取决于员工的经验和责任心,长时间重复操作会导致视觉疲劳,这会使检测结果的准确性和效率降低。而且,这样的检修方法没有将检测到的数据存储、上传及统计,没有完整的测试和数据报告,这就导致之后出现此类问题时很难根据先有的测试数据进行分析。针对这种情况,本文对现有研究做出了改进,提出了一种基于机器视觉的列车滚子轴承表面缺陷检测方法,主要的研究工作有:(1)图像获取及初次分类。为了实现轴承缺陷检测的自动化处理,本文改进了一种轴承图像的获取装置,提出利用工业内窥镜代替人眼进行图像的获取,将拍摄到的图像存入数据库系统,以实现轴承缺陷的自动获取。另外,根据图像灰度值的标准差来判断图像是否有缺陷,对轴承进行初次分类。(2)二值化及形态学滤波。文中提出一种根据缺陷图像的灰度均值范围确定阈值的方法,对有缺陷的图像进行二值化,与传统方法相比,该方法更加准确有效。由于图像采集过程中光线不均匀,所采集的图像中会有噪声,文中对二值化图像进行了形态学滤波,既可以消除噪声,又保留了缺陷图像的主要特征。(3)边缘检测。缺陷图像的边缘检测是图像处理的关键步骤,对于缺陷图像的分类识别有非常重要的影响,在比较之后,本文选择Canny算法进行边缘检测,得到的缺陷边缘特征十分准确。(4)图像标记及特征提取。文中采用一种基于形态学膨胀操作的8连通区域标记方法来获得标记图像,从标记图像中提取一些可用于区分不同缺陷的特征,例如面积、周长、长宽比和连通区域数量等。(5)分类识别。在比较了几种常用的识别算法后,文中采用分类识别决策树的方法对缺陷图像进行分类并确定了阈值,经过实验验证,识别率达到了96.7%,相较于其它分类算法,本文方法没有样本训练的过程,所以更加简单实用。本文为解决列车滚子轴承表面缺陷的自动检测进行了有益探索、提供了具体解决方案,该方法对于其它机械零部件表面检测技术的研究也具有重要的参考价值。