基于机器视觉的铁路货车滚动轴承表面缺陷检测技术研究

• 作 者: 郝永兴
• 机 构: 兰州交通大学
• 出 处: 兰州交通大学
• 发表日期: 2016年01期
• 关键词: 图像处理 滚动轴承 小波去噪 缺陷识别

轴承作为铁路货车的重要部件,其表面产生缺陷对货车的运行存在着一定的安全隐患。现在,在我国铁路货车滚动轴承检测的其中一部分仍停留在人工检测,工作效率低、成本高和准确率难以保证。本文以铁路货车轴承作为研究对象,运用图像处理技术对轴承图像进行处理并对缺陷进行提取,再根据图像特征进行分类。首先介绍了常见的表面缺陷的种类、形态和形成原理,采用灰度变换增强图像的对比度。轴承图像去噪时,对于均值滤波、中值滤波和维纳滤波,进行比较发现维纳滤波效果会更好一些。同时也运用了传统的小波变换方法对图像进行处理,但传统的小波阈值方法对光照不均或不足的图像去噪的效果一般。针对该问题提出了改进阈值函数的小波去噪增强方法,采用小波变换对轴承图像进行多尺度分解,然后对第一级和第二、三级的小波系数分别采用改进的算法进行去噪增强,提高图片质量。利用基于局部图像特性的可变阈值处理对图像进行初步的分割处理。在图像的边缘检测中,用传统的Roberts、Prewitt、Sobel、Canny和SUSAN等算法进行边缘检测,通过比较发现Sobel算法计算速度相对较快,在适当的阈值下SUSAN算法检测效果相对较好。在图像边缘检测中噪声通常被误认为边缘,本文对小波边缘检测算法进行了改进,提高了边缘检测的准确度。运用BP神经网络对缺陷进行识别。首先采用经验公式对BP神经网络模型的输入、输出节点进行建立,其次对建立好的BP神经网络进行训练,然后用训练好的BP神经网络模型,对分割边缘检测的5类缺陷图像进行识别分类。在轴承缺陷识别的过程中,选择缺陷的平均面积、厚实度、圆度率和欧拉数作为缺陷的识别特征。通过实验对上述5种采集到的缺陷图像进行识别,识别结果正确率可达90%。