基於視覺的軸承密封件缺陷檢測方法與流程

2024-03-31 06:31:05 1

本發明實施例涉及機器視覺技術領域，特別涉及一種基於視覺的軸承密封件缺陷檢測方法。

背景技術：

當前我國的軸承製造業仍以傳統產品為主，技術水平並不高，由此帶來的影響是，國內軸承生產仍然是勞動力密集型為主，總體產量高，但技術含量低、精度低、產品附加值低，且質量無法保證。儘管少數國內軸承生產企業，從國外引進了一些自動化、半自動化軸承製造裝備，形成了部分高精密軸承產品的生產產能，但由於檢測手段以人工檢測、離線抽查為主，使得產品質量無法得到保證，無法滿足國外用戶的質量要求，在出現質量問題時，往往面臨著巨額的罰款。同時，由於無法實現精密軸承的實時在線檢測，生產線自動化、智能化控制水平無法提高，生產效率無法與國外企業相比，國內處在前列的幾家國內企業，生產效益還無法與一家國外大型企業相比。在線檢測技術可實現製造、檢測的自動化和一體化，還可以實現檢測手段的標準化。隨著我國高精密軸承產品需求的增加，產能的擴大，以及出口量的加大，特別是軸承產品領域國際標準的貫徹實施，使得對高精密軸承的在線檢測技術的需求越來越迫切。

在軸承及其配件的製造加工過程中，可能出現毛刺、色差、溢膠、鏽蝕、裂紋、刮傷、結疤、孔洞、表面分層、麻點、缺珠、倒角未加工、倒角過大或過小、壓傷、端面未加工等缺陷，這將降低軸承的抗腐蝕性、耐磨性和抗疲勞強度等性能。目前國內外軸承製造企業通常採用人工目視抽檢的方式來進行質量評估，缺乏檢測的一致性和科學性，且效率較低，而以信息技術為基礎研製的智能檢測設備可解決此類問題。伴隨著高精度圖像傳感器件、數位訊號處理器技術、計算機視覺、模式識別等相關領域的理論探索和應用研究日臻完善和實用化，基於視覺的軸承缺陷自動檢測系統的研製受到越來越多軸承廠家的重視。

基於計算機視覺的缺陷檢測具有非接觸、快速、精確和可靠性高等優點，因此已經在食品分級、印刷品、玻璃、鋼鐵、液晶顯示器等表面的缺陷檢測獲得了廣泛的研究和應用。然而，現有的視覺檢測系統無法應用於軸承密封件的在線檢測，其主要原因在於：1)軸承密封件的模式比較複雜，顏色多樣，有正反面之分，且反面密封件金屬區域的面積差別很大，2)軸承密封件上存在的缺陷種類很多，包括毛刺、色差、溢膠、鏽蝕等，3)軸承密封件缺陷檢測的精度要求很高，對毛刺的檢測精度通常要求在0.1mm2甚至更高，因此需要採用高解析度的圖像傳感器(300萬象素或500萬象素)，這就對視覺圖像處理方法的效率提出了較高的要求。

有鑑於此，特提出本發明。

技術實現要素：

本發明的主要目的在於提供一種基於視覺的軸承密封件缺陷檢測方法，用以解決軸承密封件上可能存在的毛刺、色差、溢膠和鏽蝕缺陷的在線檢測問題。

為實現上述目的，提供了以下技術方案：

一種基於視覺的軸承密封件缺陷檢測方法，所述方法包括：

獲取軸承密封件圖像；

對所述軸承密封件圖像運用圖像分割和目標關聯方法，得到所述軸承密封件的工件圖像；

對所述工件圖像運用工件範圍計算，得到所述軸承密封件的有效工件圖像；

對所述有效工件圖像運用工件範圍比對和方向差異判定方法，得到毛刺缺陷；

對所述有效工件圖像運用直方圖分析方法，得到正面工件圖像和反面工件圖像；

對所述正面工件圖像運用顏色顯著性和矩形特徵判定方法，得到色差缺陷；

對所述反面工件圖像運用金屬範圍計算，得到工件金屬部分圖像；

對所述工件金屬部分圖像運用亮度顯著性和顏色變換方法，得到溢膠和鏽蝕缺陷。

優選地，所述對所述軸承密封件圖像運用圖像分割和目標關聯方法，得到所述軸承密封件的工件圖像，具體包括：

對所述軸承密封件圖像運用有監督過渡區域分割方法和連通區域分析方法，得到候選工件區域；

對所述候選工件區域運用其大小和位置信息，得到當前時刻圖像中的工件區域信息；

對所述當前時刻圖像中的工件區域信息運用目標關聯方法，得到工件運動軌跡信息；

對所述工件運動軌跡信息運用狀態估計方法，得到所述軸承密封件的所述工件圖像。

優選地，所述對所述工件圖像運用工件範圍計算，得到所述軸承密封件的有效工件圖像，具體包括：

對所述工件圖像運用有監督過渡區域分割方法和尺寸濾波方法，得到有效工件區域；

對所述有效工件區域運用其在極坐標系下的最外邊緣和最內邊緣信息，得到所述有效工件區域的內外邊緣信息；

對獲得的所述內外邊緣信息運用最小二乘擬合方法，得到所述軸承密封件的位置和大小信息；

將所述軸承密封件的所述位置和大小信息所對應幾何區域的圖像確定為所述有效工件圖像。

優選地，所述對所述有效工件圖像運用工件範圍比對和方向差異判定方法，得到毛刺缺陷，具體包括：

對所述有效工件圖像運用有監督過渡區域分割方法和尺寸濾波方法，得到有效工件區域；

對所述有效工件區域和所述有效工件圖像運用工件範圍比對、形態學開運算和連通成分分析方法，得到候選毛刺區域；

對所述候選毛刺區域運用方向差異判定方法，得到所述毛刺缺陷。

優選地，所述對所述候選毛刺區域運用方向差異判定方法，得到所述毛刺缺陷，具體包括：

對所述候選毛刺區域運用形態學邊緣檢測和連通成分分析方法，得到毛刺邊緣輪廓；

對所述毛刺邊緣輪廓上均勻分布的三個點，計算以中間點為頂點的三點間的夾角值；

用所述三點間的夾角值減去所述三個點的間距與所述工件半徑的比值，得到在給定點間距離下的在當前點的歸一化角度變化值；

將在不同點的位置和點間距離的情況下，所述歸一化角度變化值的最大值確定為方向差異特徵，從而得到所述毛刺缺陷。

優選地，所述對所述正面工件圖像運用顏色顯著性和矩形特徵判定方法，得到色差缺陷，具體包括：

對所述正面工件圖像運用顏色統計特徵和自適應分割閾值判定方法，得到色差分割圖像；

對所述色差分割圖像運用形態學開運算和連通成分分析方法，得到候選色差區域圖像；

對所述候選色差區域圖像運用矩形特徵判定方法，得到所述色差缺陷。

優選地，所述對所述候選色差區域圖像運用矩形特徵判定方法，得到所述色差缺陷，具體包括：

對所述候選色差區域圖像運用中心四周差異算子，得到極值矩形特徵；

對所述候選色差區域圖像分別運用0度、45度、90度和135度方向的小波矩形算子，得到四個方向矩形特徵；

若所述候選色差區域在Y空間的矩形特徵值大於第一設定值或者在IQ空間的矩形特徵值大於第二設定值，則判定所述候選色差區域為所述色差缺陷；其中，所述矩形特徵包括所述極值矩形特徵和所述方向矩形特徵。

優選地，所述對所述反面工件圖像運用金屬範圍計算，得到工件金屬部分圖像，具體包括：

對所述反面工件圖像運用分塊顏色差異分析方法，得到金屬相似度圖像；

對所述金屬相似度圖像運用有監督過渡區域分割方法、形態學開運算和尺寸濾波方法，得到金屬分割圖像；

對所述金屬分割圖像運用其在極坐標系下的最外邊緣和最內邊緣信息，得到金屬區域的內外邊緣信息；

對所述金屬區域的內外邊緣信息運用最小二乘擬合方法，得到所述軸承密封件反面金屬區域的位置和大小信息，並將所述反面金屬區域的位置和大小信息所對應幾何區域的圖像確定為所述工件金屬部分圖像。

優選地，所述對所述工件金屬部分圖像運用亮度顯著性和顏色變換方法，得到溢膠和鏽蝕缺陷，具體包括：

對所述工件金屬部分圖像運用亮度顯著性和金屬相似度分析方法，得到溢膠分割圖像；

對所述溢膠分割圖像運用形態學開運算和連通成分分析方法，得到溢膠缺陷；

對所述工件金屬部分圖像運用顏色變換方法，得到鏽蝕顏色特徵；

對所述工件金屬部分圖像運用所述鏽蝕顏色特徵和亮度特徵分析方法，得到鏽蝕分割圖像；

對所述鏽蝕分割圖像運用形態學開運算和連通成分分析方法，得到鏽蝕缺陷。

優選地，所述對所述鏽蝕分割圖像運用形態學開運算和連通成分分析方法，得到鏽蝕缺陷，具體包括：

對所述鏽蝕分割圖像運用形態學開運算去除噪聲；

對形態學開運算的結果運用連通成分分析方法得到所述鏽蝕缺陷。

本發明實施例提供一種基於視覺的軸承密封件缺陷檢測方法，通過獲取軸承密封件圖像；對軸承密封件圖像運用圖像分割和目標關聯方法，得到軸承密封件的工件圖像；對工件圖像運用工件範圍計算，得到軸承密封件的有效工件圖像；對有效工件圖像運用工件範圍比對和方向差異判定方法，得到毛刺缺陷；對有效工件圖像運用直方圖分析方法，得到正面工件圖像和反面工件圖像；對正面工件圖像運用顏色顯著性和矩形特徵判定方法，得到色差缺陷；對反面工件圖像運用金屬範圍計算，得到工件金屬部分圖像；對工件金屬部分圖像運用亮度顯著性和顏色變換方法，得到溢膠和鏽蝕缺陷。通過本發明實施例解決了軸承密封件的在線檢測問題，克服了人工離線抽檢方法效率低、容易疲勞、質量無法保證的缺陷，可滿足軸承生產廠家提升自動化水平的需要。

附圖說明

圖1為根據本發明實施例的基於視覺的軸承密封件缺陷檢測方法的流程示意圖；

圖2a為根據本發明實施例的工件圖像提取示意圖；

圖2b為根據本發明實施例的當軸承密封件在攝像機視野中心時輸出的工件圖像；

圖3為根據本發明實施例的有效工件圖像提取示意圖；

圖4為根據本發明實施例的毛刺缺陷檢測結果示意圖；

圖5為根據本發明實施例的計算極值矩形特徵和方向矩形特徵的計算模板示意圖；

圖6為根據本發明實施例的色差缺陷檢測結果示意圖；

圖7為根據本發明實施例的溢膠缺陷檢測結果示意圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明的實施方式做進一步地詳細描述。

本發明實施例的主要思想是：利用機器視覺光源(例如：RL-170-20-W)控制環境亮度，以高解析度工業攝像機實時採集的圖像為主要信息源，採用視覺圖像處理對工件進行定位和分析，實現軸承密封件缺陷的在線檢測，確定工件的缺陷位置和類型。

本發明實施例提供一種基於視覺的軸承密封件缺陷檢測方法。如圖1所示，該方法可以包括：

S100：獲取軸承密封件圖像。

本步驟可以使用高解析度工業攝像機(例如：MV-3000UC，300萬象素)實時採集軸承密封件圖像。利用高解析度工業攝像機克服了人工檢測效率低和質量無法保證的缺陷。

S110：對軸承密封件圖像運用圖像分割和目標關聯方法，得到軸承密封件的工件圖像。

其中，本步驟可以將實時採集的軸承密封件圖像運用圖像分割和目標關聯，得到軸承密封件在攝像機視場中心時的工件圖像。

具體地，本步驟額可以進一步包括：

S111：對軸承密封件圖像運用有監督過渡區域分割方法和連通區域分析方法，得到候選工件區域。

在實際應用中，可以採用下採樣實時採集的方式，這樣可以減少工作量。

下面以一優選實施例的方式來詳細說明得到候選工件區域的過程。

步驟A1：統計軸承密封件圖像的灰度直方圖，並利用ISODATA算法求得分割圖像所需要的閾值，記為t2a1。

步驟A2：判定閾值在帶寬內的像素比例；如果比例不大，則執行步驟A3；若t2a1在20帶寬內的像素比例大於70％，執行步驟A4。

步驟A3：確定存在工件，且t2a1在背景和工件亮度之間，

步驟A4：確定當前時刻圖像中不存在工件，直接返回步驟A1；

步驟A5：求得軸承密封件圖像的灰度直方圖的峰值，記為t2a2。

步驟A6：根據以下公式計算圖像分割的閾值：

t2a3＝1.1t2a1-0.1t2a2

其中，t2a3表示圖像分割的閾值。

步驟A7：根據t2a3兩邊亮度值的像素個數，判斷出目標的明暗，並以此分割圖像，得到候選工件區域。

S112：對候選工件區域運用其大小和位置信息，得到當前時刻圖像中的工件區域信息。

在具體實施過程中，可以運用連通成分分析技術得到尺寸大於一定數量像素(例如：2000像素)的目標區域信息；然後合併相互有重疊部分的區域，並得到最終的工件區域信息。

S113：對當前時刻圖像中的工件區域信息運用目標關聯方法，得到工件運動軌跡信息。

下面以一優選實施例來詳細說明得到工件運動軌跡信息的過程。

步驟B1：把當前時刻圖像中的工件區域信息按照其出現的時間排序。

步驟B2：判斷目標軌跡庫中是否有工件區域信息；若無，則執行步驟B3。

步驟B3：把當前時刻的工件區域信息存入目標軌跡庫中，返回步驟B1。

步驟B4：對每一個目標軌跡，加上速度預測，查找與其最匹配的當前時刻圖像中的工件區域信息；若有，則執行步驟B5；否則，執行步驟B6。

步驟B5：找出與其最匹配的當前時刻圖像中的工件區域信息，並將其加入目標軌跡中。

步驟B6：刪除該目標軌跡。

若沒有和當前目標軌跡匹配的工件區域信息，則說明目標離開了視野，那麼就刪除該目標軌跡。

步驟B7：判斷是否存在和當前工件區域信息匹配的目標軌跡，若無，則執行步驟B8。

步驟B8：添加目標軌跡。

若沒有和當前工件區域信息匹配的目標軌跡，則說明工件進入了視野，添加目標軌跡。

步驟B9：判斷工件的運動速度是否為零，若是，則執行步驟10。

步驟B10：判定皮帶的運行方向及速度大小。

當工件的運動速度為0時，說明第一個目標出現，則利用該目標判定皮帶的運行方向及速度大小。

S114：對工件運動軌跡信息運用狀態估計方法，得到軸承密封件的工件圖像。

在實際應用中，如果採用高解析度工業攝像機進行實時採集，則本步驟對工件運動軌跡信息運用預測方法，得到的是軸承密封件在高解析度工業攝像機視場中心時的工件圖像，也即如果工件軌跡的當前位置加上預測速度的大小超過視野長度的一半，輸出工件圖像。

圖2a和圖2b示例性地示出了工件圖像提取示意圖。其中圖2a的矩形區域11和矩形區域12為經過圖像分割、連通成分分析和目標關聯後所得到的目標軌跡信息；圖2b為當軸承密封件在攝像機視野中心時輸出的工件圖像(也即圖2a中矩形區域12的放大示意圖)。

S120：對工件圖像運用工件範圍計算，得到軸承密封件的有效工件圖像。

具體地，本步驟可以進一步包括：

S121：對工件圖像運用有監督過渡區域分割方法和尺寸濾波方法，得到有效工件區域。

在實際應用中，本步驟可以通過以下優選方式來實現。

步驟C1：統計工件圖像的灰度直方圖，並利用ISODATA算法求得分割圖像所需要的閾值。

步驟C2：利用閾值分割工件圖像，得到候選工件區域。

步驟C3：利用尺寸濾波器去除面積小於工件圖像1％的噪聲，得到有效工件區域。

步驟C4：判斷工件圖像邊緣地區是否有工件區域，若有，則執行步驟C5。

步驟C5：判定工件出界，且判定為不合格產品。

如果在工件圖像邊緣地區有工件區域，則判定工件出界，且為不合格產品。

S122：對有效工件區域運用其在極坐標系下的最外邊緣和最內邊緣信息，得到有效工件區域的內外邊緣信息。

下面以一優選實施例來詳細說明得到有效工件區域的內外邊緣信息的過程。

步驟D1：以工件圖像中心為原點，在採樣角度方向均勻取720個採樣點。

步驟D2：沿著每一個採樣角度方向，從外至裡掃描，以第一個目標點為外邊緣上的點。

步驟D3：以工件圖像中心為原點，統計出0度、90度、180度和270度四個方向上的目標點隨距離的變化情況，並以第一個非零點的距離減去10為內邊緣點的最小值。

步驟D4：以內邊緣的最小值為起點，沿著每一個採樣角度方向，從裡至外掃描，以第一個目標點為內邊緣上的點。

S123：對獲得的內外邊緣信息運用最小二乘擬合方法，得到軸承密封件的位置和大小信息。

S124：將軸承密封件的位置和大小信息所對應幾何區域的圖像確定為有效工件圖像。

下面以一優選實施例來詳細說明得到軸承密封件的位置和大小信息的過程。

步驟E1：對內、外邊緣信息做下採樣，初始化所有邊緣點為內點。

本步驟採用下採樣的方式可以減小計算量。

步驟E2：將當前點設置為外點，以所有的內點為基礎進行最小二乘橢圓擬合。

步驟E3：判斷邊緣點和擬合的橢圓的距離是否小於第一閾值，若是，則執行步驟E4。

其中，第一閾值較佳地可以取0.02。

步驟E4：判定邊緣點為內點。

步驟E5：重複步驟E2和步驟E3，直到所有的採樣邊緣點都被處理過，輸出基於採樣點的軸承密封件的位置和大小信息。

步驟E6：針對所有的內外邊緣信息，將內外邊緣和基於採樣點擬合的橢圓的距離小於第二閾值的點確定為內點。

其中，第二閾值較佳地可以取0.01。

步驟E7：利用所有內點擬合得到軸承密封件的位置、長軸、短軸、傾斜角等信息。

步驟E8：將軸承密封件的位置和大小信息所對應幾何區域的圖像確定為有效工件圖像。

上述有效工件圖像也即根據外橢圓和內橢圓的幾何參數得到軸承密封件對應的圖像區域。

圖3為根據本發明實施例的有效工件圖像提取示意圖，圖中的外橢圓和內橢圓為對有效工件圖像進行工件範圍計算所得到的工件幾何區域。

S130：對有效工件圖像運用工件範圍比對和方向差異判定方法，得到毛刺缺陷。

具體地，本步驟可以進一步包括：

S131：對有效工件圖像運用有監督過渡區域分割方法和尺寸濾波方法，得到有效工件區域。

作為示例，本步驟可以通過以下優選方式予以實現：統計圖像的灰度直方圖，並利用ISODATA算法求得分割圖像所需要的閾值，並以此分割圖像，得到候選工件區域；然後，利用尺寸濾波器去除面積小於工件圖像大小1％的噪聲，從而得到有效工件區域。

S132：對有效工件區域和有效工件圖像運用工件範圍比對、形態學開運算和連通成分分析方法，得到候選毛刺區域。

下面以一優選實施例來詳細說明確定候選毛刺區域的過程。

步驟F1：判斷當前點是否為有效工件區域的點，以及其是否在有效工件圖像之外，若是，則確定當前點為候選毛刺點。

步驟F2：判斷當前點是否為有效工件區域的點，以及其距離外橢圓或者內橢圓的距離是否小於1，若是，則其為候選毛刺點。

步驟F3：對候選毛刺點應用形態學開運算去除狹長帶狀區域噪聲。

步驟F4：運用連通成分分析得到缺陷尺寸大於用戶設定值的候選毛刺區域。

S133：對候選毛刺區域運用方向差異判定方法，得到毛刺缺陷。

下面以一優選實施例來詳細說明步驟S133得到毛刺缺陷的過程。

步驟G1：對候選毛刺區域運用形態學邊緣檢測和連通成分分析方法，得到毛刺邊緣輪廓。

在實際應用中，根據實際情況可以得到8鄰域連通的單像素寬的毛刺邊緣輪廓。

步驟G2：對該毛刺邊緣輪廓上均勻分布的三個點，計算以中間點為頂點的三點間的夾角值。

步驟G3：用三點間的夾角值減去三個點的間距與工件半徑的比值，得到在給定點間距離下的在當前點的歸一化角度變化值。

步驟G4：將在不同點的位置和點間距離的情況下，歸一化角度變化值的最大值確定為方向差異特徵，從而得到毛刺缺陷。

圖4示例性地示出了毛刺缺陷檢測結果示意圖，圖中矩形框a為對有效工件圖像運用工件範圍比對和方向差異判定方法，得到的毛刺缺陷。

S140：對有效工件圖像運用直方圖分析方法，得到正面工件圖像和反面工件圖像。

S150：對正面工件圖像運用顏色顯著性和矩形特徵判定方法，得到色差缺陷。

具體地，本步驟可以進一步包括：

步驟S151:對正面工件圖像運用顏色統計特徵和自適應分割閾值判定方法，得到色差分割圖像。

下面以一具體實施例來詳細說明得到色差分割圖像的過程。

步驟H1：計算正面工件圖像中間4/5區域內像素的YIQ(亮度色彩飽和度)的平均值作為工件的顏色標準值。

步驟H2：選擇以半徑為20的圓周上均勻分布的20個點為自適應鄰域分析點。

步驟H3：若當前點和鄰域點的灰度差值大於37或IQ空間(色調空間)的差值大於12，則當前點為候選色差點。

步驟H4：若當前點和鄰域點的灰度差值大於20或IQ空間的差值大於7，則當前點的特徵值(記為susan)加1，若susan值大於6，則當前點為候選色差點，並將候選色差點為前景點所組成的圖像確定為色差分割圖像。

步驟S152:對色差分割圖像運用形態學開運算和連通成分分析方法，得到候選色差區域圖像。

舉例來說，在一種可選的實現方式中，本步驟可以運用形態學開運算去除噪聲，然後運用連通成分分析方法得到大於用戶設定值的候選色差區域。

步驟S153:對候選色差區域圖像運用矩形特徵判定方法，得到色差缺陷。

在步驟S153中，矩形特徵是指不同尺度下極值矩形特徵和方向矩形特徵的最大值。矩形特徵的計算可以採取如下步驟來實現：對候選色差區域圖像運用中心四周差異算子，得到極值矩形特徵；對候選色差區域圖像分別運用0度、45度、90度和135度方向的小波矩形算子，得到四個方向矩形特徵。

下面以一具體實施例來詳細說明步驟S153的過程。

步驟I1：對候選色差區域圖像運用中心四周差異算子，得到極值矩形特徵。

在具體實施過程中，中心四周差異算子可以選擇尺度為s的中心四周差異算子。

步驟I2：對候選色差區域圖像分別運用0度、45度、90度和135度方向的小波矩形算子，得到四個方向矩形特徵。

在具體實施過程中，小波矩形算子可以採用尺度為s的0度、45度、90度和135度方向的小波矩形算子。

圖5示例性地示出了用於計算極值矩形特徵和方向矩形特徵的計算模板。其中，w表示色差候選區域圖像的寬度，sw表示中心區域的大小，矩形特徵的值等於黑色區域對應的圖像亮度的平均值與白色區域對應的圖像亮度的平均值的差(灰色區域不參與運算)。優選地，矩形特徵是指s在0.1倍至0.3倍目標尺度取值時，極值矩形特徵和方向矩形特徵的最大值。本步驟分別得到候選色差區域在Y空間和IQ空間的矩形特徵值。

步驟I3：若候選色差區域在Y空間(亮度空間)的矩形特徵值大於第一設定值或者在IQ空間的矩形特徵值大於第二設定值，則判定候選色差區域為色差缺陷。

其中，第一設定值例如可以為25；第二設定值例如可以為7；矩形特徵包括極值矩形特徵和方向矩形特徵。

圖6示例性地示出了色差缺陷檢測典型結果，圖中矩形框b為對正面工件圖像運用顏色顯著性和矩形特徵判定，得到的色差缺陷。

S160：對反面工件圖像運用金屬範圍計算，得到工件金屬部分圖像。

具體地，本步驟可以進一步包括：

步驟S161:對反面工件圖像運用分塊顏色差異分析方法，得到金屬相似度圖像。

下面以一優選實施例來詳細說明得到金屬相似度圖像的過程。

步驟J1：取反面工件圖像中間1/5區域內的像素作為工件的金屬標準區域。

步驟J2：把反面工件圖像分成16個圖像塊，若每個圖像塊中不存在金屬標準區域，則返回步驟J1。

步驟J3：對每個圖像塊，計算其金屬標準區域的YIQ的平均值作為金屬顏色標準值，並將反面工件圖像上的其他點的YIQ值與平均值的距離確定金屬相似度圖像。

步驟S162:對金屬相似度圖像運用有監督過渡區域分割方法、形態學開運算和尺寸濾波方法，得到金屬分割圖像。

下面以一優選實施例來詳細說明得到金屬分割圖像的過程。

步驟K1：統計金屬相似度圖像的灰度直方圖，設定金屬區域的最小比例為20％，並利用ISODATA算法求得分割圖像所需要的閾值，並以此分割圖像，得到候選工件區域。

步驟K2：利用形態學開運算去除噪聲。

步驟K3：運用尺寸濾波器去除面積小於工件圖像1％的噪聲，得到金屬分割圖像。

步驟S163:對金屬分割圖像運用其在極坐標系下的最外邊緣和最內邊緣信息，得到金屬區域的內外邊緣信息。

下面以一優選實施例來詳細說明得到金屬區域的內外邊緣信息的過程。

步驟L1：以工件圖像中心為原點，且角度方向均勻取720個採樣點；沿著每一個採樣角度方向，從外至裡掃描，將第一個目標點確定為外邊緣上的點。

步驟L2：以工件圖像中心為原點，統計出0度、90度、180度和270度4個方向上的目標點隨距離的變化情況，將第一個非零點的距離減去10確定為內邊緣點的最小值。

步驟L3：以內邊緣的最小值為起點，沿著每一個採樣角度方向，從裡至外掃描，將第一個目標點為內邊緣上的點。

步驟S164:對金屬區域的內外邊緣信息運用最小二乘擬合方法，得到軸承密封件反面金屬區域的位置和大小信息，並將金屬區域的位置和大小信息所對應幾何區域的圖像確定為工件金屬部分圖像。

本步驟根據外橢圓和內橢圓的幾何參數得到軸承密封件金屬區域對應的圖像區域。

下面以一優選實施例來詳細說明得到軸承密封件反面金屬區域的位置和大小信息的過程。

步驟M1：對輸入的內外邊緣信息做採樣，初始化所有邊緣點為內點。

步驟M2：將當前點設置為外點，以所有的內點為基礎進行最小二乘橢圓擬合。

步驟M3：如果邊緣點和擬合的橢圓的距離小於0.02，則判定邊緣點為內點。

步驟M4：重複步驟M2和步驟M3直到所有的採樣邊緣點都被處理過，輸出基於採樣點的軸承密封件金屬區域的位置和大小信息。

步驟M5：對所有的內外邊緣信息，若其和基於採樣點擬合的橢圓的距離小於0.01，則確定為內點，並利用所有內點擬合得到最終的軸承密封件金屬區域的位置、長軸、短軸、傾斜角等信息。

S170：對工件金屬部分圖像運用亮度顯著性和顏色變換方法，得到溢膠和鏽蝕缺陷。

具體來說，本步驟可以進一步包括：

步驟S171:對工件金屬部分圖像運用亮度顯著性和金屬相似度分析方法，得到溢膠分割圖像。

在實際應用中，本步驟可以通過以下方式來實現：

步驟N1：計算金屬部分圖像的平均亮度值。

步驟N2：若金屬部分圖像上的像素的金屬相似度大於60且亮度值小於平均亮度值，則將該像素確定為溢膠分割圖像上的前景點。

步驟S172:對溢膠分割圖像運用形態學開運算和連通成分分析方法，得到溢膠缺陷。

舉例來說，本步驟可以對溢膠分割圖像運用形態學開運算去除噪聲；然後，運用連通成分分析方法得到大於用戶設定值的溢膠缺陷。

步驟S173:對工件金屬部分圖像運用顏色變換方法，得到鏽蝕顏色特徵。

步驟S174:對工件金屬部分圖像運用鏽蝕顏色特徵和亮度特徵分析方法，得到鏽蝕分割圖像。

下面以一優選實施例來詳細說明得到鏽蝕分割圖像的過程。

步驟O1：計算工件金屬部分圖像的平均亮度值。

步驟O2：計算顏色特徵值R-G。

顏色特徵值可反映出當前顏色的鏽蝕程度。

步驟O3：若工件金屬部分圖像上的像素的顏色特徵值大於用戶設定值且亮度值小於平均亮度值，則將該像素確定為鏽蝕分割圖像上的前景點。

步驟O4：選擇以半徑為20的圓周上均勻分布的20個點為自適應鄰域分析點，若當前點和鄰域點的灰度差值大於20或IQ空間的差值大於7，則將當前點的特徵值(記為susan)加1。

步驟O5：若susan值大於6，則將當前點確定為鏽蝕分割圖像上的前景點，並將由候選鏽蝕點為前景點所組成的圖像確定為鏽蝕分割圖像。

步驟S175:對鏽蝕分割圖像運用形態學開運算和連通成分分析方法，得到鏽蝕缺陷。

舉例來說，本步驟可以對鏽蝕分割圖像運用形態學開運算去除噪聲；然後，運用連通成分分析方法得到鏽蝕缺陷。

在實際應用中，可以預先設置用戶設定值，本步驟可以得到大於用戶設定值的鏽蝕缺陷。

本文中，方向差異特徵、矩形特徵、鏽蝕顏色特徵、以及缺陷尺寸的判定值可以根據實際情況設定。

圖7示例性地示出了溢膠缺陷檢測典型結果，圖中的金屬外橢圓和金屬內橢圓為對反面工件圖像運用視覺圖像處理和橢圓擬合，得到金屬部分圖像；矩形框c和矩形框d為對金屬部分圖像運用亮度顯著性和分析，得到的溢膠缺陷；矩形框e為對金屬部分圖像運用顏色變換分析，得到的鏽蝕缺陷。

本發明實施例通過高解析度工業攝像機實時採集軸承密封件在運動過程中的圖像；將實時採集的圖像運用圖像分割和目標關聯，得到軸承密封件在攝像機視場中心時的工件圖像；然後，通過工件範圍計算、工件範圍比對、方向差異判定、顏色顯著性分析、矩形特徵判定、金屬範圍計算、亮度顯著性分析和顏色變換，得到工件中存在的毛刺、色差、溢膠和鏽蝕缺陷的位置和類型，解決了軸承密封件的在線檢測問題。

以上各實施例僅用以說明本發明的技術方案，而非對其限制；儘管參照前述各實施例對本發明進行了詳細的說明，本領域的普通技術人員應當理解：其依然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特徵進行等同替換；而這些修改或者替換，並不使對應技術方案的本質脫離本發明各實施例技術方案的範圍。

本領域的技術人員應該明白，可以在形式上和細節上對本發明的技術思想和相關方法做各種各樣的改變，而不偏離所附權利要求書所限定的本發明的精神和範圍。