針對軸承生產企業套圈生產過程中普遍存在端面缺陷的問題與人工目檢的現狀，提出了基于機器視覺的軸承套圈端面缺陷在線檢測方法。首先，對套圈圖像預處理后進行邊緣檢測，采用四連通域定位套圈端面區域；其次，采用*小二乘法擬合端面輪廓以判別外形缺陷，采用極坐標變換將套圈環形端面拉伸成矩形，采用Sauvola局部二值化算法對矩形圖進行缺陷分割，并通過坐標系反變換與雙線性插值法將缺陷圖轉換回環形圖；*后，根據提取缺陷的圖像特征完成缺陷的識別與分類。現場測試表明，套圈端面檢測系統的整體識別準確率達98.6%。

軸承是保證機械裝備回轉精度不可或缺的基礎部件，軸承套圈在經過平面磨削加工后，其端面可能依然存在鍛廢、大小邊、磕碰傷、車廢、磨傷、黑皮等外觀缺陷。如果套圈端面存在缺陷，其作為外圓無心磨等后序工位的定位面，勢必影響加工精度和軸承的回轉精度，可能導致軸承使用過程中產生噪聲和振動，從而加速磨損，甚*引發機器故障。另一方面，端面缺陷套圈進入后續工序加工后剔除或成品進入市場后召回，都會給企業帶來物資與人力成本的極大浪費。因此，必須在平面磨削加工后將缺陷品剔除，避免流入后續工序。

目前，大多企業仍憑借質檢員肉眼與主觀經驗對套圈進行鑒定與判斷，質檢結果易受人為因素影響，檢驗標準難以保持一致，穩定性差且易漏檢。機器視覺具有精度高、效率高、實時性好等優點，是替代人工檢測的有效方法，例如：文獻[2]采用改進Otsu方法進行閾值化處理，利用八連通域標記識別技術實現了軸承端面的非接觸檢測；文獻[3]利用紋理單元解決了空氣軸承表面變化的光照強度影響圖像采集的問題。

在上述研究的基礎上，本文提出一種軸承套圈端面缺陷在線視覺檢測方法，采用四連通域、種子填充算法定位檢測區域，Sauvola局部二值化算法進行圖像分割，并基于多特征的外觀缺陷識別方法判別缺陷。

1.光源選擇與檢測區域定位

1.1 光源選擇

光源是視覺檢測系統不可或缺的組成部分，直接關系到成像質量。良好的照明方式可以凸顯目標區域的特征，減輕圖像處理工作量。

端面缺陷檢測成像面為圓環形金屬端面，具有一定的鏡面發射效應，且被測套圈尺寸跨度大，故采用球積分漫反射無影照明方式，照射面積大，光線集中且照射均勻，不會形成鏡面反射.

1.2 圖像預處理

圖像捕獲過程中存在的噪聲與干擾會降低圖像質量，增加后續邊緣檢測與圖像分割的難度因此，需要對原始圖像進行一定的預處理，消除圖像中的噪聲與干擾。由于端面環形區域外為背景區域，灰度值較低，均值濾波處理后的環形區域明暗對比變弱，圖像也變得模糊；中值濾波處理后的端面邊緣部分被黑色區域影響，邊緣細節丟失；而高斯濾波由于加權平均的特點，在去除噪聲的同時可以很好地保留圓環及其邊緣的細節。針對套圈端面區域與背景區域對比較大，并且需要檢測出細小缺陷的特點，選取大小為3×3，標準差為1的濾波窗口進行高斯濾波。

1.3 邊緣檢測

邊緣檢測是通過識別圖像中亮度發生明顯變化的部分確定需要識別圖像邊緣的位置。區域內灰度突變反映了圖像的重要變化，是價值極高的圖像特征。針對本研究，邊緣檢測可以很好地完成套圈端面區域與背景區域的劃分，更容易實現檢測區域的定位，為下一步處理做好準備工作。

常用的邊緣檢測算子包括Canny 算子、Sobel算子與Laplacian算子。Sobel算子對噪聲和灰度漸變的邊緣適應能力較強，但對圖像有平滑處理功能，適用于對精度要求不高的場合；Laplacian算子對噪聲的抗干擾能力較差，會將無效像素視為邊緣點，但會突出邊緣的對比度，適用于圖像銳化場景；Canny算子具備錯誤率低，定位能力強，邊緣像素響應單一等特性，被稱為*優秀的邊緣檢測器。Canny算子的抗噪聲干擾能力更強，對邊緣的定位能力較強，能檢測出真正的弱邊緣。因此，本文選取高低閾值比率為2:1的Canny 算子提取套圈端面圓環的2條輪廓。