基于图像处理的轴承磨损检测方法及系统

摘要

本发明涉及人工智能技术领域，具体涉及一种基于图像处理的轴承磨损检测方法及系统，该检测方法包括：采集轴承磨损面的待测表面图像，轴承磨损面是由轴承磨损的侧面；利用模板图像块对待测表面图像进行遍历匹配得到相似度序列，相似度序列中大于预设的相似度阈值的相似度所对应的待测表面图像的区域为磨损区域；其中，模板图像块是预先生成的图像块，模板图像块的尺度小于待测表面图像的尺度；模板图像块的获取步骤包括根据历史随机采集的具有轴承磨损缺陷的磨损表面图像,提取磨损表面图像中的缺陷区域，缺陷区域为模板图像块，解决了传统模板匹配中利用整体模板所造成的无关缺陷区域对缺陷识别精度的影响。

权利要求

1.一种基于图像处理的轴承磨损检测方法，其特征在于，该检测方法包括：

采集轴承磨损面的待测表面图像，所述轴承磨损面是由轴承磨损的侧面；

利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列，所述相似度序列中大于预设的相似度阈值的相似度所对应的所述待测表面图像的区域为磨损区域；

其中，所述模板图像块是预先生成的图像块，所述模板图像块的尺度小于所述待测表面图像的尺度；所述模板图像块的获取步骤包括根据历史随机采集的具有轴承磨损缺陷的磨损表面图像,提取所述磨损表面图像中的缺陷区域，所述缺陷区域为所述模板图像块；

该检测方法包括对所述模板图像块进行优化的步骤：

根据所述缺陷区域的纹理特征和颜色特征的加权求和得到磨损指标，根据所述磨损指标对所述缺陷区域进行筛选得到优化后的所述模板图像块；

所述缺陷区域的颜色特征的获取步骤包括：

将所述缺陷区域转换为HSV颜色空间得到HSV图像，遍历所述HSV图像中缺陷区域的每个像素点得到的具有相同颜色特征的像素点的第二分布概率，根据每个像素点的所述第二分布概率得到所述缺陷区域的颜色信息熵，所述颜色信息熵为所述颜色特征；

其中，以所述HSV图像的缺陷区域中每个像素点的色调信息和明度信息组成第二二元组；根据所述第二二元组出现的次数得到所述第二分布概率；

所述缺陷区域的纹理特征的获取步骤包括：

遍历所述缺陷区域中的每一个像素点得到具有相同灰度特征的像素点的第一分布概率，根据每个像素点的所述第一分布概率得到所述缺陷区域的纹理信息熵，所述纹理信息熵为所述纹理特征；

其中，所述灰度特征是指以所述像素点为中心像素点，获取所述中心像素点的领域像素点；以所述中心像素点及其邻域像素点组成第一二元组；根据所述第一二元组出现的次数得到所述第一分布概率；

所述根据所述缺陷区域的纹理特征和颜色特征的加权求和得到磨损指标的获取步骤包括：采用如下计算公式计算得到磨损指标：

其中，为磨损指标，R为纹理特征，C为颜色特征， 为纹理特征的权重， 为颜色特征的权重。

2.根据权利要求1所述的一种基于图像处理的轴承磨损检测方法，其特征在于，所述根据所述磨损指标对所述缺陷区域进行筛选得到所述模板图像块的步骤之后，还包括优化步骤：对所述模板图像块进行多次的腐蚀操作，在每次腐蚀操作之后所述磨损指标出现变化时，停止腐蚀，并选取当前腐蚀操作之前的腐蚀图像作为优化后的所述模板图像块。

3.根据权利要求1所述的一种基于图像处理的轴承磨损检测方法，其特征在于，所述提取所述磨损表面图像中的缺陷区域的步骤包括：对所述磨损表面图像进行语义分割得到所述缺陷区域。

4.根据权利要求1所述的一种基于图像处理的轴承磨损检测方法，其特征在于，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的步骤，进一步包括优化匹配步骤：根据所述相似度的变化趋势自适应的调节匹配的步长。

5.根据权利要求1所述的一种基于图像处理的轴承磨损检测方法，其特征在于，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的步骤，进一步包括优化匹配步骤：在连续多个相似度的变化趋势相同时，增大匹配的步长。

6.根据权利要求1所述的一种基于图像处理的轴承磨损检测方法，其特征在于，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的方法采用归一化互相关算法来获取模板图像块和所述待测表面图像中每个匹配块的相似度。

7.一种基于图像处理的轴承磨损检测系统，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1‑6任意一项所述基于图像处理的轴承磨损检测方法的步骤。

说明书

基于图像处理的轴承磨损检测方法及系统

技术领域

[0001] 本发明涉及人工智能技术领域，具体涉及一种基于图像处理的轴承磨损检测方法及系统。

背景技术

[0002] 目前多数的电器设备中均包括马达，例如发动机和发电机等，马达因长时间的高速运转是最容易发生故障的部件，而主轴故障大多数是由于轴承故障引起的。因此，在主轴马达发生故障时会对轴承进行相应的检修，将主轴马达进行拆解一一检修故障，而对于轴承的磨损检测大多是依赖人工肉眼检测，检测效率较低且容易造成误检测，尤其是对于定子线圈的皮损断线等缺陷。在专利公开号为CN110246122A的专利中提出了通过图像数据库中的模板图像对采集到的轴承图像进行相似性度量，通过设定缺陷阈值实现对缺陷区域的识别。

[0003] 发明人在实践中，发现上述现有技术存在以下缺陷：

[0004] 采用整体轴承图像作为模板图像进行相似度计算，对比的整体图像的背景特征，图像匹配计算量较大，且对缺陷阈值精度要求过高，对噪声点反应灵敏，对局部较小的缺陷检测效果不好。

发明内容

[0005] 为了解决上述技术问题，本发明的目的在于提供一种基于图像处理的轴承磨损检测方法及系统，所采用的技术方案具体如下：

[0006] 第一方面，本发明一个实施例提供了一种基于图像处理的轴承磨损检测方法，该检测方法包括：

[0007] 采集轴承磨损面的待测表面图像，所述轴承磨损面是由轴承磨损的侧面；

[0008] 利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列，所述相似度序列中大于预设的相似度阈值的相似度所对应的所述待测表面图像的区域为磨损区域；

[0009] 其中，所述模板图像块是预先生成的图像块，所述模板图像块的尺度小于所述待测表面图像的尺度；所述模板图像块的获取步骤包括根据历史随机采集的具有轴承磨损缺陷的磨损表面图像,提取所述磨损表面图像中的缺陷区域，所述缺陷区域为所述模板图像块。

[0010] 进一步，该检测方法包括对所述模板图像块进行优化的步骤：根据所述缺陷区域的纹理特征和颜色特征的加权求和得到磨损指标，根据所述磨损指标对所述缺陷区域进行筛选得到优化后的所述模板图像块。

[0011] 进一步，所述缺陷区域的纹理特征的获取步骤包括：遍历所述缺陷区域中的每一个像素点得到具有相同灰度特征的像素点的第一分布概率，根据每个像素点的所述第一分布概率得到所述缺陷区域的纹理信息熵，所述纹理信息熵为所述纹理特征；其中，所述灰度特征是指以所述像素点为中心像素点，获取所述中心像素点的领域像素点；以所述中心像素点及其邻域像素点组成第一二元组；根据所述第一二元组出现的次数得到所述第一分布概率。

[0012] 进一步，所述缺陷区域的颜色特征的获取步骤包括：将所述缺陷区域转换为HSV颜色空间得到HSV图像，遍历所述HSV图像中缺陷区域的每个像素点得到的具有相同颜色特征的像素点的第二分布概率，根据每个像素点的所述第二分布概率得到所述缺陷区域的颜色信息熵，所述颜色信息熵为所述颜色特征；其中，以所述HSV图像的缺陷区域中每个像素点的色调信息和明度信息组成第二二元组；根据所述第二二元组出现的次数得到所述第二分布概率。

[0013] 进一步，所述根据所述磨损指标对所述缺陷区域进行筛选得到所述模板图像块的步骤之后，还包括优化步骤：对所述模板图像块进行多次的腐蚀操作，在每次腐蚀操作之后所述磨损指标出现变化时，停止腐蚀，并选取当前腐蚀操作之前的腐蚀图像作为优化后的所述模板图像块。

[0014] 进一步，所述提取所述磨损表面图像中的缺陷区域的步骤包括：对所述磨损表面图像进行语义分割得到所述缺陷区域。

[0015] 进一步，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的步骤，进一步包括优化匹配步骤：根据所述相似度的变化趋势自适应的调节匹配的步长。

[0016] 进一步，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的步骤，进一步包括优化匹配步骤：在连续多个相似度的变化趋势相同时，增大匹配的步长。

[0017] 进一步，所述利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列的方法采用归一化互相关算法来获取模板图像块和所述待测表面图像中每个匹配块的相似度。

[0018] 第二方面，本发明实施例提供了一种基于图像处理的轴承磨损检测系统，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

[0019] 本发明具有如下有益效果：

[0020] 本发明实施例通过采集轴承磨损面的待测表面图像，利用模板图像块对所述待测表面图像进行遍历匹配得到相似度序列，所述相似度序列中大于预设阈值的相似度所对应的所述待测表面图像的区域为磨损区域，不需要构建标准图像库，通过模板图像块对采集的待测表面图像进行模板匹配，提高缺陷识别精度，避免传统模板匹配中利用整体模板所造成的无关缺陷区域对缺陷识别精度的影响。利用历史采集的缺陷图像所得到的模板图像块能够根据实际缺陷图像的缺陷特征自适应的生成缺陷模板图像块，同时能偶提高系统泛化能力。

附图说明

[0021] 为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

[0022] 图1为本发明一个实施例所提供的一种基于图像处理的轴承磨损检测方法流程图。

具体实施方式

[0023] 为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于图像处理的轴承磨损检测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。

[0024] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

[0025] 本发明实施例以电动机为了，电机包括定子、转子和驱动转子转动的轴承，轴承在转动的过程中，由于其他原因会导致轴承精度下降，转子在轴承的驱动作用下会磨损定子表面，在定子的表面会出现明显的磨损痕迹。对于待检修的主轴马达来说，在拆解之后，通过机器视觉的方式采集并分析定子的表面图像，根据图像的特征判断是否为缺陷。

[0026] 下面结合附图具体的说明本发明所提供的一种基于图像处理的轴承磨损检测方法及系统的具体方案。

[0027] 请参阅图1，其示出了本发明一个实施例提供的一种基于图像处理的轴承磨损检测方法流程图，该方法包括以下步骤：

[0028] 步骤S001，采集轴承磨损面的待测表面图像，轴承磨损面是由轴承磨损的侧面；

[0029] 在轴承的开口处布置相机，相机位姿保证能够获取到轴承边缘易磨损区域的图像，采用稳定光源和固定相机位姿进行不同轴承图像获取。

[0030] 步骤S002，利用模板图像块对待测表面图像进行遍历匹配得到相似度序列，相似度序列中大于预设阈值的相似度所对应的待测表面图像的区域为磨损区域；其中，模板图像块是预先生成的图像块，模板图像块的尺度小于待测表面图像的尺度；模板图像块的获取步骤包括根据历史随机采集的具有轴承磨损缺陷的磨损表面图像,提取磨损表面图像中的缺陷区域，缺陷区域为模板图像块。

[0031] 为了能够提取到更加准确地缺陷特征，通过采集大量的存在轴承磨损缺陷的磨损表面图像，提取磨损表面图像中的缺陷区域，通过提取缺陷区域的特征信息来达到更加准确的提取特征的目的。

[0032] 其中，提取磨损表面图像中的缺陷区域的步骤包括：对磨损表面图像进行语义分割得到缺陷区域。具体的，在进行语义分割之前，首先对采集的磨损表面图像进行预处理，该预处理包括对磨损表面图像进行投影变换得到磨损表面图像的平面图像，对平面图像进行灰度化处理得到灰度图。由于相机所拍摄的图像存在近大远小的特点，因此将磨损表面图像进行投影变换为正视的平面图像以消除近大远小的现象。将历史采集的所有磨损表面图像所对应的灰度图作为训练集图像，对灰度图中的磨损缺陷进行标记：将磨损缺陷像素点标记为1、其他像素点标记为0。将标记后的灰度图输入语义分割网络中进行图像卷积提取灰度图的特征向量，并通过反卷积得到灰度图的缺陷分割图。语义分割网络采用Encoder‑Decoder结构，损失函数采用交叉熵损失函数。

[0033] 以该缺陷分割图作为遮罩提取表面图像中相应的缺陷图像，将表面图像对应的缺陷图像作为模板图像块，利用模板图像块对待测表面图像进行缺陷特征识别。

[0034] 在本发明实施例中采用归一化互相关算法（Normalized cross‑correlation，NCC）来获取模板图像块和待测表面图像中每个匹配块的相似度。该NNC算法为模板匹配中常用的一种算法，在其他实施例中还可以采用其他的能够实现相同功能的模板匹配算法。在本发明实施例中，利用NCC算法用过模板图像块对待测表面图像进行遍历匹配的步长为
3。

[0035] 优选的，为了达到对轴承的局部缺陷精准匹配识别的目的，根据各局部缺陷区域的缺陷特征进行多局部区域融合得到模板图像块。具体的，对模板图像块进行优化的步骤包括：根据缺陷区域的纹理特征和颜色特征的加权求和得到磨损指标，根据磨损指标对缺陷区域进行筛选得到优化后的模板图像块。

[0036] 其中，缺陷区域的纹理特征的获取步骤包括：遍历缺陷区域中的每一个像素点得到具有相同灰度特征的像素点的第一分布概率，根据每个像素点的第一分布概率得到缺陷区域的纹理信息熵，纹理信息熵为纹理特征；其中，灰度特征是指以像素点为中心像素点，获取中心像素点的领域像素点；以中心像素点及其邻域像素点组成第一二元组；根据第一二元组出现的次数得到第一分布概率。

[0037] 具体的：遍历缺陷区域中每个像素点，以遍历的像素点为中心像素点，计算该中心像素点的八邻域像素点的灰度均值。中心像素及其领域像素的灰度均值组成第一二元组记为 ，其中， 表示第 个中心像素点的灰度值， 表示第 个中心像素点的八邻域像素点的灰度均值。统计当前的缺陷区域内第一二元组所出现的次数相应的记为频数二元组，根据缺陷区域内所包含的像素点总数来统计不同二元组在磨损区域内的分布概率 ， 表示第 个第一二元组对应的频数二元组的分布概率， 表示第个第一二元组对应的频数二元组在缺陷区域的频数，表示像素点的下标，表示缺陷区域的像素点数量，根据第一二元组的分布概率得到缺陷区域的纹理信息熵
。纹理信息熵越大，说明缺陷区域的纹理越复杂，存在多个灰度级的像
素点，相应的该区域的磨损程度越大。

[0038] 其中，缺陷区域的颜色特征的获取步骤包括：将缺陷区域转换为HSV颜色空间得到HSV图像，遍历HSV图像中缺陷区域的每个像素点得到的具有相同颜色特征的像素点的第二分布概率，根据每个像素点的第二分布概率得到缺陷区域的颜色信息熵，颜色信息熵为颜色特征；其中，以HSV图像的缺陷区域中每个像素点的色调信息和明度信息组成第二二元组；根据第二二元组出现的次数得到第二分布概率。

[0039] 具体的，将缺陷区域图像进行灰度化逆变换得到RGB图像，对RGB图像进行HSV颜色空间变换得到HSV图像。相应的磨损区域每个像素点就有色调（H），饱和度（S）和明度（V）三个通道值，轴承磨损的特性包括：轴承表面存在红锈斑、因磨损产生的部分光滑区域也即轻微磨损、因磨损产生的缺失面也即严重磨损，由于轴承的磨损特性可知轴承磨损区域的表面可能会呈现出多种色调值且存在不同程度的明度差异，将HSV图像的缺陷区域中每个像素点的色调信息和明度信息组成第二二元组记为 ，其中， 表示第 个像素点的色调， 表示第 个像素点的明度。统计当前的缺陷区域内第二二元组所出现的次数相应的记为频数二元组 ，根据缺陷区域内所包含的像素点总数来统计不同第二二元组在磨损区域内的分布概率 ， 表示第 个第二二元组对应的频数二元组的分布概率， 表示第 个第二二元组对应的频数二元组在缺陷区域的频数，表示像素点的下标，表示缺陷区域的像素点数量。根据颜色的空间分布特征和颜色丰富度得到缺陷区域的颜色信息熵 。颜色信息熵越大，说明缺陷区域的颜色越复杂，就越可能存在多种磨损程度的组合磨损，相应的该曲线区域的磨损程度越大。

[0040] 进一步，由于在不同磨损程度的情况下，纹理信息熵可能仅能够反映表面的灰度分布变化，对于在不同层次的磨损需要借助颜色复杂度才能得到更准确的评价。因此，综合两个特征得到磨损指标，将磨损指标记为 ，则有：

[0041]

[0042] 其中， 为纹理特征的权重， 为颜色特征的权重。

[0043] 在本发明实施例中， 的取值为0.6， 的取值为0.4。

[0044] 根据磨损指标对所有缺陷区域进行筛选，将所有缺陷区域中磨损指标最大的所对应的磨损区域作为优化后的模板图像，以该优化后的模板图像对待测表面图像进行匹配。

[0045] 优选的，由于定子表面存在均匀分布的纹路，在纹路的凹槽部分不容易磨损。为了去除相邻缺陷区域之间的关联区域的评价影响，提高后续模板匹配的精度。根据磨损指标对缺陷区域进行筛选得到模板图像块的步骤之后，还包括优化步骤：对模板图像块进行多次的腐蚀操作，在每次腐蚀操作之后磨损指标出现变化时，停止腐蚀，并选取当前腐蚀操作之前的腐蚀图像作为优化后的模板图像块。在每次腐蚀操作之后磨损指标未出现变化时，则继续腐蚀，最多腐蚀四次，将腐蚀后的图像作为最终的优化后的模板图像。

[0046] 优选的，为了提高模板的匹配效率，实现待测表面图像的快速缺陷检测，利用模板图像块对待测表面图像进行遍历匹配得到相似度序列的步骤，进一步包括优化匹配步骤：根据相似度的变化趋势自适应的调节匹配的步长。

[0047] 具体的，基于轴承磨损的特性，当某个区域磨损时相邻的区域也会存在不同程度磨损，因此缺陷区域会存在聚集区域；相应的，正常区域的相邻区域也不容易出现磨损。为了提高模板匹配的速度，故在模板图像块匹配的过程中，在连续多个相似度的变化趋势相同时，增大匹配的步长。具体的，根据模板图像块与待测表面图像相应区域的相似度 的大小来自适应的调整匹配的步长；当沿同一个方向进行遍历时，连续相邻模板图像块得到的相似度在不断递增的过程中，改变遍历的步长，继续进行匹配；当图像相似度小于步长调节阈值时，增加步长。具体的，将调节后的步长记为 、调节量记为 ，则调节后的步长，其中，在本发明实施例中 ，步长调节阈值为0.1。

[0048] 为了保证模板图像块的匹配精度，根据相似度的变化趋势，对模板图像块的匹配步长进行回滚；当连续相邻模板图像块对应的相似度再次满足不断递增的过程时，模板图像块回滚一个步长，重新进行模板图像块的匹配，并恢复初始步长 。

[0049] 当模板图像块匹配完成时，将平面图像中模板图像块对应的相似度大于相似度阈值时所对应的区域标记为缺陷区域，达到对缺陷区域的快速检测。

[0050] 在本发明实施例中，相似度阈值的取值为0.5，在其他实施例中可以根据需要进行设定。

[0051] 不需要对全部轴承图像进行缺陷图像分析，特征提取，利用最小化优化模板能够实现快速缺陷检测。

[0052] 综上，本发明实施例通过采集轴承磨损面的待测表面图像，利用模板图像块对待测表面图像进行遍历匹配得到相似度序列，相似度序列中大于预设阈值的相似度所对应的待测表面图像的区域为磨损区域，不需要构建标准图像库，通过模板图像块对采集的待测表面图像进行模板匹配，提高缺陷识别精度，避免传统模板匹配中利用整体模板所造成的无关缺陷区域对缺陷识别精度的影响。利用历史采集的缺陷图像所得到的模板图像块能够根据实际缺陷图像的缺陷特征自适应的生成缺陷模板图像块，同时能偶提高系统泛化能力。

[0053] 基于与上述方法实施例相同的发明构思，本发明实施例还提供了一种基于图像处理的轴承磨损检测系统，该系统包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述任意一个实施例一种基于图像处理的轴承磨损检测方法的步骤。其中，一种基于图像处理的轴承磨损检测方法在上述实施例已经详细说明，不再赘述。

[0054] 需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

[0055] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

[0056] 以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。