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

摘要

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。
　　本文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％。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 前言

1.2 相关研究

1.3 研究的主要内容

2 铁路货车滚动轴承缺陷类型及识别

2.1 铁路货车滚动轴承表面的缺陷种类

2.2 图像处理与识别过程

2.3 识别过程中的难点

3 缺陷图像去噪

3.1 数字图像及其表示方法

3.2 图像对比度的增强

3.3 缺陷图像的滤波方法

3.4 小波变换去噪

3.5 本章小结

4 缺陷图像分割

4.1 图像分割的阈值选取

4.2 迭代法图像分割

4.3 Otsu方法图像分割

4.4 可变阈值的图像分割

5 目标缺陷的边缘检测

5.1 边缘检测算法

5.2 利用小波变换进行边缘检测

6 目标缺陷识别

6.1 模式识别概述

6.2 模式识别的方法

6.3 利用BP网络对缺陷进行分类

结论

致谢

参考文献