阅读文章前辛苦您点下“关注”，方便讨论和分享，为了回馈您的支持，我将每日更新优质内容。

  在生产及加工的过程中，由于制造技术和生产的基本工艺的技术失误，可能会对汽车发动机涡轮增压器轴承造成缺陷，该缺陷的主要表现为轴承表面出现擦伤、磕碰损坏以及磨削过度的情况。

  这类情况的出现，如若不对其进行详细精确地检测，出厂后该类缺陷轴承会影响涡轮增压器的常规使用的寿命，会对驾驶者产生安全威胁。因此为了能够更好的保证汽车驾驶人员的生命安全，对轴承表面的光滑度进行计算，根据光滑程度判别其是不是真的存在缺陷。

  因此研究人员在这方面做了很多相关研究，并构建了一种实验检验测试平台，通过模板匹配算法对目标物体与缺陷区域的快速定位，以此来实现轴承体的自动检验测试功能。

  为了提高缺陷检验测试精度，机器视觉设计一种瓶口缺陷检验测试方法，利用图像分割方法和瓶口定位方法对瓶口的相关参数进行处理，并利用图像特征提取方法提取图像特征，直到检测结果满足对准确性和实时性的要求。

  虽然机器视觉的常规方法高效便捷，但是检测结果不够准确，当选取的轴承投影没有反映出轻微擦伤时的投影状况，则不会知道该轴承是否存在缺陷。为了加强检测结果的准确程度，研究人员提出了一种基于机器视觉的汽车发动机涡轮增压器轴承缺陷检测的新方法，那就是机器视觉。

  机器视觉，也称作计算机视觉，是指通过机器代替人眼进行数据测量和判别。通过利用机器视觉技术，加强了检测能力，提升了检测结果的准确性，本方法的创新之处在于针对较为复杂的图像数据。

  利用对尺度特征提取方法在区域分割的基础上，进行特征统计及提取，通过不同功能特点分 组进行特征集合，可准确反映出轻微擦伤时的投影状况。为国家的轴承缺陷检测提供一项先进的技术支持。

  在汽车发动机涡轮增压器轴承缺陷常规检测方法的基础上，提出的基于机器视觉的汽车发动机涡轮增压器轴承缺陷检测方法，该方法的操作流程如图1所示。根据上述的检测方法流程，深入讨论每一程序的具体操作内容，步骤如下。

  对于汽车发动机涡轮增压器的轴承进行缺陷检测，首先要对其检测图像进行预处理。图像在记录、成像和传送的过程中，会产生椒盐噪声、高斯噪声以及反射半点噪声，这些都会影响图像的生成效果。

  因此研究人员准备利用数学概念的几何形状分析法和数字分析法进行测探，即通过一个元素去控制一个图像，根据构成图像的要素之间的关系，对其做处理，提高图像的质量。

  随后便对轴承的检测背景进行估计，根据图像的成像因素，采用线性最小二乘法衡量其对于成像的影响，即根据求出的最小平均方差，确定可拟合的变化背景，因此拟合度计算公式为：

  公式中：σ1、σ 2 、σ3、σ 4 分别表示为每一方向上的背景信息影响因素，x表示因素突变值。根据此公式(1)计算平均方差：

  公式中：Xi表示所形成图像第i列的灰度数值。此时的计算结果为4个正方向上的背景信息因素，由于存在故障位置定位不准确的情况，还存在计算偏差，因此，对于其他方向上的信息干扰进行信息摘取修正，对中值滤波进行加权相加，此时修正后的背景估值为：

  公式中:根据上述拟合求得的λ2值进行修正，M表示中值滤波，a1与a2表示加权系数，且a1+a2=1，以此求得更加确切的检测背景。

  在对预处理后的图像进行缺陷检验测试后，研究人员还需要确定投影区域，并对此区域进行分割。先将轴承的成像在整体图像中进行定位，令其与背景进行分离，从而得到ROI即感兴趣区域，对此区域中的轴承进行判定，根据判定结果进行分割。

  轴承的图像包括上方背景区、中部成像区以及下部转盘区三个区域。选取图像沿着y轴分布，且每一部分的方向统一一致性，此时利用灰度投影算法，根据图像中灰度的投影分布规律进行分析，从而提取检测区域。根据公式结果，x轴上的灰度投影计算公式为：

  公式中：A为公式计算得到的背景估值，j(x，y) 为投影正态分布函数，根据该计算结果分析曲线特点，判定y轴上的轴承成像边界，得到如图2的投影曲线样本。

  图像中的4种曲线样本根据其排号分别为：无损伤样本、擦伤样本、磕碰伤样本以及过度削磨样本投影曲线。根据样本可知，不管是哪种型号规格的汽车发动机涡轮增压器轴承，其投影形状类似，上部背景区域没有检测物体，所以其为空白。

  底部区域因为反光的问题，令曲线存在一定程度的波动；而中间位置为轴承的主要成像区域，此区域因为轴承本身光滑，会出现反射反光现象，因此曲线波动剧烈。

  根据上述图像分析结果，设置区域ROI计算算法，并对灰度投影曲线进行均值滤波处理，将该曲线进行平滑值求导，令其过零点，再从零点上找出曲线的最大值点和次值点，设其横坐标为b1和b2，令(O，c1)和(C，c2) 作为控制点，建立矩形区域，此确定区域为ROI。

  由于此时的ROI区域中的，轴承成像边界比较模糊，会影响缺陷类别的划分，因此，采用波值变换分割算法，对轴承的成像区域进行精确分割，如图3所示。

  从图中可以看到，分割后的区域边界可能会存在错误，其一是把背景划分到目标区，其二是将目标像素划分到背景区域中。为了避免发生这样的情况，进行形态处理。在此处理中存在图像集合M和元素集合N，通常利用N对M进行运算操作。形态处理计算过程如下所示：

  公式中：P1和P2表示两次膨胀得到的区域，S1和S2表示两次腐蚀得到的区域，W1表示边界四周不属于目标范围的部分，W2表示边界四周属于目标区域的范围，W3表示不能确定的范围，由此区域分割结束。

  在区域分割的基础上，由于分割区域中的图像数据数量较大，因此，对这些数据进行特征统计及提取，根据这些特征建立规律子集，以此减少对沉积数据以及冗余数据的计算，加快检测。待检测缺陷的形状特征是缺陷识别的重要特征之 一，因此列举了如表1所示的常用形状特征。

  除此之外，还要对轴承的成像进行颜色特征提取。机器视觉下，轴承在光源、光照、物体反射的条件下，颜色分布呈发散状。假设色调为H，饱和度为Q，亮度为D，计算颜色分布：

  公式中：N表示分割区域参数，h表示色调分辨率。通过该颜色分辨模型得到轴承成像图的颜色特征，再对纹理进行特征统计。

  由于纹理图像的变化是有一定规律性的，具体表现在疏密、粗细、均匀性、规则性、线性、频率等属性，因此根据这些属性对纹理特征进行统计。设置图像区域为B(x，y)，大小为i×j，计算公式为：

  公式中：xi表示灰度级数，∫(x i )表示为灰度级数的出现概率函数，此为纹理特征统计结果。基于机器视觉进行特征提取，令选取的特征满足以下约束条件。

  第一个约束条件为可分性，即要有代表性，令其不仅仅能反映各方面的特点，又能体现对象个性；其次图形特征要有非常强劲的抗干扰性，保证不同光照、光源、形状等因素的影响程度较小且稳定，分割区域内图像内容特征值相近，再则令选取的各个特征之间彼此互不相关，具有独立性。

  对此利用对尺度特征提取方法，基于特征统计结果进行数据提取，通过函数或矩阵将图像变换到另一空间，采用的变换方法有频域变换和几何投影变换，将特征分组中的不同功能特点的数据进行提取，建立新的特征集合。根据该特征计算结果为：

  在得到图像特征后，根据此特征利用反向感知算法进行汽车发动机涡轮增压器轴承缺陷分类检测，检测主要利用的设备为多层感知器，该感知器的检测示意图如图4所示。

  该检测将工作信号进行正向发散传播，并设立期望值，当此信号达不到期望值时，将该信号定义为误差信号，并对此信号进行反向传播，由感知器输出端开始，逐层向下进行传播。

  选定系数初始测量值，令输入到感知器中的样本数据为a=(a0，a1，…，an-1)，检测其期望输出值为b=(b0，b1，…，bn-1)，实际输出值为c=(c0，c1，…，cn-1)，从输出端所在的层区向下逐渐反向调整系数，根据公式(8)，调整结果为：

  公式中：m和n表示为输入层节点，φmn 表示t时段输入层节点m到节点n之间的系数权值，γm表示m节点的数据特征，δn表示在节点n处的偏差，κ表示增益项。当n默认为输出端的层节点时，则：

  公式中：bn为节点n的期望输出值，cn为节点n的实际输出。当n节点中存在隐藏中间层时，则：

  公式中：u表示节点n的上一层所有节点数，ζnn表示在这两种节点下的系数收敛参数。根据求得的δn确定缺陷类型，从而实现基于机器视觉的汽车发动机涡轮增压器轴承缺陷检测的新方法。

  汽车发动机涡轮增压器轴承的损耗不断加大，为了保证人们日常出行的安全，汽车轴承的缺陷检验测试至关重要，需要对轴承进行精确的缺陷检测。

  提出基于机器视 觉的汽车发动机涡轮增压器轴承缺陷检测的新方法，可准确 判断当下轴承的损耗状态，判别是否需要更换轴承，为人们的生产生活提供保障。但目前所提出的方法还比较复杂，还要精简检测步骤，提高检测速度。