基于机器视觉的齿轮缺陷在线检测系统开发与精度提升

一、引言

齿轮作为机械传动系统中的关键部件，其质量直接影响机械设备的性能与可靠性。在现代制造业大规模生产模式下，传统的人工检测和接触式检测方法存在效率低、劳动强度大、检测精度不稳定等问题，难以满足高速、高精度的生产需求。机器视觉技术凭借非接触、速度快、自动化程度高等优势，逐渐成为齿轮缺陷检测的重要发展方向。开发基于机器视觉的齿轮缺陷在线检测系统，不仅能够提高检测效率和精度，还能实现生产过程的实时监控与质量控制，对推动制造业智能化发展具有重要意义。

二、检测系统硬件架构设计

2.1 工业相机选型

工业相机是机器视觉检测系统的核心，其性能决定检测效果。在齿轮缺陷检测中，选用高分辨率、高帧率的面阵工业相机，以捕捉齿轮表面微小缺陷细节并满足精度需求。例如，选择分辨率为 2048×2048 像素以上、帧率不低于30fps 的工业相机，确保准确检测出 0.01mm 级别的缺陷。

2.2 镜头选择

镜头将目标物体成像在工业相机的感光芯片上。根据齿轮尺寸和检测距离，选择合适焦距的镜头。优先选用畸变量小的远心镜头，以保证齿轮不同部位成像尺寸的一致性，提高尺寸测量精度。根据齿轮的具体检测要求，合理选择单远心或双远心镜头。

2.3 光源设计

合适的光源能增强齿轮表面缺陷与正常区域的对比度，提高图像质量。采用环形光源与条形光源相结合的方案，以突出表面的纹理和形状特征，适用于检测表面的划痕、磨损等缺陷；条形光源有助于检测齿形偏差、裂纹等缺陷。根据齿轮的材质和表面特性，调节光源的亮度和颜色，获取最佳成像效果。

2.4 图像采集与处理单元

图像采集卡将工业相机获取的图像信号转换为数字信号。选择具有高速数据传输接口的图像采集卡，保证数据传输的稳定性和实时性。计算机作为图像数据处理的核心，需要具备较强的计算能力和存储能力，运行复杂的图像处理算法和存储大量检测图像数据。通常选用高性能的工业计算机，配备多核处理器、大容量内存和高速存储设备。

三、检测系统软件算法实现

3.1 图像预处理

图像预处理是提高图像质量、增强缺陷特征的重要步骤，主要包括图像灰度化、滤波去噪、图像增强等操作。

灰度化处理将彩色图像转换为灰度图像，减少数据量，提高后续处理效率。常用的灰度化方法有加权平均法、最大值法等，根据齿轮图像的特点，选择加权平均法，按照不同颜色通道的重要程度分配权重，计算灰度值。

滤波去噪用于去除图像采集过程中引入的噪声，如高斯噪声、椒盐噪声等。中值滤波能够有效去除椒盐噪声，通过将图像中每个像素点的值替换为其邻域像素值的中值，在保留图像边缘信息的同时，消除噪声干扰；对于高斯噪声，采用高斯滤波进行处理，利用高斯函数对邻域像素进行加权平均，平滑图像。

图像增强通过调整图像的灰度分布，突出齿轮缺陷特征。采用直方图均衡化方法，将图像的灰度直方图进行拉伸，使图像的灰度范围更加均匀，增强图像的对比度，便于后续的缺陷识别。

3.2 齿轮图像特征提取

齿轮图像特征提取是缺陷检测的核心，涉及几何特征和纹理特征的提取。

几何特征包括齿形轮廓、齿顶圆、齿根圆等参数。利用边缘检测算法提取边缘轮廓，运用最小二乘法拟合齿顶圆和齿根圆，计算几何参数，判

断齿形偏差。

纹理特征用于检测磨损、裂纹等缺陷。采用灰度共生矩阵（GLCM）方法，计算不同灰度像素对的出现频率，提取能量、熵、对比度、相关性等纹理特征参数，反映纹理粗糙程度、灰度分布均匀性，判断表面缺陷。

3.3 缺陷识别与分类

提取齿轮图像特征后，使用模式识别算法进行缺陷识别与分类。支持向量机（SVM）是常用算法，具有良好的泛化能力和分类精度。将几何特征和纹理特征作为 SVM 输入向量，训练建立缺陷分类模型。实际检测中，输入待检测齿轮图像特征向量到模型，判断是否存在缺陷，并分类，如裂纹、磨损、齿形偏差等。

四、检测系统精度提升策略

4.1 系统标定优化

系统标定是建立图像坐标与实际物理坐标之间对应关系的过程，直接影响检测系统的测量精度。传统的标定方法通常采用棋盘格标定板进行标定，但在实际应用中，由于环境因素和设备安装误差的影响，标定精度难以满足高精度检测需求。因此，采用基于张正友标定法的改进标定方法，通过增加标定板的拍摄角度和数量，提高标定数据的冗余度，利用最小二乘法对多个标定结果进行优化拟合，减小标定误差。同时，定期对标定结果进行校准和更新，以适应设备长时间运行后的参数变化。

4.2 多传感器数据融合

单一的机器视觉检测系统在检测某些复杂缺陷时可能存在局限性。为提高检测系统的准确性和可靠性，引入多传感器数据融合技术。将机器视觉检测与激光位移传感器检测相结合，激光位移传感器能够精确测量齿轮的三维形貌信息，获取齿轮的齿廓偏差、齿向偏差等参数。通过数据融合算法，将机器视觉获取的图像信息与激光位移传感器获取的三维数据进行融合处理，相互补充和验证，提高对齿轮缺陷的检测能力。例如，对于齿轮表面的微小裂纹，机器视觉可能因光照条件等因素难以准确识别，而激光位移传感器可以通过检测表面高度变化发现裂纹的存在，两者数据融合后能够更准确地判断裂纹的位置和尺寸。

4.3 算法优化与参数调整

不断优化图像处理和缺陷识别算法，根据不同类型齿轮和缺陷的特点，调整算法参数。例如，在边缘检测算法中，根据齿轮表面的复杂程度和噪声水平，合理调整 Canny 边缘检测算法的阈值参数，以准确提取边缘轮廓；在 SVM 分类模型中，通过交叉验证等方法优化核函数参数和惩罚因子，提高缺陷分类的准确率。同时，利用深度学习算法（如卷积神经网络 CNN）对传统算法进行改进，CNN 能够自动提取图像的特征，具有更强的特征表达能力和适应性，可进一步提高检测系统的精度和效率。

五、结论

本文成功开发了一套基于机器视觉的齿轮缺陷在线检测系统，并通过一系列精度提升策略提高了系统的检测准确性和稳定性。实验结果表明，该系统在齿轮缺陷检测方面具有较高的检测效率和精度，能够满足工业生产中的在线检测需求。未来，将进一步研究深度学习算法在齿轮缺陷检测中的应用，优化系统硬件结构，提高系统的智能化水平和适应性，以更好地服务于制造业的质量控制与发展。

参考文献

[1]吴兆中,张新娜,王栋,等.基于机器视觉的凸轮轴表面缺陷检测实验研究[J].机电工程,2025,42(04):697-705+797.

[2]唐睿晗.粉末冶金齿轮表面特征视觉检测技术研究[D].扬州大学,2024.

[3]王蕾.基于机器视觉的光伏丝印网版和蜗杆表面缺陷检测方法研究[D].华中科技大学,2024.DOI:10.27157/d.cnki.ghzku.2024.001342.