熊 建，廖海伸，徐高鵬，楊 巖

(重慶理工大學(xué)機(jī)械工程學(xué)院，重慶 400054)

0 引言

接觸疲勞是接觸類材料其接觸表面在長期循環(huán)接觸應(yīng)力作用下形成凹坑或麻點(diǎn)的一種表面疲勞破壞現(xiàn)象，這種現(xiàn)象會(huì)使材料在工作中噪音增大、磨損加劇、振動(dòng)及溫升，進(jìn)而導(dǎo)致材料失效，甚至引起整個(gè)機(jī)器的損壞[1-3]。在滾動(dòng)接觸疲勞試驗(yàn)中，實(shí)時(shí)地對(duì)試樣接觸疲勞進(jìn)行快速準(zhǔn)確的檢測和記錄，對(duì)材料失效判定、獲取材料疲勞性能以及研究材料失效演變過程具有重要意義。

隨著數(shù)字圖像處理和傳感器技術(shù)的發(fā)展，基于機(jī)器視覺的檢測方法具有非接觸、精度高、抗干擾性強(qiáng)，能實(shí)現(xiàn)定量檢測等優(yōu)點(diǎn)[4-6]，國內(nèi)外學(xué)者對(duì)其進(jìn)行了廣泛研究。楊長輝等[7]基于機(jī)器視覺設(shè)計(jì)了一套金屬材料滾動(dòng)接觸疲勞失效在線檢測系統(tǒng)，由于采用固定閾值提取目標(biāo)，導(dǎo)致檢測精度易受光照影響。文獻(xiàn)[8]提出基于機(jī)器視覺的胡蘿卜表面缺陷關(guān)鍵參數(shù)提取算法，實(shí)現(xiàn)了胡蘿卜表面缺陷檢測和在線分類。文獻(xiàn)[9]提出基于梯度圖像的全局自適應(yīng)閾值法對(duì)鋼表面缺陷進(jìn)行檢測，由于該方法在閾值的選擇過程中對(duì)圖像的局部特征關(guān)注不夠，導(dǎo)致部分缺陷邊緣未能正確識(shí)別，檢測精度不高。馬云鵬等[10]提出金屬表面缺陷自適應(yīng)分割算法，該算法可對(duì)多類金屬表面進(jìn)行分割，但分割耗時(shí)較長，對(duì)光照不均的表面分割時(shí)容易丟失細(xì)節(jié)信息。雖然基于機(jī)器視覺的檢測方法在各種工業(yè)生產(chǎn)中有了廣泛應(yīng)用，但將其用于試樣接觸疲勞檢測的研究相對(duì)較少，且存在以下不足：

(1)接觸疲勞試驗(yàn)環(huán)境復(fù)雜，容易出現(xiàn)誤檢或漏檢，影響檢測精度。

(2)由于實(shí)時(shí)在線檢測數(shù)據(jù)量大、干擾信息多，在保證檢測精度的前提下，難以做到快速檢測。

(3)現(xiàn)有的視覺檢測方法無法對(duì)試樣疲勞失效進(jìn)行定量分析。

針對(duì)以上難點(diǎn)，本文提出了一種基于機(jī)器視覺的試樣接觸疲勞實(shí)時(shí)檢測方法，在檢測速度、精度、抗干擾能力方面較對(duì)比方法均有不同程度的提高。

1 圖像采集系統(tǒng)與圖像特征分析

圖1(a)為本課題組自研的接觸疲勞試驗(yàn)機(jī)三維圖，其工作原理為：在模擬實(shí)際工況條件下，通過圖像采集系統(tǒng)實(shí)時(shí)采集試樣表面信息，其中圖像采集系統(tǒng)示意圖如圖1(b)所示，圖1(c)、圖1(d)為試樣原圖，隨后計(jì)算機(jī)對(duì)采集的圖片進(jìn)行處理分析，并根據(jù)結(jié)果判斷是否疲勞失效，當(dāng)試樣達(dá)到疲勞失效標(biāo)準(zhǔn)后立即停機(jī)，最后結(jié)合其他試驗(yàn)數(shù)據(jù)即可得到所測材料的接觸疲勞性能。可見，精確判定試樣是否疲勞失效對(duì)提高試驗(yàn)結(jié)果準(zhǔn)確率至關(guān)重要。

圖1 試驗(yàn)設(shè)備及試樣

接觸疲勞主要表現(xiàn)為凹坑或麻點(diǎn)，圖2(a)是在試驗(yàn)中實(shí)時(shí)采集的一張典型圖片，該圖片可分為3個(gè)部分：非接觸區(qū)、接觸疲勞區(qū)和工作表面區(qū)。其中，工作表面上含有較多噪音、油痕以及反光不均導(dǎo)致的灰度差異，這些干擾因素會(huì)影響檢測精度，因此去除相關(guān)干擾很有必要。除此之外，非接觸區(qū)與接觸疲勞區(qū)灰度特征相近，將會(huì)增大圖像閾值分割難度，且由于少數(shù)試樣接觸疲勞發(fā)生在工作表面邊緣部分,如圖2(b)，使得現(xiàn)有算法會(huì)將其視為非接觸區(qū)，從而造成漏檢，因此，應(yīng)首先將工作表面從原圖中提取出來，對(duì)于降低漏檢率以及提高檢測精度都有重要意義。

(a)主試樣采集圖1

2 檢測方法

圖3記錄了10組40Cr試樣在滾動(dòng)疲勞試驗(yàn)中，從試樣初始狀態(tài)至出現(xiàn)接觸疲勞再到最后疲勞失效2個(gè)時(shí)間段的耗時(shí)占比統(tǒng)計(jì)表，可以發(fā)現(xiàn)，整個(gè)試驗(yàn)過程中70%左右的時(shí)間試樣都處于無接觸疲勞狀態(tài)，若整個(gè)過程都對(duì)采集的圖片進(jìn)行精確處理無疑會(huì)增大檢測時(shí)間、降低效率。

圖3 滾動(dòng)接觸疲勞試驗(yàn)各階段耗時(shí)統(tǒng)計(jì)

因此，針對(duì)試樣接觸疲勞檢測，提出一種先初步檢測，再?zèng)Q定是否對(duì)疲勞特征精確檢測的策略。檢測方法流程如圖4所示。

圖4 檢測方法流程

2.1 提取工作表面區(qū)

為了準(zhǔn)確提取出試樣工作表面區(qū)以降低漏檢率，設(shè)計(jì)了基于灰度值統(tǒng)計(jì)的分割算法。由于試樣工作表面區(qū)的尺寸大小是確定的，并且試樣非接觸區(qū)灰度整體偏暗，而工作表面區(qū)灰度整體偏亮，圖5為圖2(a)原圖每行像素平均灰度值統(tǒng)計(jì)圖，經(jīng)驗(yàn)證在圖中存在的2處較為明顯的突變區(qū)即為非接觸區(qū)與工作表面區(qū)的交界，于是，基于灰度值統(tǒng)計(jì)來分割工作表面是可行的。

圖5 每行像素平均灰度值統(tǒng)計(jì)

算法具體流程如下：

步驟1：讀取圖像，計(jì)算原圖的高H、寬W，設(shè)H為行數(shù)，W為列數(shù)。

步驟2：在原圖上構(gòu)建一個(gè)高為h、寬為W的矩形框，設(shè)其上邊框?qū)?yīng)的行數(shù)為i，其中h的值為工作表面區(qū)域的高。

步驟3：計(jì)算矩形框內(nèi)灰度值之和Si：

(1)

式中：G(i,j)為圖像中第i行第j列對(duì)應(yīng)像素點(diǎn)的灰度值。

步驟4：當(dāng)Si取得最大值時(shí)，i所對(duì)應(yīng)的值即為工作表面區(qū)域上邊緣在原圖中的行數(shù)，最后將此時(shí)矩形框內(nèi)的區(qū)域從原圖中提取出來，即可得到工作表面區(qū)。

圖6是用該算法對(duì)圖2處理后的結(jié)果，可見，目標(biāo)區(qū)域能準(zhǔn)確完整地分割出來，滿足提取要求。

(a)圖2(a)工作表面區(qū)域提取結(jié)果

2.2 疲勞特征初步檢測

按照YB/T 5345—2014《金屬材料滾動(dòng)接觸疲勞試驗(yàn)方法》規(guī)定的疲勞失效判定標(biāo)準(zhǔn)，當(dāng)工作表面的深層剝落面積≥3 mm2視為失效[11]。為避免漏檢，當(dāng)所檢測到的試樣接觸疲勞最大面積大于或等于0.1 mm2時(shí)，視其為出現(xiàn)麻點(diǎn)，同時(shí)進(jìn)入精確檢測階段，否則結(jié)束本輪檢測。

本文基于動(dòng)態(tài)閾值的分割思想，提出一種參數(shù)改進(jìn)的閾值算法進(jìn)行初步檢測。首先對(duì)工作表面圖像進(jìn)行均值濾波，隨后對(duì)圖像進(jìn)行二值化處理。

(2)

式中：T為偏移量；G(i,j)和H(i,j)分別為濾波之前和濾波之后圖像第i行第j列對(duì)應(yīng)像素點(diǎn)的灰度值；F(i,j)為分割結(jié)果圖。

該算法通過濾波器模板對(duì)圖像各像素進(jìn)行不同程度的平滑，然后對(duì)濾波前后圖像同一位置的灰度求差，當(dāng)差值大于或等于T時(shí)，該位置的像素點(diǎn)被選中。隨后通過連通域處理、空洞填充、特征檢測即可篩選得到上述算法分割后的目標(biāo)區(qū)域。最后通過計(jì)算面積最大區(qū)域的值，并與0.1 mm2比較，用于判斷是否進(jìn)行疲勞特征精確檢測。

該算法檢測精度主要受濾波器模板尺寸和偏移量T影響，因此本文通過實(shí)驗(yàn)對(duì)上述2個(gè)關(guān)鍵參數(shù)的選擇進(jìn)行改進(jìn)。

2.2.1 濾波器尺寸的選擇

實(shí)驗(yàn)發(fā)現(xiàn)，濾波器模板尺寸的選擇對(duì)分割效果有重要影響，圖7為在不同濾波器模板尺寸下的分割效果圖，當(dāng)尺寸選擇過小時(shí)，只能分割出一些“點(diǎn)”對(duì)象，隨著尺寸的增大，一些小的麻點(diǎn)逐漸被分割出來，最后較大的深層剝落也被完整分割。經(jīng)驗(yàn)證，當(dāng)濾波器模板尺寸取161×161時(shí)，能獲得相對(duì)最佳的分割效果。

圖7 不同濾波器模板尺寸的分割效果

2.2.2 偏移量T的確定

如果提取的工作表面圖像都有相同的灰度特征，那么取一個(gè)合適的固定T值即可達(dá)到好的分割效果。但是，提取的圖像是否有接觸疲勞、接觸疲勞的大小以及圖像的亮度等都是不確定的，取固定T值的方式會(huì)使算法的魯棒性降低。為了解決這一問題，對(duì)大量不同工作表面圖像進(jìn)行分割實(shí)驗(yàn)，通過統(tǒng)計(jì)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，合適的偏移量范圍與圖像的平均灰度值存在對(duì)應(yīng)關(guān)系，圖8為采用不同T值時(shí)該方法的分割準(zhǔn)確率，可以看出：當(dāng)偏移量T取圖像平均灰度值的35%～55%范圍內(nèi)時(shí)均能獲得較好的分割效果。本文取圖像平均灰度值的45%作為偏移量T的值。

圖8 不同T值時(shí)算法的分割準(zhǔn)確率

2.3 疲勞特征精確檢測

為了降低油痕、噪音、污漬等干擾因素對(duì)檢測結(jié)果的影響，對(duì)進(jìn)入精確檢測階段的目標(biāo)圖像首先進(jìn)行濾波。然后在初步檢測結(jié)果的基礎(chǔ)上，融合形態(tài)學(xué)處理和Otsu算法對(duì)濾波后的圖像進(jìn)行分割，提高了檢測速度和精度。

2.3.1 頻率域?yàn)V波

圖9(a)為典型工作表面圖像，圖像含有明顯的油痕、噪音和污漬。為了去除油痕，本文設(shè)計(jì)了陷波帶阻濾波器在頻率域?qū)D像進(jìn)行處理。首先對(duì)圖像進(jìn)行傅里葉變換得到該圖像關(guān)于原點(diǎn)對(duì)稱的傅里葉譜，如圖9(b)所示，譜中間部分有一段趨于垂直的高亮區(qū)域，這段區(qū)域是圖像中水平油痕的譜。圖9(c)是本文針對(duì)此類傅里葉譜設(shè)計(jì)的陷波帶阻濾波器，深黑色部分代表0，表示不被通過，目標(biāo)是去掉油痕的譜。用上述濾波器對(duì)原傅里葉譜進(jìn)行處理，再經(jīng)傅里葉反變換即可得到最終濾波后的圖像。如圖9(d)所示，經(jīng)濾波后的圖像大部分油痕已被去除，而圖像的重要邊緣和細(xì)節(jié)都被完整地保留了下來，圖像清晰度未受影響，得到了較好的處理效果。

圖9 頻率域?yàn)V波

2.3.2 空間域?yàn)V波

為了進(jìn)一步增強(qiáng)圖像，同時(shí)去除圖像噪音、污漬等干擾因素對(duì)后續(xù)分割的影響，本文采用雙邊濾波[12]在空間域?qū)D像進(jìn)行處理。

雙邊濾波是一種非線性濾波器，它不同于高斯濾波器主要考慮像素間空間鄰近度，還同時(shí)加入了像素間的相似程度考慮。圖10是圖9(d)經(jīng)雙邊濾波后的結(jié)果，圖中大部分噪音和污漬均被去除，同時(shí)圖像的邊緣和細(xì)節(jié)特征仍得到了很好的保護(hù)。

圖10 雙邊濾波結(jié)果

由于雙邊濾波器計(jì)算過程較為復(fù)雜，在處理大尺寸圖像時(shí)非常耗時(shí)。為了提高檢測效率，本文并不直接對(duì)頻率域?yàn)V波后的圖像進(jìn)行雙邊濾波，而是在本文2.3.3節(jié)中介紹的分割算法中使用。

2.3.3 圖像分割

同一圖像不同位置的凹坑或麻點(diǎn)往往具有不同的灰度特征，同時(shí)光照不均也將導(dǎo)致圖像局部之間出現(xiàn)灰度差異，采用傳統(tǒng)全局閾值難以找到一個(gè)最佳閾值同時(shí)實(shí)現(xiàn)對(duì)各目標(biāo)區(qū)域進(jìn)行準(zhǔn)確分割。

為了解決上述問題以提高檢測精度，目前，常見的兩大思路包括灰度均衡化[13]和局部閾值處理。其中，灰度均衡化由于需要對(duì)每個(gè)像素進(jìn)行處理，算法復(fù)雜、效率較低，不適合實(shí)時(shí)快速檢測，而圖像的單個(gè)局部區(qū)域灰度特征受光照不均的影響較小，并且對(duì)局部區(qū)域處理時(shí)不受其他區(qū)域干擾。因此，局部閾值處理是解決上述問題的可行方案?；诖?，本文提出一種基于初步檢測結(jié)果，融合形態(tài)學(xué)處理和Otsu算法[14]的局部閾值分割方法。

Otsu算法是一種使用聚類思想的自適應(yīng)分割算法，其簡化公式可表示如下：

g=w0×w1×(u0-u1)×(u0-u1)

(3)

式中：w0為前景像素點(diǎn)數(shù)在圖中的占比；w1為背景像素點(diǎn)數(shù)在圖中的占比；u0為前景的平均灰度值；u1為背景的平均灰度值。

步驟1：對(duì)2.1節(jié)提取的工作表面圖像采用2.3.1節(jié)介紹的頻率域?yàn)V波算法進(jìn)行濾波，以消除油痕對(duì)后續(xù)分割干擾。

步驟2：對(duì)初步檢測階段選擇的最大目標(biāo)區(qū)域進(jìn)行形態(tài)學(xué)膨脹處理，這一過程可使目標(biāo)在背景的占比盡可能最佳。

步驟3：將形態(tài)學(xué)膨脹處理后的二值化圖像與頻率域?yàn)V波后的圖像求差，得到含有目標(biāo)區(qū)域的局部圖像。

步驟4：對(duì)上一步驟得到的局部圖像進(jìn)行雙邊濾波，去除圖像噪音和污漬，相比直接對(duì)工作表面圖像進(jìn)行雙邊濾波，可極大縮短算法的運(yùn)行時(shí)間。

步驟5：對(duì)雙邊濾波后的圖像采用Otsu算法分割，該步驟對(duì)局部圖像進(jìn)行處理，很好地克服了Otsu算法處理大尺寸圖像耗時(shí)問題，提高了檢測效率。

步驟6：最后再次利用連通域處理、孔洞填充、特征檢測、面積計(jì)算等方法，即可實(shí)現(xiàn)對(duì)試樣接觸疲勞的精確定量檢測和疲勞失效判定。

本文方法簡化流程如圖11所示。

圖11 檢測方法流程圖

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證檢測方法的可行性和有效性,在接觸疲勞試驗(yàn)中實(shí)時(shí)采集的圖片庫中隨機(jī)選取500張圖片作為樣本，其中含有接觸疲勞的為140張，已達(dá)到疲勞失效標(biāo)準(zhǔn)的為48張。從2方面對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行評(píng)價(jià)，一方面是從視覺效果定性對(duì)比分析，另一方面根據(jù)實(shí)驗(yàn)數(shù)據(jù)定量對(duì)比分析。實(shí)驗(yàn)硬件如下：SZX12體視顯微鏡；計(jì)算機(jī)(i5-8G-win7)；Visual studio 2015編譯環(huán)境和halcon視覺庫。

3.1 定性對(duì)比實(shí)驗(yàn)

3.1.1 圖像濾波對(duì)比分析

中值濾波、非線性擴(kuò)散濾波、引導(dǎo)濾波具有保邊去噪的作用，在圖像濾波中得到了廣泛應(yīng)用。本文采用上述3種具有代表性的算法作為本文濾波方法的對(duì)比算法，實(shí)驗(yàn)結(jié)果如圖12所示?？梢钥闯觯兄禐V波在去除噪音方面具有較好的效果，但在去除噪音的同時(shí)也會(huì)使圖像變得模糊，特別是對(duì)小的邊緣和細(xì)節(jié)影響很大；非線性擴(kuò)散濾波在保護(hù)邊緣方面效果較好，同時(shí)也能去掉一些小的噪音，但是往往會(huì)對(duì)邊緣過度銳化，同時(shí)無法去除一些明顯的油痕；引導(dǎo)濾波在消除噪音方面取得了很好的結(jié)果，同時(shí)也能去掉部分小的油痕，不足之處是對(duì)大的油痕處理效果不佳，同時(shí)還會(huì)將小的接觸疲勞的邊緣淡化；本文算法在保護(hù)邊緣和消除噪音方面效果很好，優(yōu)于上述3種算法，同時(shí)在保證圖像清晰度和其他重要細(xì)節(jié)不被影響的前提下去除了絕大部分油痕等干擾信息，改善了后續(xù)處理效果。

圖12 不同濾波算法處理結(jié)果

3.1.2 圖像分割對(duì)比分析

由于近年來發(fā)表的文獻(xiàn)中鮮有針對(duì)滾動(dòng)接觸疲勞視覺檢測的研究，本文采用傳統(tǒng)金屬缺陷檢測的常用方法將其用于試樣接觸疲勞檢測，包括Otsu算法和基于直方圖的自動(dòng)全局閾值法作為本文方法的對(duì)比算法。另外，為了有一個(gè)相對(duì)直觀的參照，本文采用人工標(biāo)注法分割結(jié)果作為參考。實(shí)驗(yàn)對(duì)象包括出現(xiàn)細(xì)小接觸疲勞的圖像、發(fā)生接觸疲勞但未失效的圖像和發(fā)生接觸疲勞且失效的圖像等。為確保實(shí)驗(yàn)條件一致，在分割前均采用本文提出的圖像濾波方法進(jìn)行濾波，其部分實(shí)驗(yàn)結(jié)果如圖13、圖14、圖15所示。

圖13為采用不同算法處理出現(xiàn)細(xì)小接觸疲勞圖像的結(jié)果，可以看出：傳統(tǒng)Otsu算法未能得到正確的分割結(jié)果，其原因是目標(biāo)區(qū)域在圖像中的占比過??；而自動(dòng)全局閾值錯(cuò)誤地將整幅圖像全部分割(由于白色與背景色相同，僅此處以黑色代表被分割的對(duì)象)，經(jīng)分析，是因?yàn)樘幚淼墓ぷ鞅砻鎴D像的直方圖為單峰，該算法未能得到一個(gè)正確的分割閾值；圖13(d)為本文方法分割結(jié)果，該方法正確地將細(xì)小接觸疲勞從圖像中分割出來，與人工標(biāo)注法相比，得到了非常接近的實(shí)驗(yàn)結(jié)果。

圖13 出現(xiàn)細(xì)小接觸疲勞的不同算法處理結(jié)果

圖14和圖15為采用不同方法處理結(jié)果?？梢妭鹘y(tǒng)的Otsu算法無法得到正確的分割結(jié)果；自動(dòng)全局閾值能準(zhǔn)確定位接觸疲勞所在位置，但是出現(xiàn)了少分割現(xiàn)象，在以圖14體現(xiàn)的實(shí)驗(yàn)結(jié)果上表現(xiàn)的尤為明顯，這會(huì)導(dǎo)致對(duì)接觸疲勞的面積測量偏小，影響檢測精度；本文方法處理結(jié)果與人工標(biāo)注法結(jié)果高度接近，取得了很好的分割效果。

圖14 發(fā)生接觸疲勞但未失效的不同算法處理結(jié)果

圖15 發(fā)生接觸疲勞且失效的不同算法處理結(jié)果

綜合以上分析可得：針對(duì)試樣表面目標(biāo)區(qū)域的分割，傳統(tǒng)Otsu算法難以正確分割；基于直方圖的自動(dòng)全局閾值法分割結(jié)果受圖像的直方圖影響較大，且容易出現(xiàn)少分割現(xiàn)象，導(dǎo)致檢測結(jié)果偏??；本文方法在處理含有不同接觸疲勞的圖像時(shí)均取得了很好效果，滿足實(shí)時(shí)檢測要求。

3.2 定量對(duì)比實(shí)驗(yàn)

采用體視顯微鏡在20倍放大倍數(shù)下對(duì)樣本圖片對(duì)應(yīng)的試樣進(jìn)行拍照，然后對(duì)試樣接觸疲勞區(qū)進(jìn)行人工標(biāo)注，如圖16所示，根據(jù)比例尺計(jì)算出接觸疲勞區(qū)的面積作為真實(shí)值，最后將本文方法的檢測值經(jīng)標(biāo)定換算后與真實(shí)值進(jìn)行對(duì)比。表1是隨機(jī)抽取的12組對(duì)比數(shù)據(jù)，分析總的實(shí)驗(yàn)數(shù)據(jù)可以得出：本文方法針對(duì)含有接觸疲勞試樣的平均測量誤差為0.08 mm2,平均相對(duì)誤差為2.496%。經(jīng)分析驗(yàn)證，測量誤差主要來源于相機(jī)的標(biāo)定誤差和CCD線陣相機(jī)拍攝的圖片與試樣真實(shí)表面存在細(xì)微差別。除此之外，由于采用人工的方式對(duì)顯微圖像進(jìn)行標(biāo)注來計(jì)算真實(shí)面積，這一過程受人為主觀影響，也是測量誤差的來源之一。

圖16 顯微鏡及其拍攝圖

表1 試樣接觸疲勞面積測量實(shí)驗(yàn)結(jié)果

為了進(jìn)一步驗(yàn)證本文方法的可行性，在相同的實(shí)驗(yàn)環(huán)境下，選取文獻(xiàn)[7]和文獻(xiàn)[17]作為對(duì)比方法，從漏檢率、誤檢率[18]、檢測精度和平均耗時(shí)4個(gè)方面進(jìn)行評(píng)價(jià)，并做以下定義：

(4)

式中：Dr、Lr和Pr分別為試樣接觸疲勞檢測的漏檢率、誤檢率和檢測精度；N1、N2和N分別為含有接觸疲勞的樣本數(shù)、無接觸疲勞的樣本數(shù)和樣本總數(shù)；x、y分別為漏檢和誤檢個(gè)數(shù)；S1、S2分別為試樣接觸疲勞面積檢測值和真實(shí)值；tA、tT分別為每個(gè)樣本的平均檢測時(shí)間和總樣本的檢測時(shí)間。

表2為不同方法的檢測結(jié)果。從結(jié)果可以看出，針對(duì)試樣接觸疲勞檢測，本文方法相較于僅采用改進(jìn)的動(dòng)態(tài)閾值、文獻(xiàn)[7]和文獻(xiàn)[17]等方法在檢測精度上有不同程度的提高，在漏檢率和誤檢率上也有較大幅度降低。在檢測時(shí)間方面，由于本文采用了先初步檢測再確定是否對(duì)疲勞特征精確檢測的策略，在平均耗時(shí)方面相比對(duì)比文獻(xiàn)方法有很大降低。但本文方法仍然有較高的誤檢率，經(jīng)驗(yàn)證主要是因?yàn)闄z測算法會(huì)將少數(shù)大的油斑誤判為接觸疲勞。

表2 不同方法的檢測結(jié)果對(duì)比

4 結(jié)論

針對(duì)滾動(dòng)接觸疲勞試驗(yàn)中試樣接觸疲勞檢測存在的問題，本文提出了一種基于機(jī)器視覺的綜合檢測方法。具有以下優(yōu)點(diǎn)：

(1)基于灰度值統(tǒng)計(jì)設(shè)計(jì)了算法將試樣工作表面準(zhǔn)確分割出來，降低了漏檢率和后續(xù)處理工作量。

(2)提出了一種先初步檢測再確定是否對(duì)疲勞特征精確檢測的策略，極大地降低了檢測時(shí)間。

(3)設(shè)計(jì)了陷波帶阻濾波器并結(jié)合空間域?yàn)V波方法對(duì)圖像有針對(duì)性地分階段濾波，改善了試樣接觸疲勞檢測易受油痕、噪音以及污漬影響的問題。

(4)在初步檢測結(jié)果的基礎(chǔ)上，融合形態(tài)學(xué)處理和Otsu算法，提出了一種局部閾值分割法，克服了光照不均的影響，降低了算法計(jì)算量的同時(shí)提高了檢測精度。

實(shí)驗(yàn)結(jié)果表明，本文方法提高了檢測速度和檢測精度，大幅降低了漏檢率和誤檢率，滿足試樣接觸疲勞實(shí)時(shí)檢測要求,后續(xù)研究將針對(duì)油斑對(duì)檢測算法的干擾，進(jìn)一步降低誤檢率。