李夢琳 范 斌， 劉 勇 張 鵬 杜文亮 毛軍紅

(1.內(nèi)蒙古農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院 內(nèi)蒙古呼和浩特 010018；2.特種車輛及其傳動系統(tǒng)智能制造國家重點實驗室 內(nèi)蒙古包頭 014030；3.西安交通大學(xué)機(jī)械工程學(xué)院 陜西西安 710049)

油液監(jiān)測技術(shù)作為一種機(jī)械狀態(tài)監(jiān)測和故障診斷技術(shù)，已經(jīng)成為現(xiàn)代設(shè)備管理和設(shè)備維修方式的支撐技術(shù)之一[1]。離線鐵譜技術(shù)利用高梯度磁場的作用，使得磨粒按大小排列后，制成鐵譜片，然后通過電子顯微鏡獲取清晰譜片圖像，可提取磨粒的濃度、尺寸、形狀、顏色等特征信息，為實現(xiàn)磨損故障診斷和定位提供了有效途徑[2]。然而，離線鐵譜技術(shù)由于其取樣過程要求嚴(yán)格、代表性油樣獲取難、取樣數(shù)量有限、反應(yīng)速度慢、分析周期長、很大程度依賴于專家經(jīng)驗的定性分析，導(dǎo)致分析結(jié)果可能丟失掉捕捉磨損突發(fā)變化的機(jī)會[3]。在線鐵譜分析技術(shù)[4-5]彌補(bǔ)了這一缺點，可實時監(jiān)測被監(jiān)控對象，且對油液的狀態(tài)不進(jìn)行任何改變，所有操作都自動控制，避免了人工檢測分析對結(jié)果的影響。

然而，為了滿足在線應(yīng)用的需求，在線鐵譜傳感裝置的光學(xué)成像結(jié)構(gòu)簡單，放大倍率有限，獲取的鐵譜視頻圖像分辨率低(640×480)。另外，在潤滑油的使用過程中，由于循環(huán)流動與空氣接觸以及受到激烈攪動以及抗泡劑過度消耗時，使得潤滑油中已溶解或混入空氣在高溫作用下釋放會產(chǎn)生大量氣泡[6-7]。當(dāng)在線鐵譜傳感裝置在線實際應(yīng)用時，當(dāng)潤滑油攜帶的氣泡流經(jīng)采集區(qū)域，由于氣泡的運動和離焦現(xiàn)象，使得捕獲的在線鐵譜視頻圖像具有高干擾、高模糊的特點。

以往在離線分析鐵譜應(yīng)用中，為了提供快速、自動的磨粒分析結(jié)果，采用了一些計算機(jī)輔助分析方法[8]。諸如自動閾值法[9]、小波變換多閾值分割法[10]與改進(jìn)分水嶺算法[11]可以使磨粒分割的效果更佳；基于兩次K-means顏色聚類方法，解決了鐵譜圖像中亮暗磨粒同時存在的情況下磨粒提取不完全的問題[12]。然而由于在線鐵譜獲得的譜片分辨率低，加之氣泡的干擾，這些離線的計算機(jī)輔助分析方法很難移植到在線鐵譜視頻圖像處理當(dāng)中。因此在線鐵譜在油液不停流動情況下獲取的磨粒視頻圖像，因環(huán)境噪聲干擾嚴(yán)重、清晰度低，圖像處理和磨粒分析面臨挑戰(zhàn)。

本文作者針對在線鐵譜視頻圖像處理和磨粒分析面臨的氣泡高干擾問題，提出了一種氣泡高干擾在線鐵譜視頻圖像的磨?？焖俜指钏惴?。首先運用運動物體檢測的方法確定氣泡位置，并采用相鄰幀圖像信息對氣泡區(qū)域進(jìn)行處理，然后使用雙邊濾波對其平滑去噪，實現(xiàn)氣泡干擾的初步抑制；然后基于抑制圖像灰度直方圖分布，實現(xiàn)在線鐵譜視頻圖像的磨粒自適應(yīng)快速分割。該研究為后續(xù)磨粒特征分析和智能提取奠定了基礎(chǔ)。

1 氣泡高干擾在線鐵譜視頻圖像的磨?？焖俜指钏惴ㄔO(shè)計

采集到的在線鐵譜視頻圖像，具有氣泡密集且移動速度快的特點，遮擋磨粒，影響磨粒的信息提取與分割，如圖1所示。

圖1 高干擾在線鐵譜視頻圖像與清晰鐵譜圖像Fig 1 High interference online ferrography video images (a)(b) and clear ferrography image(c)

為了達(dá)到磨粒準(zhǔn)確分割的效果，首先要抑制在線鐵譜視頻圖像中的氣泡干擾，再實現(xiàn)磨粒與背景的分割。針對氣泡高干擾在線鐵譜視頻圖像的磨?？焖俜指钏惴鞒倘鐖D2所示。

圖2 氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法流程Fig 2 Flow of fast wears segmentation algorithm for onlineferrography video images in high interference of bubble

該算法步驟為：首先將在線鐵譜視頻圖像轉(zhuǎn)換為鐵譜灰度圖像進(jìn)行處理；然后根據(jù)前后相鄰幀差確定氣泡位置，同時比較前后兩幀與當(dāng)前幀氣泡位置的像素點灰度值差值，使用差值最小幀的像素值代替氣泡位置像素值，再運用雙邊濾波平滑圖像以實現(xiàn)氣泡抑制；最后對抑制氣泡后的每一幀鐵譜圖像獲取背景最小灰度值g，以0.9g作為閾值分割磨粒獲取二值鐵譜磨粒圖像，最終實現(xiàn)磨粒分割。

1.1 在線鐵譜視頻圖像氣泡干擾的抑制

對視頻圖像進(jìn)行處理時首先將視頻拆分成一幀一幀的灰度圖像，再對其進(jìn)行批量處理。抑制氣泡干擾首先要獲取氣泡所在位置，由于在線鐵譜視頻中的磨粒被吸附在基板上可以看作是不運動的，而氣泡在不停運動且移動速度快，所以為獲取氣泡位置可以采用運動物體檢測的方法。在線鐵譜視頻圖像拍攝時所采用的背景不變化，但由于氣泡遮擋關(guān)系，對光線的明暗產(chǎn)生細(xì)微影響，造成各幀圖像之間背景部分灰度值的差異。根據(jù)在線鐵譜視頻圖像以上特點，對氣泡干擾抑制首先運用幀差法，獲取運動氣泡的二值圖像，再對其進(jìn)行膨脹操作確定氣泡所在位置并代替，最后通過雙邊濾波獲得抑制氣泡噪聲后的在線鐵譜圖像。

1.1.1 幀差法獲取氣泡二值圖像

將視頻拆分成圖像序列，并根據(jù)YUV的顏色空間和RGB顏色空間的轉(zhuǎn)換關(guān)系將RGB圖像轉(zhuǎn)換為灰度圖像。原始圖像中任意點(i,j)的像素值為fij={Rij,Gij,Bij},對圖像按照式(1)進(jìn)行灰度化處理后得到像素值為f′ij={R′ij,G′ij,B′ij}。按照此序列的第n幀圖像記為fn，則第n+1幀圖像記為fn+1，兩幀對應(yīng)像素點灰度值分別記為fn(x,y)和fn+1(x,y)。幀差法采用連續(xù)的兩幀圖像進(jìn)行差分運算，即對不同幀圖像中所對應(yīng)的相同位置的像素點進(jìn)行相減，得到灰度差值，再對得到的差分圖像進(jìn)行二值化處理。如果對應(yīng)像素點的變化值超過一定的閾值時，就認(rèn)定此像素點為運動目標(biāo)的一部分，以此實現(xiàn)對運動目標(biāo)的檢測[13]。將相鄰兩幀圖像對應(yīng)像素點灰度值按照公式(2)獲取差值圖像，再對差值圖像進(jìn)行二值化處理。根據(jù)視頻效果情況選定閾值T為15。根據(jù)公式(3)，得到氣泡的二值圖像。

R′ij=G′ij=B′ij=0.299Rij+0.587Gij+0.114Bij

(1)

式中:Rij、Gij、Bij分別為R、G、B三通道像素值。

Diffn=|fn+1(x,y)-fn(x,y)|

(2)

式中:Diffn為差值圖像；fn(x,y)為第n幀圖像(x,y)處灰度值；fn+1(x,y)為第n+1幀圖像(x,y)處灰度值。

(3)

式中:Tn為氣泡的二值圖像；T=15。

1.1.2 相鄰幀圖像代替氣泡位置

通過對多張氣泡圖像的觀察與總結(jié)，氣泡形狀多為圓或橢圓形，按公式(4)對其進(jìn)行3次膨脹操作，目的是擴(kuò)大氣泡范圍、完全地消除氣泡對其周圍背景及磨粒的影響。再遍歷二值圖像中所有像素點，獲取灰度值為255的所有像素點位置，即二值圖像中白色點的位置(i,j)。按照公式(5)取絕對值較小的那一幀的RGB圖像作為代替當(dāng)前幀氣泡位置的圖像I。對當(dāng)前幀RGB圖像的(i,j)位置的像素點進(jìn)行代替后得到抑制氣泡干擾后的RGB在線鐵譜磨粒圖像。

S=X⊕B={i,j|Bij∩X≠φ}

(4)

式中:B為長軸為12、短軸為7的橢圓形膨脹核；S為得到的二值差值圖像；φ為空集。

(5)

式中：pn為當(dāng)前幀灰度化后的圖像；pn(i,j)為(i,j)位置的灰度值；pn-1為第n-1幀灰度化后的圖像；pn+1為第n+1幀灰度化后的圖像。

1.1.3 雙邊濾波平滑去噪

由于不同幀圖像背景的明暗差異，在線鐵譜視頻圖像的氣泡被相鄰幀圖像代替后，被代替的部分會與原圖像存在差異，需在保留磨粒邊緣的條件下對其平滑處理。雙邊濾波是一種綜合考慮空間信息和色彩信息的濾波方式，且能夠有效地保護(hù)圖像的邊緣[14]，對細(xì)小結(jié)構(gòu)也有較好的平滑效果[15]。

其空域公式描述見公式(6)[16]，值域公式見公式(7)，對兩者進(jìn)行結(jié)合即可以得到基于空間距離、相似程度綜合考量的雙邊濾波，可表示為公式(8)。

(6)

式中:kd(x)=?c(r,x)dr；c為基于空間距離的高斯權(quán)重。

(7)

式中:kr(x)=?s(f(r),f(x))dr；s為基于像素間相似程度的高斯權(quán)重。

h(x)=k-1(x)?f(r)c(r,x),s(f(r),f(x))dr

(8)

1.2 自適應(yīng)磨?？焖俜指钏惴?/h3>

通過公式(9)獲取抑制氣泡后的在線鐵譜灰度圖像的灰度直方圖。由灰度直方圖分布以及對圖像的觀察可知，磨粒的灰度值較小，且像素點個數(shù)相對背景部分像素點個數(shù)較少，從背景中分割出磨粒，需在磨?；叶戎蹬c背景灰度值之間確定合適的閾值。

(9)

式中:rk為像素的灰度級；nk為具有灰度rk的像素的個數(shù)；MN為圖像中總的像素個數(shù)。

分割前景磨粒與背景時，所選定的閾值需在磨粒灰度值與背景灰度值之間。所以需先得到每幀圖像背景灰度值的起始值g，當(dāng)將閾值設(shè)置為g時，視頻圖像中背景灰度值與磨?；叶戎到咏糠忠脖徽`識別為磨粒，證明所設(shè)定閾值應(yīng)小于g。設(shè)定閾值為δg(0<δ<1),取δ=0.7、0.8、0.9、1，分別對應(yīng)圖3中的(c)(d)、(e)(f)、(g)(h)、(i)(j)。圖中方框部分是對同一位置使用不能閾值二值化后的結(jié)果，根據(jù)大量試驗對比閾值取0.9g時分割效果更好，所得二值圖像中磨粒大小更接近原鐵譜圖像中磨粒的大小，磨粒特征保存得更完整且被誤識別為磨粒的背景較少。

圖3 在線鐵譜視頻圖像與處理后的二值鐵譜圖像Fig 3 On-line ferrography video images and binary ferrography images after processing(a)(b)on-line ferrographyvideo images;(c)(d)δ=0.7 binary images;(e)(f)δ=0.8 binary images;(g)(h)δ=0.9 binary images;(i)(j)binary images when the threshold value is g

2 實例分析與討論

使用封閉力流齒輪磨損試驗臺(如圖4所示)對齒輪箱中的齒輪進(jìn)行全生命期監(jiān)測，通過在線鐵譜監(jiān)測得到1 726個磨粒沉積視頻數(shù)據(jù)。對獲取的在線鐵譜視頻圖像進(jìn)行分析與討論。

圖4 封閉力流齒輪磨損試驗臺Fig 4 Closed force flow gear wear test bench

對視頻數(shù)據(jù)運用文中設(shè)計的氣泡高干擾在線鐵譜視頻圖像的磨?？焖俜指钏惴ǚ指钅チＥc背景，隨機(jī)選取試驗數(shù)據(jù)中5個視頻圖像進(jìn)行驗證，得到試驗結(jié)果如圖5—9所示。分別用3種傳統(tǒng)方法，大津法、自適應(yīng)閾值法以及迭代法[17]，對在線鐵譜視頻圖像進(jìn)行二值化處理與文中方法的結(jié)果對比,每組圖像方框為同一位置不同方法獲得的不同效果。

圖5 試驗結(jié)果與對比(一)Fig 5 Experimental results and comparison(Ⅰ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖6 試驗結(jié)果與對比(二)Fig 6 Experimental results and comparison(Ⅱ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖7 試驗結(jié)果與對比(三)Fig 7 Experimental results and comparison(Ⅲ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖8 試驗結(jié)果與對比(四)Fig 8 Experimental results and comparison(Ⅳ)(a)on-line ferrography video images;(b) binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d) binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖9 試驗結(jié)果與對比(五)Fig 9 Experimental results and comparison(Ⅴ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

對采用4種方法所獲取的磨粒數(shù)量與抑制氣泡后圖像中磨粒數(shù)量作對比，統(tǒng)計結(jié)果如表1所示。當(dāng)磨粒數(shù)量正確率最高且錯誤率最低時，磨粒分割效果最好。正確率與錯誤率定義如公式(10)、(11)所示。

表1 4種方法的磨粒數(shù)量及正確率與錯誤率統(tǒng)計結(jié)果

(10)

(11)

式中：y1、y2分別為正確率和錯誤率；n1、n2分別為正確磨粒數(shù)和錯誤磨粒數(shù)；n為抑制氣泡后實際磨粒數(shù)。

采用大津算法分割后的二值圖像，由于在線鐵譜視頻圖像明暗分布不均勻，識別正確率較低。經(jīng)自適應(yīng)閾值處理與迭代法獲得的二值磨粒圖像，在正確率較高的情況下，錯誤率也很高。文中設(shè)計的磨粒分割算法可以在氣泡高干擾的情況下保證識別正確率高，同時錯誤率最低。相對于傳統(tǒng)磨粒分割方法，文中算法可以有效識別在線鐵譜視頻圖像中的磨粒。

獲得磨粒二值圖像后可以提取磨粒特征、進(jìn)行磨粒分類，根據(jù)磨粒類型判斷設(shè)備磨損程度，在線獲取監(jiān)測參數(shù)，開發(fā)在線自適應(yīng)預(yù)警算法，實現(xiàn)對機(jī)械設(shè)備故障的實時預(yù)警等。

3 結(jié)論

根據(jù)在線鐵譜視頻圖像具有氣泡高干擾的特點，設(shè)計一種氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法。具體結(jié)論如下：

(1)運動物體檢測的方法可獲取氣泡位置，再使用相鄰幀信息對其處理可實現(xiàn)在線鐵譜視頻圖像中氣泡干擾的抑制。

(2)基于抑制氣泡后圖像的灰度直方圖分布，確定每幀圖像的自適應(yīng)閾值，實現(xiàn)對磨粒與背景的快速分割。

(3)該方法能夠在氣泡高干擾的情況下準(zhǔn)確分割磨粒與背景，且磨粒信息保留較完整，為后續(xù)對在線鐵譜視頻圖像中磨粒的研究提供便利條件。