許秀鋒, 賴政釗*, 周愛國, 謝紅杰, 呂路勇

(1．同濟大學(xué) 機械與能源工程學(xué)院,上海 201804; 2.株洲時代新材料科技股份有限公司,湖南 株洲 412007;3.江蘇鑒衡檢測認證有限公司,江蘇 鹽城 224100)

由于葉片前緣的線速度較大,長期運行的風(fēng)電葉片極易發(fā)生前緣侵蝕(Leading Edge Erosion,LEE),雨滴是引起侵蝕損傷的主要驅(qū)動因素[1]。為了測試前緣材料對雨蝕的抵抗力,可在雨水侵蝕測試機(Rain Erosion Tester,RET)中對因雨滴撞擊而引起的前緣侵蝕進行加速測試[2]。然而,由于缺乏合適的衡量指標(biāo),已有的研究尚未建立加速測試時間和實際葉片工作時間的相關(guān)性[3]。目前,雨蝕退化常以試樣的質(zhì)量損失為衡量指標(biāo)[4],但對于已投入運營的葉片,質(zhì)量損失的測量是不可行的。因此,使得RET實驗更具實用價值的關(guān)鍵在于提出一種可應(yīng)用于實際葉片前緣的雨蝕檢測方法。隨著雨蝕的進行,葉片前緣材料的表面發(fā)生光澤、粗糙度、點蝕以及裂紋等形貌變化[3],機器視覺檢測技術(shù)能夠表征雨蝕退化的程度,并適用于已投入運營的風(fēng)電葉片。

目前,風(fēng)電葉片的測試主要集中在其力學(xué)性能方面[5-6],雨蝕檢測作為一個較新的領(lǐng)域,尚處于早期研究階段。Zhang等[7]將不同侵蝕時長的水射流式RET試樣質(zhì)量損失作為圖像標(biāo)記,使用卷積神經(jīng)網(wǎng)絡(luò)對其進行訓(xùn)練和預(yù)測,為汽輪機葉片維修提供參考。相似的形貌檢測問題,如金屬腐蝕[8]、表面粗糙度[9-10]等,將形貌分為不同等級,忽略了侵蝕形貌特征隨時間連續(xù)變化的特點。

針對形貌變化圖像本身的信號特點,學(xué)者研究了灰度共生矩陣(Gray Level Co-Occurrence Matrix,GLCM)、Tamura紋理特征分析等由數(shù)學(xué)方法準確描述的特征提取方法,它們不依賴于大量樣本和數(shù)據(jù)標(biāo)簽[11]。其中GLCM的應(yīng)用最為廣泛,大量文獻分析了GLCM所提取特征的變化趨勢與圖像形貌紋理的關(guān)系[12-13],但是都未能直接形成矩陣特征與圖像形貌之間便于直觀理解的聯(lián)系。

基于以上分析,提出一種利用GLCM檢測雨蝕和構(gòu)建DI的方法。該方法計算輸入圖像的GLCM,從中提取多種特征檢測雨蝕程度,結(jié)合歐氏距離進一步構(gòu)建前緣材料雨蝕DI,直觀表達雨蝕的退化程度,并通過加速雨蝕試驗數(shù)據(jù)驗證了該方法可以描述前緣雨蝕的退化規(guī)律。

1 數(shù)據(jù)集處理

1.1 實驗設(shè)備

實驗裝置和實驗數(shù)據(jù)由Polytech A/S提供[14],如圖1所示,基于旋轉(zhuǎn)臂式RET進行加速雨水侵蝕的原理是將待測的試樣固定安裝在圓盤外側(cè),試樣上 方安裝均勻的雨滴發(fā)生器,使高速旋轉(zhuǎn)的試樣與自由下落的雨滴持續(xù)撞擊,模擬葉片前緣與雨滴的真實撞擊。

圖1 旋轉(zhuǎn)臂式RET

1.2 圖像預(yù)處理

RET每運行0.5 h停止一次,取下試樣并采集圖像,零時刻的試樣圖像如圖2所示,左側(cè)為葉尖,旋轉(zhuǎn)半徑較大,速度較高;右側(cè)為葉根,旋轉(zhuǎn)半徑較小,速度較低。選取試樣與雨滴垂直碰撞的中央部分圖像,并沿旋轉(zhuǎn)半徑方向分割為多幅圖像,根據(jù)雨蝕時間t和所處位置r將圖像標(biāo)記為(ti,rj)。

圖2 數(shù)據(jù)集處理

針對原始圖像中光照不均勻、對比度較低等缺陷,依次進行了灰度化(式(1))、背景減除(式(2))和直方圖均衡化(式(3))處理。

f(x,y)=0.299R(x,y)+0.587G(x,y)+0.114B(x,y)

(1)

(2)

(3)

式中:f(x,y)為圖像中(x,y)位置像素的灰度級;g(k)為灰度級k變換后的灰度級;P(sk)為灰度級k的頻率;L為圖像最大灰度級。

2 理論基礎(chǔ)

2.1 灰度共生矩陣理論

灰度共生矩陣理論由Haralick等[15]提出,它通過灰度像素對的概率分布情況,體現(xiàn)不同像素之間相對位置的空間信息。具體定義如下:

(4)

式中:S為圖像中符合特定空間關(guān)系的所有像素對的集合,這個空間關(guān)系可以自定義。式(4)的含義為符合空間關(guān)系且灰度值為(i,j)的像素對頻率。

常用的特征有角二階矩(Angular Second Moment,ASM)、相關(guān)性(Correlation)、同質(zhì)性(Homogeneity)、對比度(Contrast)、相異度(Dissimilarity)。ASM也稱為能量(Energy),計算值記作fASM,描述圖像的均勻性,圖像越均勻能量值越大。

(5)

相關(guān)性描述圖像紋理的方向性,計算值記作fcorr。如果圖像紋理具有方向性,則相關(guān)性數(shù)值顯著高于紋理均勻的圖像。

(6)

同質(zhì)性描述的是圖像中像素對的相似程度,即GLCM的對角程度,計算值記作fhomo。

(7)

對比度描述圖像像素對間灰度等級的變化程度,即紋理的清晰程度,計算值記作fcont。

(8)

相異度與對比度相似,對比度是二階灰度變化,而相異度是一階,計算值記作fdiss。

(9)

2.2 基于歐氏距離的退化指標(biāo)構(gòu)建方法

不同特征直接測量數(shù)值的數(shù)量級及變化趨勢不同,不利于理解和感受直觀變化,因此,從特征量中構(gòu)建DI是關(guān)鍵。常用的方法有馬氏距離、歐氏距離等。DI構(gòu)建采用了標(biāo)準化歐氏距離(Euclidean Distance,ED),其計算結(jié)果記作δ,如式(10)所示,取值為[0,1],越接近1代表退化越嚴重。

(10)

(11)

式中:ωi為i特征的權(quán)重;fi(t,r)為GLCM的i特征t時刻r區(qū)域的歸一化值。

2.3 退化指標(biāo)的適用性度量

為了衡量構(gòu)建的δ對壽命預(yù)測的適用性,通常使用不同的度量指標(biāo)進行評估[16],常見的有相關(guān)性(式(13))和單調(diào)性(式(14))。對于一個信號時間序列X=X(tk),首先對信號進行指數(shù)加權(quán)平滑處理[17]:

XT(tk)=αX(tk)+(1-α)X(tk-1)

(12)

(13)

(14)

(15)

式中:α取0.9;N為信號序列的樣本點個數(shù)。

2.4 雨蝕退化指標(biāo)構(gòu)建流程

前緣雨蝕檢測及退化指標(biāo)構(gòu)建流程如圖3所示。

圖3 雨蝕退化指標(biāo)構(gòu)建流程

3 實驗驗證

3.1 實驗設(shè)置

實驗所用數(shù)據(jù)集包含了7個時刻、20個不同半徑區(qū)域的140幅圖像。每幅圖像計算得到GLCM的5個特征的歸一化數(shù)值。對任意t時刻r半徑區(qū)域的圖像信號,由1～5個特征數(shù)量及不同特征組合計算得到不同的δ,如表1所示,共有31種構(gòu)建退化指標(biāo)的特征組合。為了進一步評估和比較31組δ的適用性,分別計算每一組δ的4個度量指標(biāo):時域相關(guān)性、時域單調(diào)性、半徑域相關(guān)性和半徑域單調(diào)性,采用度量指標(biāo)客觀評估δ的適用性。每組δ都包含多個時刻和半徑區(qū)域的信號序列,取域內(nèi)平均值作為度量指標(biāo)最終測量值。

表1 不同特征數(shù)量的組合數(shù)

3.2 退化指標(biāo)表征能力驗證

對特征數(shù)量為1的5組特征進行單一特征退化指標(biāo)構(gòu)建。在同一時刻,5組δ隨半徑區(qū)域的變化如圖4所示,在同一半徑區(qū)域,5組δ隨侵蝕時長的變化如圖5所示,不同特征構(gòu)建的退化指標(biāo)在局部區(qū)域呈現(xiàn)不同特點。

圖4 半徑域單一特征δ變換

圖5 時域單一特征δ

圖4中,在半徑較小的葉根區(qū)域,相異度、對比度呈現(xiàn)出與其他特征相反的單調(diào)性;δ在不同半徑區(qū)域均出現(xiàn)了一定波動;圖5中角二階矩在90 min后進入了局部不敏感的平臺期。5組δ適用性度量如表2所示,沒有一組具備絕對的優(yōu)勢。觀察結(jié)果揭示了雨蝕過程并非線性變化,不同的特征具備其獨特的表征能力。

表2 單一特征的適用性度量

從整體上可以觀察到,δ表現(xiàn)出了較強的半徑域相關(guān)性和時域相關(guān)性。隨著旋轉(zhuǎn)半徑增加,δ整體上呈現(xiàn)先上升后下降的趨勢,結(jié)合RET實驗條件分析,雨滴與試樣撞擊速度隨旋轉(zhuǎn)半徑增大而增大,加速了侵蝕退化;而葉尖區(qū)域處受氣流擾動影響了雨滴撞擊速度,減緩了侵蝕退化。這符合實際觀察的試樣形貌,表明由GLCM特征構(gòu)建的退化指標(biāo)具備形貌區(qū)分能力。

3.3 退化指標(biāo)適用性度量分析

對所有δ的度量指標(biāo)測量值求和作為其適用性得分,2種特征融合與單一特征的適用性得分對比如表3所示,第1行和第1列分別為待融合的2種特征。2種特征融合δ的10種組合中,6種組合的得分同時高于2個特征對應(yīng)δ的得分,10種均滿足得分至少高于一個特征對應(yīng)δ的得分。相較于無組合的單一特征δ,不同的特征組合能提高適用性得分,表明了不同特征具備不同的雨蝕形貌表征能力,標(biāo)準化歐氏距離方法能融合各特征的優(yōu)勢,增強其表征能力。

同一特征、不同半徑2組δ的時域變化示例如圖6所示。2個融合組均有效地消除了對比度-1在侵時時長為30～60 min時和對比度-2在侵時時長為90～150 min時的異常情況,表現(xiàn)出更優(yōu)越的退化指標(biāo)表征能力。在半徑域中,如圖7所示,特征融合后的曲線趨勢性更為明顯,消除了異常波動,并且成功融合了對比度特征和相關(guān)性特征的優(yōu)點。

圖6 特征融合效果時域局部對比

圖7 特征融合效果半徑域局部對比

不同數(shù)量特征融合的δ的適用性度量得分如表4所示。

表4 不同數(shù)量的最高適用性度量得分

結(jié)果表明,在2個特征融合時,效果最好,相較單一特征,得分提高了5.5%,其半徑域曲線如圖8所示;在融合3個特征時,效果接近;融合更多特征時,度量得分明顯下降。結(jié)合特征間的皮爾遜相關(guān)系數(shù)定性分析,在特征與標(biāo)簽強相關(guān)的條件下,隨著特征數(shù)量增加,特征間產(chǎn)生的冗余導(dǎo)致了其適用性度量得分下降。因此,多特征融合沒有簡潔的規(guī)律,在數(shù)據(jù)量較大的情況下,利用度量指標(biāo)來計算適用性得分可以客觀地篩選出數(shù)學(xué)意義上的最優(yōu)組合,從而擺脫了人工經(jīng)驗篩選的依賴,提高了退化指標(biāo)構(gòu)建效率。

3.4 退化指標(biāo)準確性驗證

根據(jù)葉片表面形貌特點可以將雨蝕退化過程分為3個階段:第1階段,僅出現(xiàn)光澤和粗糙度的變化;第2階段,葉片表面出現(xiàn)點蝕,侵蝕面積逐漸擴大;第3階段,侵蝕面積停止擴大,點蝕深度逐漸加大。

利用人工經(jīng)驗對數(shù)據(jù)集進行標(biāo)簽分類,在圖8的散點圖基礎(chǔ)上,繪制了氣泡映射圖,將已有數(shù)據(jù)點映射到人工分類的標(biāo)簽,如圖9所示。

結(jié)果表明,標(biāo)簽類別在縱軸方向有明顯的聚集性,通過融合Contrast和Correlation構(gòu)建的δ,可以很好地區(qū)分退化階段。統(tǒng)計不同標(biāo)簽類別的所有圖像所對應(yīng)的δ測量值范圍和數(shù)量,如表5所示。以類別重合區(qū)間的中點作為δ階段劃分的臨界值,雨蝕階段量化準確率如表6所示,根據(jù)人工經(jīng)驗的標(biāo)簽分類,確定了δ數(shù)值區(qū)分雨蝕階段的平均準確率,約為95%,可以得到圖9中的δ臨界1和δ臨界2,分別為0.187和0.745。這表明,δ不僅為雨蝕程度提供了具體的數(shù)值參考,而且具有優(yōu)越的雨蝕階段區(qū)分能力。

表5 各類標(biāo)簽與δ測量值關(guān)系

表6 雨蝕階段量化準確率

4 結(jié)束語

為了解決雨蝕加速實驗與真實葉片情況無法關(guān)聯(lián)的問題,提出了基于圖像灰度共生矩陣的檢測和退化指標(biāo)構(gòu)建方法,相較于現(xiàn)有的質(zhì)量損失測量方法,具有檢測便捷、可拓展性強等優(yōu)點。實驗結(jié)果表明,退化指標(biāo)有效區(qū)分了試樣侵蝕的嚴重程度,時域相關(guān)性和半徑域相關(guān)性分別為0.955和0.953;多特征融合方法展現(xiàn)了更好的雨蝕表征能力,解決了單一特征局部檢測不敏感的問題,相較于單一特征,其適用性度量得分提高了5.5%;經(jīng)過度量指標(biāo)篩選后的退化指標(biāo)直觀地描述了侵蝕程度和發(fā)展趨勢,對雨蝕退化階段的區(qū)分準確率約為95%。該方法無須大量數(shù)據(jù)訓(xùn)練,起止?fàn)顟B(tài)圖像即可完成模型的構(gòu)建,適合在工業(yè)場景中快速應(yīng)用。