席晨馨，官世杰

(1.東華大學(xué) 機械工程學(xué)院 上海 201620；2.重慶交通大學(xué) 機電與車輛工程學(xué)院 重慶 400074)

0 引言

曲軸是汽車空氣壓縮機的關(guān)鍵組成部分，而且曲軸在反復(fù)的循環(huán)運轉(zhuǎn)過程中由于承受交變載荷往往會出現(xiàn)失效和疲勞斷裂等問題，進一步產(chǎn)生很多難以控制的問題.隨著計算機與數(shù)學(xué)的發(fā)展，數(shù)字圖像處理技術(shù)逐漸形成了一門獨立、應(yīng)用前景廣闊的學(xué)科.目前的輪廓提取技術(shù)也在不斷發(fā)展，并在遙感圖像[1]、制造業(yè)[2]、城市建筑[3]、農(nóng)業(yè)[4]、工業(yè)[5]、畜牧業(yè)[6]、汽車[7]和生物影像[8]等領(lǐng)域得到了廣泛應(yīng)用.

但目前國內(nèi)外對工業(yè)零件輪廓提取的研究仍需豐富完善，尤其是在新能源商用車的空壓機曲軸輪廓提取方面.曾定邦等[9]采用基于Delaunay三角化的曲線重建算法來將切片截面重構(gòu)出曲軸輪廓線.毛向向等[10]提出了一種薄壁零件復(fù)雜光照情況下的輪廓特征識別算法用于薄壁零件的圖像恢復(fù)和輪廓識別.袁宗艷等[11]用激光掃描獲取工業(yè)設(shè)計數(shù)據(jù)，利用自適應(yīng)加權(quán)曲線擬合獲取連續(xù)點，提取精密工業(yè)零件三維輪廓邊緣.對于以上文獻提出的工業(yè)零件輪廓提取方法均存在提取輪廓不完整，噪聲條件下誤差較大等問題，因此本文采用數(shù)字圖像處理技術(shù)提出了一種改進的空壓機曲軸輪廓提取方法.通過面向?qū)ο蟮脑O(shè)計方法將圖片進行更好的處理，并采用改進的和傳統(tǒng)的Canny算子進行比較實驗，驗證本文所提改進的Canny算子的優(yōu)越性.

1 輪廓提取預(yù)處理流程

對于加工好的曲軸，為了保證曲軸的質(zhì)量，在完成加工后采用圖像處理技術(shù)對曲軸輪廓進行提取分析，監(jiān)測所得曲軸是否有缺陷.本研究中選用東風(fēng)140型空壓機曲軸進行實驗.在提取輪廓前，由于環(huán)境、光照等的影響，相機采集到的圖像不能直接用于提取，需要對原始圖像進行一系列的預(yù)處理，如灰度變化、平滑處理和閾值分割.整個預(yù)處理流程如圖1所示.

圖1 曲軸輪廓提取預(yù)處理流程Fig.1 Pre-processing flow of crankshaft profile extraction

1.1 灰度變化

由于相機采集到的圖像為用R、G、B表示的3通道彩色圖像，數(shù)據(jù)量大，需要占用較大的存儲空間.因此，需要通過灰度變化將彩色圖像轉(zhuǎn)化成灰度圖像，用0到255之間不同的數(shù)字代表圖像的灰度等級，將其轉(zhuǎn)化為一個二維數(shù)字矩陣，從而提高后續(xù)計算機的處理速度.如圖2所示分別為進行灰度變化前后的圖像.

圖2 灰度變化前后對比圖：(a)原始圖像；(b)灰度圖像Fig.2 Comparison before and after gray scale change：(a)Original image；(b)Gray scale image

1.2 平滑處理

圖3 導(dǎo)向濾波后效果圖Fig.3 Effect after guided filtering

通過相機采集到的曲軸圖像含有各種不同類型的噪聲，為了提高曲軸圖像的識別準確度，所以要對拍攝到的曲軸圖像進行濾波平滑處理，降低噪點.但進行濾波降噪會使圖像變得模糊，邊緣明顯特征消失.因此，需要在保證曲軸圖像邊緣信息的同時減少周圍粗糙雜質(zhì)的影響.在濾波平滑過程中，本文選用了具有保邊作用的導(dǎo)向濾波器和雙邊濾波器進行對比分析，二者在平滑圖像的同時可以很好地保證圖像邊緣.在執(zhí)行過程中選用雙邊濾波器所需時間為1.010 1 s，選用導(dǎo)向濾波器所需時間為1.004 1 s，通過對比最終選擇了計算速度較快的導(dǎo)向濾波器.如圖3所示為導(dǎo)向濾波后所得效果圖.從圖3中可以看出濾波后曲軸軸頸部分變得光滑，且曲軸邊緣和背景表達清晰，很好地保留了曲軸的邊緣信息.

1.3 閾值分割

波后對圖像進行二值化，將曲軸與背景分割開，突出目標曲軸輪廓.由于環(huán)境等的影響，固定閾值每次需要重新設(shè)定，不具有普適性.本文使用自動閾值分割方法，自動對256個亮度級別的灰度像素進行分割，得到能夠表現(xiàn)曲軸整體特征的圖像.將它分成兩個灰度值，分別描述曲軸圖像的前景和背景的二值圖像[12].

G(i，j)=1，G(i，j)≥T，

(1)

G(i，j)=0，G(i，j)

(2)

圖4 原始曲軸圖像灰度直方圖Fig.4 Grayscale histogram of the original crankshaft image

首先對曲軸的灰度直方圖進行分析，圖4給出了原始曲軸圖像的灰度直方圖.根據(jù)圖4可以看出曲軸圖像和背景的灰度對比較大，因此，選擇自動閾值分割的方法可以很好地將曲軸和背景區(qū)域分割開來.

計算像素周圍25×25大小像素塊的加權(quán)均值并進行分割，如果中心點亮度減去領(lǐng)域亮度大于5，設(shè)為灰度極大值255白色；如果中心點亮度減去領(lǐng)域亮度小于5，則都設(shè)為灰度極小值0黑色.圖5所示為二值化后的曲軸圖像.

(3)

圖5 曲軸二值化效果圖Fig.5 Effect of crankshaft binarization

2 輪廓提取結(jié)果分析

在圖像邊緣提取過程中，常用到的算子有多種，如Robert算子、Sobel算子、拉普拉斯算子和Canny算子等[13].與其他傳統(tǒng)輪廓提取算法相比，傳統(tǒng)Canny算子雖然具有邊緣定位準確、正確率高等優(yōu)點，但也有很多不足.比如高斯方差和雙閾值都是人工手動設(shè)定的，自適應(yīng)能力較差，同時Canny邊緣檢測算法利用2×2鄰域內(nèi)一階偏導(dǎo)的有限差分計算梯度幅值，因而會導(dǎo)致對噪聲敏感，會檢測出很多偽邊緣.因此本文提出了一種改進的Canny邊緣檢測算法，對比研究傳統(tǒng)Canny算子和改進Canny算子兩種輪廓的提取結(jié)果.

2.1 輪廓提取

采用傳統(tǒng)Canny邊緣檢測第一步用高斯模糊算法進行濾波減少噪聲，但是同時也會使圖像變得模糊，邊緣信息減弱，在后面的步驟中有可能漏掉一些弱邊緣和孤立邊緣信息.如果增大高斯模糊的半徑，加大對噪聲的平滑力度，但也會使最后得到的圖像邊緣變得模糊，導(dǎo)致濾波后的圖像達不到所需要求.因此，本文采用導(dǎo)向濾波器對Canny算法進行改進，導(dǎo)向濾波可以有效地保護圖像的邊緣信息不會丟失.

使用導(dǎo)向濾波器對空壓機圖像進行平滑去噪，構(gòu)建輸出圖像的函數(shù).

qi=akIk+bk.

(4)

式中：i為像素坐標；I為引導(dǎo)圖像素值；q為線性函數(shù)擬合的輸出圖像；ak、bk為線性函數(shù)的兩個參數(shù)，k為線性函數(shù)的適用范圍.

為了防止線性函數(shù)的參數(shù)過大引入了正則化參數(shù)λ，得到濾波窗口的代價函數(shù).

(5)

采用線性回歸對上述方程求偏導(dǎo)，求得ak和bk.

(6)

(7)

式中，Ik和σ2是導(dǎo)向濾波窗口內(nèi)的均值和方差.

傳統(tǒng) Canny 算子簡單但在曲軸的邊緣提取過程中存在著一定的缺陷，采用兩個方向的一階差分會損失一些信息使得曲軸輪廓的一些信息無法檢測到，因此，提出了用改進Canny算子的8方向模板進行圖像梯度計算，定義式如下：

Sx=|f(x-1，y+1)+2f(x，y+1)+f(x+1，y+1)|-

|f(x-1，y-1)+2f(x，y-1)+f(x+1，y-1)|，

(8)

可以用模板表示為：

為了能夠保留更多的邊緣信息，本文所采用的是 Canny 算子的 8 模板形式，其可通過旋轉(zhuǎn)擴展得到.再對局部梯度最大的點進行保留，并將非局部梯度的最大值記為零，從而得到更加準確的邊緣輪廓.不同環(huán)境采集的照片采用同一閾值進行分割效果較差，通過自動閾值分割算法自動選取T1和 T2的值，得到兩個閾值的邊緣圖像，實現(xiàn)對曲軸輪廓的清晰提取.

2.2 邊緣檢測效果對比分析

在對曲軸進行提取前，首先對曲軸圖像進行灰度轉(zhuǎn)換，將彩色圖像變成灰度圖像；然后對變換后的圖像采用導(dǎo)向濾波算法進行平滑處理；分別選用傳統(tǒng)的Canny算子和改進的Canny算子，采用一階偏導(dǎo)有限差分的方法計算曲軸圖像在x軸和y軸的灰度值，并計算曲軸圖像梯度的幅值和方向[14].在處理過程中對梯度進行非最大信號抑制處理，剔除非邊緣點；最后采用高低雙閾值算法來連接邊緣，剔除了由噪聲引起的假邊緣.采用兩種方法提取的曲軸輪廓結(jié)果圖分別如圖6和圖7所示.

由圖6傳統(tǒng)Canny算子曲軸邊緣提取結(jié)果圖可以看出，使用傳統(tǒng)的Canny算子邊緣檢測算法對曲軸圖像的邊緣進行提取的清晰度低，提取出的邊緣較粗糙且不能連續(xù)地提取出輪廓，不能準確地表達出曲軸的輪廓結(jié)構(gòu)，誤差較大.

由圖7改進的Canny算子曲軸邊緣提取結(jié)果圖可以看出，使用改進的Canny算法提取的曲軸輪廓清晰度高，能較準確地表達出曲軸的輪廓結(jié)構(gòu).對比圖6和圖7兩種方法提取的曲軸輪廓結(jié)果圖可以看出，使用改進的Canny算法對曲軸圖像的邊緣進行提取的準確度高，提取出的邊緣較細并且連續(xù)性好，可以較準確地描繪出曲軸的完整輪廓結(jié)構(gòu).

2.3 噪聲條件下誤差分析比較

為分析上述兩種算法抵抗干擾的能力，在仿真實驗中添加不同噪聲下的環(huán)境進行分析.其中噪聲1、噪聲2、噪聲3，分別表示高斯噪聲、椒鹽噪聲和斑點噪聲.表1中比較了不同噪聲條件下兩種算法在滿尺度下的最大誤差、絕對平均誤差和線性度.

表1 不同噪聲條件下兩種算法的最大誤差、絕對平均誤差和線性度對比

經(jīng)過對比發(fā)現(xiàn)，利用改進后的Canny算法在一般情況和噪聲情況下絕對平均誤差和最大誤差相比傳統(tǒng)的Canny算法更小，線性度較小.說明一般情況和有噪聲情況下改進的Canny算法對空壓機曲軸的檢測會更加精確且一般情況和有噪聲情況下誤差不會大于5%，可以達到噪聲條件下圖像提取的精度要求[15]，且相比傳統(tǒng)的Canny算法更為精確.

3 結(jié)論

本文基于數(shù)字圖像技術(shù)采用Open-CV對用于新能源商用車的空壓機曲軸進行輪廓提取.首先對曲軸圖像進行濾波平滑處理；然后對平滑后的圖像進行閾值分割，將曲軸和背景區(qū)域分割開；最后利用改進的Canny算子和傳統(tǒng)的Canny算子分別對曲軸輪廓進行提取，并添加不同的噪聲對比分析抗干擾能力.實驗結(jié)果表明，利用改進的Canny方法提取的輪廓清晰度高、連續(xù)性好，能較準確地表達出曲軸的輪廓且抗噪聲干擾能力更強.同時，本文提出的方法也可用于提取曲軸連桿軸頸滾壓后的圓角半徑、軸頸外圓輪廓，驗證加工出的曲軸尺寸是否達到生產(chǎn)要求，并且這種提取方法還可以用于新能源商用車上其他零部件的輪廓提取.