樊紅衛(wèi) 丁 驍1 高爍琪1 邵偲潔1 楊一晴1 馬宏偉 張旭輝

(1.西安科技大學(xué)機(jī)械工程學(xué)院 陜西西安 710054；2.陜西省礦山機(jī)電裝備智能監(jiān)測重點(diǎn)實(shí)驗(yàn)室 陜西西安 710054)

鐵譜分析是一種通過對機(jī)器潤滑油所含磨粒大小、形狀等的分析，來判斷設(shè)備故障部位和不正常磨損程度的先進(jìn)技術(shù)。它通過磁頭將潤滑油中的金屬磨粒沉積在一張基片上，再利用顯微鏡等設(shè)備對基片成像，通過對圖像的分析處理來提取特征信息，進(jìn)而完成對設(shè)備磨損狀態(tài)的判定。經(jīng)過幾十年的發(fā)展，鐵譜分析技術(shù)已在機(jī)械設(shè)備故障診斷中發(fā)揮了積極作用。特別是近年來，隨著圖像處理技術(shù)的飛速發(fā)展，鐵譜分析技術(shù)取得了長足的進(jìn)步。

在鐵譜圖像特征提取方面，王靜秋[1]提出了一種基于分水嶺和蟻群聚類的圖像分割方法，分水嶺算法具有快速收斂性，可快速精準(zhǔn)定位目標(biāo)區(qū)域，而蟻群算法依靠并行性和全局搜索能力，可精準(zhǔn)逼近磨粒邊緣。唐春錦[2]、王國亮[3]提出了一種基于大津閾值分割的鐵譜圖像磨粒邊緣提取方法，大津閾值分割需要HSV顏色環(huán)境或?qū)﹁F譜圖像進(jìn)行大量濾波處理，缺乏普適性，對鐵譜成像質(zhì)量要求極高。徐斌等人[4]針對鐵譜圖像磨粒識(shí)別中異類信息綜合利用率較低的問題，提出了一種多層次信息融合的鐵譜圖像磨粒識(shí)別方法。沈如蕓[5]提出了一種基于梯度算子和拉普拉斯算子對磨粒圖像進(jìn)行銳化后使用Robert和Sobel算子進(jìn)行邊緣檢測的方法，但不同的磨粒圖像無法使用同一算子批量處理。馮輔周等[6]提出了鐵譜圖像數(shù)字化特征提取及分類識(shí)別方法，提出了磨粒圖像邊緣檢測方法，但僅用作分類依據(jù)，未做深入研究，且用于分類匹配的標(biāo)準(zhǔn)磨粒樣本數(shù)量較少，存在一定的識(shí)別誤差。姚智剛[7]提出了鐵譜圖像中磨粒群統(tǒng)計(jì)特征的快速提取方法，采用小波分解研究磨粒群形態(tài)學(xué)特征，構(gòu)造等效尺寸，從而反映圖像中較大磨粒的尺寸及圖像中非磁性磨粒的比重，其對于較小的磨粒，不能有效地提取出特征。謝偉等人[8]提出了一種低照度圖像色彩恢復(fù)和細(xì)節(jié)提取的方法，基于將色彩對比度、飽和度、曝光亮度融合至金字塔算法中，根據(jù)圖像信息賦予不同的權(quán)重參數(shù)來實(shí)現(xiàn)圖像細(xì)節(jié)的增強(qiáng)。濮亞男和陳閩杰[9]提出了一種基于二次K-means顏色聚類分離磨粒區(qū)域與背景區(qū)域后，對磨粒區(qū)域采用改進(jìn)的分水嶺算法分割黏連磨粒的圖像分割方法，但對背景純凈要求較高。包春江等[10]提出了鐵譜圖像的彩色紋理特征提取與識(shí)別方法，采用色度矩提取彩色紋理特征，利用SVM(支持向量機(jī))對圖像紋理進(jìn)行識(shí)別。但由于彩色紋理主要反映磨粒表面粗糙程度，而對圖像邊緣及磨粒大小等特征提取，不如灰度圖像法。

在上述研究的基礎(chǔ)上，本文作者針對煤礦機(jī)械低速重載齒輪箱的磨損故障診斷問題，建立了相關(guān)的齒輪箱和鐵譜分析儀器平臺(tái)，開展了鐵譜分析實(shí)驗(yàn)研究，提出了一種基于差商思想的鐵譜圖像自動(dòng)化閾值分割方法，用以提取齒輪箱鐵譜圖像的磨粒信息。

1 鐵譜圖像預(yù)處理

1.1 原始圖像的反相

在鐵譜圖像中，底色背景往往是較亮的綠色，磨粒則由一系列較亮的暖色和較暗的冷色組合構(gòu)成。同時(shí)，某些磨粒在制譜時(shí)因取圖設(shè)備帶來的不可控因素導(dǎo)致部分邊緣與背景間皆為亮色，邊緣細(xì)節(jié)模糊。使用反相處理，取其互補(bǔ)色可以突出磨粒的邊緣細(xì)節(jié)。圖1所示為將磨粒原圖的局部細(xì)節(jié)放大后以單個(gè)像素的方式展示，當(dāng)圖片縮放到某一尺度時(shí)，很明顯地看出在磨粒與背景銜接處屬于漸變過度，飽和度低的黃色過渡到綠色，導(dǎo)致區(qū)分度不明顯，此時(shí)如直接使用閾值分割則會(huì)出現(xiàn)誤分割，但對原圖進(jìn)行反向操作后，如圖1(b)所示，磨粒和背景間的漸變現(xiàn)象減弱，有益于閾值分割。

圖1 反相前后磨粒圖局部細(xì)節(jié)放大情況

1.2 反相圖像的灰度圖

常用的灰度圖轉(zhuǎn)化方法主要有加權(quán)法、平均法和單通道法?；诩訖?quán)法的灰度圖轉(zhuǎn)化公式如式(1)所示。

G=R·a+G·b+B·c

(1)

式中：R、G、B分別為像素點(diǎn)顏色描述值；a、b、c分別為權(quán)重系數(shù)，文中按紅色a=29.9%、綠色b=58.7%、藍(lán)色c=11.4%處理，此系數(shù)所轉(zhuǎn)化出的灰度圖感官上最符合人類認(rèn)知，其轉(zhuǎn)化過程按照人類對背景與前景的認(rèn)知進(jìn)行操作，所得灰度圖具有層次感，應(yīng)用廣泛。

平均法的灰度圖轉(zhuǎn)化公式為

PGray=(R+G+B)/3

(2)

單通道法的灰度圖轉(zhuǎn)化公式為

PGray=g

(3)

針對正常滑動(dòng)磨粒，采用加權(quán)、平均和單通道法所得灰度圖結(jié)果如圖2—4所示。

圖2 正?；瑒?dòng)磨粒的加權(quán)灰度圖

圖3 正常滑動(dòng)磨粒的平均灰度圖

Fig 3 Average gray image of normal sliding abrasive particles

根據(jù)圖2—4可知，平均法求得的灰度圖不適合磨粒預(yù)處理，會(huì)凸顯噪點(diǎn)，影響磨粒識(shí)別結(jié)果；單通道法處理速度快，但效果依然不佳，且受背景色影響大，對分析式鐵譜而言，需高質(zhì)量的原始圖像。綜合分析，文中選用加權(quán)灰度圖。

2 鐵譜圖像的磨粒提取

2.1 灰度圖的閾值分割

閾值分割是基于分塊化的圖像分割技術(shù)，按照灰度，將像素按一定規(guī)律劃分，得到的每個(gè)區(qū)域內(nèi)部具有一致性，相鄰區(qū)域不具有一致性。常見的閾值分割是單點(diǎn)閾值分割，通過對大量磨粒圖片的觀察與研究發(fā)現(xiàn)，單值閾值分割不適合磨粒圖像灰度圖處理。因?yàn)榇蠖鄶?shù)磨粒圖像中磨粒邊界和背景間存在漸變銜接的現(xiàn)象，其取決于呈像設(shè)備的算法還原度及制譜時(shí)的人為因素，這兩類因素的存在使單值閾值分割難以對所有磨粒圖像具有普適性。為此，文中采用一種三段式閾值分割算法，如圖5所示。

如圖5所示，使用三段式閾值分割的首要任務(wù)是找到可以分割出目標(biāo)物體的閾值上限和下限，通過一定規(guī)律，找到上下限后，將原圖像轉(zhuǎn)化為二值圖。由圖6可知，正?；瑒?dòng)磨粒的灰度直方圖存在至少一個(gè)峰和兩個(gè)谷。

圖5 三段式閾值分割示意圖

圖6 正?；瑒?dòng)磨?；叶葓D及其直方圖

由于反相后的磨粒以藍(lán)色系為主，所以根據(jù)加權(quán)法灰度圖的轉(zhuǎn)化公式，可推測出背景在灰度直方圖中主要集中在0～255的中間地帶，且存在于高峰之中。

2.2 二值化圖像的開閉運(yùn)算

二值化圖像處理的兩個(gè)主要參數(shù)是原始圖像和結(jié)構(gòu)化元素，后者決定操作的性質(zhì)。形態(tài)學(xué)的兩個(gè)基本操作是腐蝕和膨脹，其組合構(gòu)成了開、閉運(yùn)算。膨脹操作使一幅圖像中白色增多、黑色減少，常用來擴(kuò)充邊緣或填充小孔。腐蝕是膨脹的反操作，可擴(kuò)大黑色、減少白色，用來提取主要信息或去掉孤立像素。

針對圖7(a)所示的二值化圖像，先使用開運(yùn)算即腐蝕，消減部分磨粒及散落在背景中的小點(diǎn)，再膨脹，補(bǔ)償之前消減的部分磨粒，且由于背景噪點(diǎn)已被消除，不會(huì)因膨脹產(chǎn)生多余的影響。開運(yùn)算完畢后，會(huì)發(fā)現(xiàn)有時(shí)磨粒圖像中有些磨粒內(nèi)部因閾值分割本身的不完善使其原本成為整塊磨粒的卻產(chǎn)生了微小孔洞，此時(shí)使用閉運(yùn)算，先膨脹，擴(kuò)充磨粒面積，同時(shí)消除磨粒內(nèi)部孔洞，后腐蝕，還原之前因?yàn)榕蛎浽斐傻拿娣e擴(kuò)展，如圖7(b)所示。

圖7 二值圖像的開閉運(yùn)算處理

2.3 圖像修正

磨粒圖像處理有一定概率發(fā)生誤分割，即油污被識(shí)別為磨粒。第一種情況是被誤分割的磨粒面積極小，常因背景與磨粒顏色過于接近，或鐵譜油污過大，致使閾值分割后無法用開閉運(yùn)算對其修正補(bǔ)償，以致遺留下來，被判定為磨粒。對此情況，可使用以面積為基準(zhǔn)的判斷方法，輔以人工判定來解決。第二種情況是由于背景光分布不均，導(dǎo)致整個(gè)背景色調(diào)不一致，使閾值分割無法正常進(jìn)行，以致閾值分割后圖像細(xì)節(jié)丟失。這種情況多出現(xiàn)于硬件操作不當(dāng)，如顯微鏡攝像頭對焦位置偏離中心，或綠色聚光燈未對準(zhǔn)中心導(dǎo)致整張圖片明暗不平衡。以上兩種情況，均可采用規(guī)范化制譜得以解決。

3 磨粒特征的表征

3.1 磨粒的數(shù)值特征

磨粒特征提取采用Python skimage庫中的measure方法，實(shí)現(xiàn)對連通區(qū)域標(biāo)記以及輸出區(qū)域的相關(guān)屬性，共建立了8種常用參數(shù)，其核心參數(shù)5個(gè)，包括區(qū)域面積、圓度、區(qū)域周長、等效圓直徑、畸形度；輔助參數(shù)3個(gè)，包括離心率、區(qū)域歐拉數(shù)、質(zhì)心坐標(biāo)。

3.2 磨粒的識(shí)別

通常，磨粒識(shí)別首先需要依據(jù)平面、三維和紋理參數(shù)，考量某一磨粒的種類與狀態(tài)。使用基本參數(shù)，推導(dǎo)特征參數(shù)，進(jìn)行特征描述，得出磨粒類型，如條狀、薄片、塊狀、圓狀等。磨粒識(shí)別的流程如圖8所示。

圖8 磨粒識(shí)別流程

4 磨粒圖像處理算法驗(yàn)證

4.1 標(biāo)準(zhǔn)的正常磨粒鐵譜圖像處理

利用Python開發(fā)了磨粒鐵譜圖像處理程序，針對標(biāo)準(zhǔn)的正?；瑒?dòng)磨損的鐵譜圖像，采用文中提出的圖像處理算法，進(jìn)行了反相、灰度圖轉(zhuǎn)化、二值化處理、圖像修正和磨粒區(qū)域識(shí)別等，如圖9所示。由圖9可知，經(jīng)過文中算法的處理，圖9(f)基本上如實(shí)反映了原始的鐵譜圖像中磨粒所在的區(qū)域，表明文中所提出的算法是有效的。

圖9 正?；瑒?dòng)磨損的鐵譜圖像處理結(jié)果

4.2 齒輪箱磨粒鐵譜圖像處理實(shí)驗(yàn)

為了驗(yàn)證所提出的算法在實(shí)際設(shè)備的磨粒分析中的有效性，設(shè)計(jì)了驗(yàn)證性實(shí)驗(yàn)。實(shí)驗(yàn)對象如圖10所示，鐵譜分析平臺(tái)如圖11所示。實(shí)驗(yàn)針對一個(gè)齒輪傳動(dòng)系統(tǒng)，如圖10所示，由變頻電機(jī)驅(qū)動(dòng)，經(jīng)聯(lián)軸器后進(jìn)行二級行星輪系和二級直齒輪減速器，負(fù)載由磁粉制動(dòng)器模擬，減速器采用600XP150齒輪油進(jìn)行潤滑。黏度等級為150的YTF-8分析式鐵譜分析平臺(tái)如圖11所示，相關(guān)參數(shù)如表1所示。

圖10 齒輪傳動(dòng)系統(tǒng)

圖11 鐵譜分析平臺(tái)

表1 鐵譜分析平臺(tái)主要參數(shù)

圖12所示為50倍物鏡下齒輪減速器油液鐵譜圖像分析結(jié)果，油液樣本取自如圖13所示的二級直齒輪減速箱。圖12(a)—(f)依次為鐵譜圖像原圖，對鐵譜圖像原圖執(zhí)行反相操作得到的負(fù)片鐵譜圖像，反相后鐵譜圖像的灰度圖，初步二值化圖，二值化修正圖，磨粒標(biāo)定圖。圖12(f)中，4個(gè)連通區(qū)域特征參數(shù)定量識(shí)別結(jié)果如表2所示。

從圖12可知，經(jīng)過文中算法的處理，原始的鐵譜圖像被標(biāo)定為4個(gè)聯(lián)通區(qū)域，準(zhǔn)確反映了原始譜圖中磨粒區(qū)域的劃分和幾何形狀，計(jì)算得到了表2所示的8個(gè)幾何特征參數(shù)，實(shí)現(xiàn)了磨粒分布狀態(tài)的定量識(shí)別。

根據(jù)圖12可知，齒輪箱發(fā)生了滑動(dòng)磨損。為此，對齒輪箱進(jìn)行了拆解，圖14所示即為齒輪箱內(nèi)直齒輪(見圖13中①)的輪齒表面實(shí)拍照片，可知該齒輪箱目前確實(shí)處于滑動(dòng)磨損狀態(tài)，實(shí)測結(jié)果證明了文中磨粒識(shí)別結(jié)果是正確的。

圖12 齒輪箱油液鐵譜圖像分析結(jié)果

圖13 二級直齒輪減速箱內(nèi)部結(jié)構(gòu)

參數(shù)區(qū)域①區(qū)域②區(qū)域③區(qū)域④區(qū)域面積A/(μm2·(pixel)-1)115.967.166.818.8區(qū)域周長l/μm97.064.970.330.9等效圓直徑d/μm12.19.39.24.9圓度0.150.200.170.25畸形度9.07.98.67.1離心率0.980.970.980.98質(zhì)心坐標(biāo)30,8896,75164,108190,81區(qū)域歐拉數(shù)1111

圖14 齒輪齒面狀態(tài)照片

5 結(jié)論

(1)提出了一種基于反相操作的鐵譜圖像灰度圖處理算法，通過反相操作使鐵譜圖像的綠色背景與黃色磨粒的邊界清晰，有利于鐵譜圖像的分割。

(2)提出了一種三段式閾值分割算法，采用腐蝕和膨脹操作對二值化圖像進(jìn)行開閉運(yùn)算，實(shí)現(xiàn)了其修正，保證了磨粒特征提取的準(zhǔn)確性。

(3)確定了鐵譜圖像特征參數(shù)及識(shí)別方案，通過標(biāo)準(zhǔn)圖像和實(shí)驗(yàn)圖像處理，證明了所提出的算法能夠準(zhǔn)確獲取磨粒幾何形狀和特征參數(shù)；通過實(shí)拆齒輪箱，證實(shí)了該齒輪箱正處于滑動(dòng)磨損狀態(tài)。