閆建穎，曹蔚，韓昭，陳子琦，王棟，瞿金秀，張曼

(1.西安工業(yè)大學(xué)機電工程學(xué)院，陜西西安 710021；2.陜西省水利電力勘測設(shè)計研究院，陜西西安 710001)

0 前言

長久以來，機械作為基礎(chǔ)產(chǎn)業(yè)在工業(yè)化生產(chǎn)和人類生活中起到了至關(guān)重要的作用，而機械的磨損也一直是關(guān)乎機械使用功能及年限的重要問題。油液監(jiān)測是一種用來判斷機械設(shè)備磨損狀態(tài)的方法，能夠通過對油的特性和磨損粒子的分析來判斷機械的磨損情況，并對機械設(shè)備、部件的健康狀態(tài)進行評估，進一步預(yù)測設(shè)備在實驗過程中可能發(fā)生的故障，以此來分析如何延長設(shè)備的壽命。其中通過觀察和分析油液中磨粒的形態(tài)特征、數(shù)量、面積、顏色等來表征磨損過程的方法，能夠充分了解磨損機制。計算機技術(shù)與油液監(jiān)測技術(shù)的結(jié)合更加推動油液監(jiān)測技術(shù)走向了新的階梯。

1 油液監(jiān)測技術(shù)

分散于油液中的磨粒作為機械零部件表面相對運動的產(chǎn)物，蘊含了豐富的機器狀態(tài)的信息。通常，使用油液監(jiān)測技術(shù)的兩種方法即在線監(jiān)測和離線監(jiān)測來觀察磨粒。離線監(jiān)測中主要技術(shù)有光譜、鐵譜、能譜分析和自動顆粒計數(shù)。其中鐵譜分析技術(shù)在1977年被引入中國，隨后大大增進了對磨損機制的了解。但總體來說離線油液監(jiān)測是在實驗過程中采集樣品后進行分析，這個過程中存在大量人為因素，將導(dǎo)致實時性較差。在線監(jiān)測將傳感器或傳感探頭安裝在系統(tǒng)內(nèi)，可實時采集信息。故離線監(jiān)測相對而言比在線監(jiān)測稍有劣勢。在線監(jiān)測由于其實時性、連續(xù)性以及與被監(jiān)測對象健康狀態(tài)的同步性成為研發(fā)熱點，得到迅速發(fā)展。在線監(jiān)測的主要技術(shù)有電學(xué)在線監(jiān)測儀、光學(xué)測量、磁性測量。電學(xué)在線監(jiān)測儀分為電阻式和電容式兩種。電阻式監(jiān)測儀是依靠油液中各種物質(zhì)電阻率的不同來反映油液中的物質(zhì)類型，但其缺點是需要油液中存在大量的磨粒。電容式監(jiān)測儀是采用各種不同物質(zhì)介電常數(shù)的變化幅度與曲線對磨粒類型和數(shù)量進行預(yù)測，但其缺點是檢測后儀器表面留下的油膜將影響實驗的精度。光學(xué)測量技術(shù)對油液品質(zhì)要求較高，且對相似物質(zhì)的分辨率不高。目前大多研究者使用的是磁性測量技術(shù)，它采用磁場的磁力來采集磨損過程中產(chǎn)生的鐵磁性磨粒。為進一步改進該技術(shù)，文獻[6-7]中加入微流控技術(shù)來簡單化采集過程，如圖1所示。把鐵譜片更換為微流控芯片，就可不再受磁場強弱的影響，直接觀察流道內(nèi)的磨粒，提高了檢測速度。但因在線監(jiān)測中的潤滑油顆粒是運動的，故捕捉到的動態(tài)圖像大多是模糊的，這給之后的圖像研究以及磨粒特征提取帶來了困難，所以需進一步研究磨粒模糊圖像的恢復(fù)。

圖1 磨粒在線檢測[6]

2 磨粒模糊圖像的處理

在圖像的模糊恢復(fù)中，文獻[6-8]中先計算出模糊尺度后應(yīng)用維納濾波算法恢復(fù)模糊圖像。維納濾波算法計算簡單且可避免模糊粒子的過度恢復(fù)及出現(xiàn)一些偽影。處理后的圖像清晰度已有所提升，但磨粒邊界處有一些虛影，磨粒的表面紋理仍不夠清晰。在這方面，PENG、MA等也使用維納濾波算法進行圖像恢復(fù)，但PENG等主要研究局部模糊的圖像恢復(fù)，用背景相減法將模糊粒子與靜態(tài)背景分離后，利用功率倒譜確定模糊的方向和長度，最后采用維納濾波算法對分割后的圖像進行恢復(fù)。處理后的圖像如圖2所示，可看出圖像的清晰度相對原圖已有很大的提升，圖像的邊緣輪廓比較清楚，大致能看出磨粒表面的部分紋理。但是主要是處理了圖像中的大磨粒，小磨粒大多被分割為兩部分，且有一些變形。另外還有部分細節(jié)在以后的實驗中需進一步改善：由于受噪聲的影響，分割后的圖像中可能會產(chǎn)生粒子和偽影的孔洞，應(yīng)通過實時的背景更新來降低背景圖像中的不相關(guān)噪聲，所以該方法相對較適合高信噪比的圖像。WU等針對低信息量磨粒圖像的復(fù)原進行研究，用階梯邊緣模型來描述磨粒邊界，提取兩側(cè)的局部內(nèi)核來進行修復(fù)，試驗了不同的運動特征，皆可得到更清晰的磨粒邊界輪廓，最后根據(jù)最大的局部銳度對恢復(fù)的輪廓進行融合。在此過程中深入研究磨粒的形狀和形態(tài)分析，提高了基于視頻的磨粒分析的魯棒性。

圖2 PENG等模糊圖像的恢復(fù)[9]

3 磨粒圖像去噪

部分機械設(shè)備因摩擦、攪動等原因?qū)?dǎo)致油液溫度的上升，隨之油液中會產(chǎn)生很多的氣泡。另外，由于設(shè)備光線強弱、通信連接等原因?qū)⑹沟貌杉膱D像中包含很多的背景噪聲。為消除這種噪聲對圖像質(zhì)量和信息提取的影響，在采集到磨粒圖像后，江良洲等對圖像先進行小波變換，再使用二維小波分解重構(gòu)來構(gòu)造低頻與高頻4組圖像分別進行處理，最后對低頻圖再進行小波變換往復(fù)構(gòu)造直到去噪完成。這種方法考慮了圖像的細節(jié)信息，但是小波去噪主要適用于處理高斯噪聲，適應(yīng)性不夠全面。

CAO等將輸入信號分解成離散的子信號模式，使用完全非遞歸的2D變分模型來分解模型(2D-VMD)，采用同時提取的方式，尋找2D模式及其各自的中心頻率，分解的子模態(tài)能夠更好地保留磨粒圖像的邊緣信息等細節(jié)信息，較好地去除了圖像左右兩邊的邊緣噪聲。

4 磨粒圖像分割

模糊圖像恢復(fù)提升了視頻采集圖像中磨粒的整體清晰度，圖像去噪去除了靜態(tài)磨粒圖像中的背景噪聲，在以上基礎(chǔ)下之后的處理更方便。又因磨粒在油液中流動及磁場的磁力等原因使得磨粒沉積，最終采集到的大多是沉積在一起的磨粒，這樣不便于分析磨粒的一些特征。因此，在嘗試提取磨損部件的特征參數(shù)進行形貌分析和識別之前，需將磨粒進行分割，同時也為下一步的特征提取做好準備工作。磨粒圖像分割的方法大致有閾值分割、聚類分割、分水嶺分割、邊緣分割等。

4.1 閾值分割

文獻[14-16]對自動閾值分割進行過研究。張學(xué)麗等通過比較像素點顏色飽和度與設(shè)定閾值的大小來自動分割磨粒圖像，小于的轉(zhuǎn)換為白色圖像，即為磨粒圖像，大于或等于的轉(zhuǎn)換為黑色圖像。但在這種設(shè)定下處理圖像時，可能會誤分割像素點顏色飽和度大的磨粒，且不能有效辨識圖像中可能產(chǎn)生的氣泡等，影響了分割的效果。

在磨粒的分割中存在一種區(qū)域劃分時誤分割的問題。為嘗試解決該問題，吳文藝等設(shè)定兩次閾值，完成兩次直方圖閾值分割。第一次可消除較小結(jié)構(gòu)暗細節(jié)，再進行第二次。但因為設(shè)備等外界因素將導(dǎo)致大多數(shù)磨粒圖像中磨粒邊界和背景間有一些模糊虛影。在改進該問題的研究中，樊紅衛(wèi)等提出一種三段式閾值分割方案。閾值分割相對比較簡單，但是磨粒與背景之間的灰度值及每個磨粒的亮度均不同，閾值的選擇可能會導(dǎo)致圖像中的部分信息丟失或者劃分不夠準確。

4.2 聚類分割和分水嶺分割

圖像的聚類分割是基于顏色和特征空間的分類問題，常用的方法有K均值聚類算法(K-means)和模糊C均值聚類(FCM)算法。其中文獻[19-22]中使用模糊C均值聚類算法進行處理。模糊C均值聚類算法能夠較好地處理初始參數(shù)和噪聲及灰度的不均勻，但不關(guān)注圖像中的空間信息。研究者同樣也采用了多種方法對K均值聚類算法進行研究，其中邱麗娟等提出選取各種形態(tài)和顏色的彩色圖像，在顏色特征的基礎(chǔ)上進行聚類分析與最大類間方差閾值分割，在圖像分割后得到單個完整的磨粒，但在光線較弱或磨粒相對亮度低的區(qū)域中磨粒會與背景融合，這樣就損失了部分磨粒信息，導(dǎo)致顆粒提取不完全，最終也將導(dǎo)致分割不完全。

為解決圖像區(qū)域亮度分布不均勻或各個磨粒的顏色有差別的情況下磨粒沒有完全被提取的問題，濮亞男、陳閩杰為把磨粒從背景中完全提取出來，提出在CIELab顏色空間(使用歐氏距離定量來表示不同顏色的差異)對a、b通道采用兩次K-means聚類的方法；在分離磨粒與背景后，采用改進的分水嶺算法及距離變換、擴展極大值變換把磨粒分割為單個，分割結(jié)果如圖3所示。受該方法啟發(fā)，在以后的研究中可根據(jù)磨粒提取的復(fù)雜程度來增加聚類的次數(shù)從而更準確地提取磨粒。此方法在圖像背景純凈的前提下磨粒提取效果更佳，其中采用的改進的分水嶺算法只對前景進行了標記。由文獻[27]可知前景標記的分水嶺分割方法能夠較好地分割出含有嚴重不規(guī)則特征的圖像。雖然在這個過程中減少了一些誤分割，但在部分小磨粒中仍然可能出現(xiàn)一些誤分割的現(xiàn)象。

為進一步改進分水嶺算法在圖像分割中的效果， KWOK等提出一種基于圖像的磨粒顆粒分離方法，使用遞歸尺度分水嶺分割。利用標記內(nèi)外部分水嶺算法對單個粒子進行分離，之后利用多尺度的形態(tài)腐蝕和膨脹操作進行二次處理，進一步分割粒子圖像。如圖4所示,采用的多尺度形態(tài)學(xué)與單一的形態(tài)學(xué)方法相比較，提高了粒子圖像提取的完全性。

上述研究中磨粒鏈誤分割的問題仍不能完全解決。為進一步實現(xiàn)磨粒的精確分段，WANG等嘗試將兩種分割方法相結(jié)合：即分水嶺算法和改進蟻群聚類算法。在實驗過程中提出兩種方案。第一種是在改進的蟻群算法中輸入磨粒的初始邊緣點進行分割，分割結(jié)果如圖5所示。實驗結(jié)果表明：該方法可以提取出大部分磨粒的邊緣，但假邊緣和未閉合邊緣的出現(xiàn)限制了該方法的應(yīng)用。第二種方法是先采用標記-分水嶺法對磨粒進行第一次分離，此時就出現(xiàn)了一些過度分割的區(qū)域，再利用改進的蟻群聚類算法來合并這些區(qū)域。在此過程中，將顏色特征和每個區(qū)域的位置特征作為啟發(fā)式信息，同時對不滿足聚類條件的磨粒沉積鏈區(qū)域不進行處理，如圖6所示。該方法可適用于各種類型的磨粒，特別是較大的異常磨粒和顆粒鏈。

圖3 磨粒與背景分割圖對比[25]

圖4 用在線圖像演示完全集成的分離程序[28]

圖5 方案一分割結(jié)果[29]

圖6 方案二分割結(jié)果[29]

4.3 磨粒圖像邊緣檢測

邊緣是磨粒最重要的特征之一，能從中獲取磨粒邊界上的一些重要的信息，同時也可更加全面地考慮磨粒的分割問題。 HAMBLIN和STACHOWIAK研究過在多尺度上對磨損碎片邊界的描述來提取磨粒的特征參數(shù)。FENG等使用形態(tài)黑帽來突出與背景顏色相近的磨粒，如圖7所示。實際環(huán)境中，大多數(shù)鐵譜圖像的形狀、顏色和噪聲差異很大，極大地增加了邊緣檢測的復(fù)雜性，邊緣根據(jù)磨損顆粒的類型及具體圖像的形狀而變化，邊緣可能模糊、稀疏或缺少。通常使用Sobel、LoG和Canny檢測器進行邊緣檢測。但使用Sobel時，對于表面有紋理的顆粒，會產(chǎn)生若干條假邊，磨損顆粒的邊緣不是單像素寬。在使用LoG時，將導(dǎo)致部分邊緣丟失，同時產(chǎn)生一些假邊緣。使用Canny時，邊緣檢測為單像素寬，但模糊的邊緣將丟失，導(dǎo)致磨粒輪廓不連續(xù)、不閉合。在研究對比多種圖像邊緣分割方法基礎(chǔ)上，左云波、谷玉海提出用改進的Sobel 算法從圖像的8個方向來提取圖像的邊緣梯度，定義值，處理完所有的像素點后，選擇大于值的面積區(qū)域為分割區(qū)域。該方法有效解決了可能出現(xiàn)若干條假邊的問題且提取的圖像也較完整。

但到目前為止，若使用單一的檢測算法來處理鐵譜圖像則無法出現(xiàn)高質(zhì)量的邊緣。為對各種檢測算法進行優(yōu)缺點分析，WANG等提出了一種邊緣評價綜合指標,由三部分組成，包括重構(gòu)相似度、置信度、邊緣形態(tài)。該方法能夠從邊緣的各個角度及處理后的結(jié)果對磨粒邊緣檢測進行客觀合理的評價，為研究者提供了一些數(shù)據(jù)上的參考。

圖7 FENG等邊緣分割圖像對比[31]

5 磨粒的特征提取

對磨粒的研究歸根到底是為了通過磨粒來分析機械設(shè)備的磨損程度。而在磨粒分割后，即可提取磨粒的特征。目前越來越多的研究者使用數(shù)值參數(shù)來提取磨損顆粒的特征，具體的數(shù)學(xué)描述使得對磨損狀態(tài)的評價更加客觀，進一步可以判斷機器的運行狀態(tài)、預(yù)測機器的使用壽命等。本文作者介紹的磨損顆粒的特征包括顏色、形狀、形貌、面積等各個方面。其中磨損的嚴重程度可以通過分析磨粒顏色、面積參數(shù)來評估，但對于產(chǎn)生顆粒的磨損機制，形狀分析是必需的。同時磨粒的表面信息也有助于對磨損程度進行分類。

5.1 磨粒的顏色特征提取

陳桂明等曾研究獲得磨粒的顏色特征集，這些顏色特征集可用來分類實驗過程中采集到的圖像。當(dāng)然，運用顏色特征也可以來識別磨粒的成分，包括鐵質(zhì)類磨粒、金屬類磨粒和氧化物磨粒。而氧化物磨粒的顏色與氧化磨損的嚴重程度對應(yīng)，即磨粒的顏色是氧化物磨粒識別的關(guān)鍵信息。文獻[38]認為可以應(yīng)用圖像的顏色來區(qū)分氧化物磨粒類型，但是由于光線等因素，直觀看到的色彩可能會存在一些誤差。為此PENG等提出了一種用于在線氧化監(jiān)測的磨粒顏色提取方法。彩色圖像可以通過RGB和HSI兩種模型來表示， R、G和B表示彩色圖像的相應(yīng)顏色通道中的像素，HSI模型可以從RGB模型轉(zhuǎn)換而來。用R、G、B可以算出H、I，根據(jù)圖8的對比標記，顆粒被分為3組，分別命名為黑色、紅色或其他，即利用HSI模型的色相和強度分量進行氧化磨粒的分類。

圖8 分割后的磨粒[39]

但是在線鐵譜圖像中的磨粒，特別是有色金屬磨粒的弱顏色不可避免地與大量噪聲融合。提取圖像中的弱顏色是文獻[40]討論的問題。針對采樣過程中不均勻光引起的噪聲，從背景圖像中減去色相和強度的分布，通過色相與強度分布的結(jié)合來表征磨粒的顏色。當(dāng)在線監(jiān)測圖像清晰后，還可通過在線圖像提取銅、鐵、鋁等典型金屬顆粒的顏色。隨著對顏色的深入研究，對磨損過程中可能發(fā)生的狀況有了更加深入的了解，在實驗初期可預(yù)測所使用的機械設(shè)備及環(huán)境下可能發(fā)生的磨損。

5.2 磨粒形貌特征提取

隨著磨損模式的變化，磨損顆粒的形貌也將發(fā)生相應(yīng)的變化。在磨粒形貌的研究中，想使用規(guī)則的數(shù)學(xué)模型描述特定的圖像是困難的。PODSIADLO、STACHOWIAK提出PIFS(把磨損顆粒圖像用一組分段定義的收縮仿射變換來表示)方法可以有效地表征磨損顆粒的形貌。

5.2.1 磨粒表面紋理的提取

磨粒的表面紋理顯示了機械零件在摩擦過程中的磨損痕跡。磨粒表面紋理的產(chǎn)生與磨損機制、實驗材料、實驗過程等都有密切關(guān)系?；诩y理的分類方法在機械狀態(tài)監(jiān)測領(lǐng)域有很大的發(fā)展?jié)摿?。文獻[44-46]用分形分析描述磨損顆粒表面的紋理，但分形分析不適合描述球體或切削磨粒的邊界。文獻[47-49]采用激光掃描共焦顯微鏡獲得粒子圖像表面信息。文獻[50]研究的方法模仿了人眼在分析磨損顆粒圖像時所看到的東西，用Canny檢測器獲取初始紋理種子圖像，之后應(yīng)用改進的隨機霍夫變換來提取紋理基元，如線或圓，如圖9所示。通過對這些紋理基元的統(tǒng)計，分析紋理圖案的規(guī)律性和隨機性，從而可有效地區(qū)分嚴重滑動、疲勞磨損顆粒和黑色氧化物。

圖9 提取磨粒表面紋理基元[50]

5.2.2 磨粒形狀特征提取

在磨損機制、接觸方式、載荷等不同因素的影響下會產(chǎn)生各異的磨粒形態(tài)，形態(tài)也關(guān)系著磨損的嚴重程度。根據(jù)采集到的各異磨粒的形態(tài)特征可以劃分為：正?；瑒幽チ?、嚴重滑動磨粒、切削磨粒、疲勞剝塊磨粒、層狀磨粒、球狀磨粒等。嚴重滑動磨粒、疲勞剝塊磨粒和層狀磨粒相似度較高。文獻[52]對不同來源的大量磨粒進行了分析，以確定其形狀特征。KIRK等提出形狀圓度的特征，圓形的圓度為一，其他不規(guī)則形狀的圓度都較小。采用數(shù)字化粒子輪廓的傅里葉分析可測量粒子與圓度的偏差，從而統(tǒng)計磨粒的種類，分析磨損的狀態(tài)。有學(xué)者曾嘗試用各種諧波的振幅來代表不同的形狀描述符，例如，三次諧波是粒子三角形的度量，而四次諧波是塊狀或方形的度量。文獻[54]認為識別切削磨損的一個形狀描述符是長寬比，對于長而薄的切削磨粒其長寬比的值應(yīng)更大，通過比值的大小來統(tǒng)計切削磨粒的數(shù)量，推測磨損的嚴重程度。

5.2.3 磨粒三維特征提取

磨粒沉積后容易聚集，所以從單視圖圖像中提取的磨粒特征并不全面，通常提取的是磨粒的面積、周長等，而不規(guī)則的磨損顆粒的部分信息將因無法觀察而丟失，如層狀磨粒、嚴重滑動顆粒，它們在二維圖像中均顯示相似的形狀和邊緣特征，而層狀粒子在三維圖像中均顯示出孔、皺紋和其他表面缺陷，嚴重滑動顆粒在表面顯示平行的裂縫。文獻[57-60]研究了三維磨粒圖的構(gòu)建。文獻[61]通過從多個視圖提取二維特征以構(gòu)建三維特征。WU等提出了一種基于三維多視圖的方法，提取粒子的展弦比、空間直徑、高度展弦比、外球面等參數(shù)來拓展磨粒各個方位的觀察，從而更好地識別粒子的類型。

6 總結(jié)與展望

油液監(jiān)測系統(tǒng)中的磨粒圖像處理技術(shù)在眾多研究者的努力下越來越成熟，磨粒圖像對于分析機器磨損程度和磨損機制起到了一定的作用。模糊圖像恢復(fù)后基本呈現(xiàn)出清晰的圖像，圖像分割技術(shù)從在背景中分割單個磨粒圖像發(fā)展到能夠?qū)Τ练e磨粒鏈中的大小磨粒進行有效的分割，考慮了磨粒邊緣的重要信息，對磨粒的精確表達提供了很大的幫助。但磨粒圖像處理仍有很多的挑戰(zhàn)值得深入研究：

(1)目前運動模糊圖像恢復(fù)后磨粒的表面紋理仍不夠清晰，光照的反射可能會影響磨粒整體的呈現(xiàn)，可進一步研究新方法或嘗試結(jié)合多種方法來提高清晰度。

(2)因?qū)嶒灜h(huán)境等因素圖像中也有可能夾雜加性噪聲，區(qū)分噪聲與磨粒至關(guān)重要。另外，應(yīng)進一步考慮去除背景噪聲時是否同時去除了磨粒上的噪聲?？蛇M一步通過借鑒稀疏矩陣方法再結(jié)合磨粒的特性，研究更加精確的磨粒圖像去噪算法。

(3)目前在磨粒鏈的分割中，比較大的磨粒鏈分割效果較好。在磨粒鏈的分割過程中如何保留全部磨粒的有效信息，對磨粒圖像中一些比較小的磨粒鏈，精準判斷磨粒沉積的分割點且不產(chǎn)生過度分割，值得研究。

(4)充分利用磨粒三維視圖提取更多的表面特征、空間特征等，拓展磨粒特征提取思路，從而更加全面地分析磨粒，進一步區(qū)分相近磨粒類型的不同特征，探索在不同工況磨損下可能出現(xiàn)的多種磨粒，最后結(jié)合磨損機制分析磨粒特征與健康狀態(tài)之間的關(guān)系。