基于機器視覺的列車外齒輪磨損狀態檢測方法

李艷鳳，曹旭陽，陳后金，張林林，楊 娜

(1. 北京交通大學電子信息工程學院，北京 100044；2. 中北大學信息與通信工程學院， 山西太原 030051)

齒輪是列車中的一種重要傳動部件，其運行狀態好壞直接關系到列車的運行安全。目前在鐵路系統中，齒輪磨損狀態的檢測主要依靠人眼觀察的方法。齒輪由多個齒面組成，鄰近齒面會遮擋視線和光線。同時齒輪表面點蝕位于齒輪嚙合區域中，嚙合區域具有較強的反射特性，造成僅在某些特定的角度可以觀察到點蝕。由于上述因素的影響，人眼觀察確定齒輪的磨損狀態存在較大的誤差。為解決人眼觀察方法的局限性，許多無損檢測技術[1-3]開始應用于磨損狀態檢測，最常見的技術主要是振動信號分析和機器視覺。

在振動信號分析中，時間同步平均TSA (Time Synchronous Averaging)技術可以在降低噪聲影響的同時對目標物體的信號進行提取[4]。文獻[5]使用TSA技術得到每個齒的振動信號，基于頻域分析提取信號特征，實現每個齒損傷狀態的檢測。文獻[6]使用非抽取小波變換UWT (Undecimated Wavelet Transform)去除圖像噪聲，使用解析小波變換AWT(Analytic Wavelet Transform)提取信號的特征實現缺陷的識別與定位。文獻[7]分別在時域和頻域對每個齒的信號提取特征，采用支持向量機SVM (Support Vector Machine)分類器將其分為正常或損傷。振動信號分析主要用于循環疲勞試驗，將其直接應用于齒輪磨損狀態檢測存在一些局限性。首先振動信號分析一般將齒面分類為正常或損傷，其不能給出每個齒面的定量磨損程度。另外振動信號是一維信號，其并不直觀，工作人員很難根據信號判斷算法給出的分類結果是否存在較大誤差。

基于機器視覺的方法首先采集待分析物體的圖像，然后采用圖像分割等方法實現缺陷的檢測，是一種較為廣泛的物體表面缺陷檢測技術[8]。閾值分割方法是目前實現缺陷區域檢測的主要方法，包括自適應全局閾值分割和自適應局部閾值分割[9-15]。文獻[9]提出一種鐵軌表面缺陷檢查方法，該方法對圖像進行對比度增強，采用加重比例最大熵閾值PEME(Emphasized Maximum Entropy)分割方法實現缺陷區域的分割。文獻[12]使用加權目標方差對Otsu方法進行改進,用于缺陷檢測。文獻[13]對圖像進行對比度增強，基于Gabor濾波實現鐵軌表面的缺陷檢測。文獻[14]設計了一種汽車傘齒輪缺陷檢測方法，該方法采用鄰域平均差值NAD(Neighborhood Average Difference)算法實現齒輪表面缺陷檢測。文獻[15]設計一種列車外齒輪缺陷檢測方法，通過多閾值分割和凸包分析實現齒輪表面嚙合區分割，采用自適應閾值和形狀分析檢測表面點蝕區域。

另一類實現缺陷檢測的方法是基于學習的方法[16-19]。文獻[16]提出一種熱軋鋼表面缺陷檢測方法，采用小波變換提取圖像特征，利用支持向量機實現缺陷區域的檢測。文獻[18]提出一種基于深度卷積神經網絡的鐵軌表面缺陷檢測方法，該方法將原始圖像作為輸入，使用卷積神經網絡將圖像分為正常以及多種缺陷類型。文獻[19]使用霍夫變換定位圖像中的鐵軌區域，基于形態學處理方法得到候選缺陷區域，采用Haar-like特征和AdaBoost分類器將候選區域分類為正常和多種缺陷類型。

現有的缺陷檢測方法多用于齒輪循環疲勞試驗或鐵軌表面缺陷檢測，僅文獻[14-15]用于齒輪表面缺陷檢測。為了實現基于機器視覺的列車外齒輪表面磨損狀態的定量檢測，需要采集齒面圖像，對圖像中的嚙合區以及點蝕區域進行分割，磨損程度采用二者的面積比進行計算。文獻[14]用于汽車傘齒輪的缺陷檢測，該方法僅對齒輪的缺陷區域進行分割，不涉及嚙合區分割。文獻[15]用于列車外齒輪的磨損狀態檢測，但該方法在嚙合區分割上存在一定的局限性。該方法會將部分灰度值較高的背景區域分割為嚙合區域，對于嚙合區頂部或者底部灰度值較低的情況，該方法會將此部分嚙合區分割為背景。為解決文獻[15]存在的問題，本文提出一種新的外齒輪表面磨損狀態檢測方法。為避免將頂部和底部低灰度嚙合區分割為背景，且得到完整的嚙合區域，本文結合分塊分割、區域合并以及邊緣修正，實現齒面圖像的嚙合區域分割。為適應不同點蝕區域具有不同灰度值的情況，本文結合自適應局部閾值以及形狀特性，實現齒面圖像的點蝕區域檢測。

1 圖像獲取

1.1 圖像獲取

本文采用CCS光源提供照明，使用工業相機實現圖像的采集，光源和相機位于齒輪的兩側。由于相鄰齒會對光源進行遮擋，在拍攝時，相機從側面對每個齒面進行圖像采集。為了拍攝每個齒輪所有齒的齒面圖像，將齒輪固定在轉動平臺上，轉動平臺以固定速度轉動。每隔固定的時間間隔觸發一次相機，實現當前齒面圖像的拍攝。平臺轉動一圈即可實現所有齒面圖像的采集。

由于齒輪表面的反射特性，嚙合區一般較為光滑會反射更多的光照，因而在齒面圖像中，嚙合區呈現高灰度值特性。齒輪表面的其他區域一般較為粗糙，因而在圖像中呈現低灰度特性。點蝕是位于嚙合區的凹坑區域，其反射的光照較少，因而在齒面圖像中，點蝕區域呈現低灰度值特性。采集的圖像如圖1所示。

圖1 齒輪圖像

1.2 整體方法

由于背景、嚙合區以及點蝕區域具有不同的灰度值，本文采用基于閾值的方法實現嚙合區以及點蝕區域的分割。正確實現嚙合區以及點蝕區域的分割主要有以下難點：

(1) 靠近光源的嚙合區部分具有較高的灰度值，遠離光源的嚙合區部分灰度值相對較低。

(2) 當點蝕區域位于嚙合區的邊緣部分時，采用閾值方法會造成嚙合區不完整分割。

(3) 點蝕區域具有不同的深度，不同深度的點蝕區域在圖像中呈現為不同的灰度值。

本文提出結合分塊分割、區域聚合以及邊緣修正的嚙合區分割方法。分塊分割可以避免將低灰度值的嚙合區檢測為背景，得到候選嚙合區域。區域聚合算法識別候選嚙合區中的嚙合區區域，并將其合并為一個整體，得到初始嚙合區域。基于嚙合區的形狀特性對嚙合區邊緣進行修正，解決點蝕位于嚙合區邊緣造成的不完整分割問題，得到嚙合區最終分割結果。

由于不同點蝕區域具有不同的灰度特性，采用全局分割方法并不合適。同時修正后的嚙合區邊緣部分會包含少量低灰度值的背景區域，該區域與點蝕具有相似的灰度特性。本文采用自適應局部閾值分割得到候選點蝕區域，基于形狀特性去除候選區域中的假陽性FP(False Positive)區域。

2 嚙合區分割

2.1 候選嚙合區分割

在采集的齒面圖像中(圖1)，嚙合區呈現高灰度值特性，然而由于不同齒面具有不同的反射特性，采用固定閾值分割不同齒面圖像的嚙合區并不適用。此外，嚙合區上部和底部的灰度值可能會低于嚙合區中間部分的灰度值。本文提出基于分塊分割算法得到候選嚙合區域。先去除圖像中的光源區域，基于多閾值分割和形狀相似性對圖像進行方向歸一化，得到類嚙合區域。最后對頂部和底部的類嚙合區域進行修正，得到候選嚙合區域。

圖像中光源區域的灰度值由光源的亮度和相機的光圈決定，對于不同的齒面圖像，光源區域的灰度值是相同的。但與光源區域連通的齒面區域具有不同的灰度值，本文采用迭代閾值和面積分析確定斷開光源與齒面區域的閾值Tp。在采集的齒面圖像中，嚙合區域的灰度值在60到100之間，因此初始閾值設為60，然后迭代加10。當閾值使得光源區域和齒面區域斷開時，其分割結果將包含兩個較大面積的連通區域，一個連通區域是光源，另一個連通區域是嚙合區域。因此當迭代閾值分割結果中出現兩個面積大于Amin的連通域時，則該閾值為Tp，分割結果如圖2(a)所示。采集的齒面圖像中，光源面積大于齒輪嚙合區域的面積，因此Amin的取值根據嚙合區的面積設置。本文采集的圖像中，嚙合區域面積的最小值為10 000，考慮到點蝕區域可能使得嚙合區被分割為多個區域，因此Amin的取值應小于嚙合區的面積，本實驗Amin=8 000，即最小面積的0.8倍。光源位于齒輪的上部，因而連通區域中頂點所在行較小的區域為光源區域，去除光源后的齒面圖像如圖2(b)所示。

去除光源和小面積區域的分割結果定義為BW，如圖2(c)所示。在圖2(c)中，齒面的方向是一傾斜角度。在后續嚙合區修正以及點蝕檢測方法中，要求齒面在圖像中是垂直角度，因而需要對圖像進行旋轉。由于齒面的角度與嚙合區的角度相似，采用嚙合區分割結果計算角度并實現圖像的方向歸一化。在圖2(c)中，部分背景區域與嚙合區域粘連，若直接采用圖2(c)的分割結果計算嚙合區角度，由于不同齒面的粘連程度不同，因而其角度誤差會有較大的差異。為了降低角度計算的誤差，采用多閾值分割與形狀相似性去除粘連的背景區域。

使用[Tp+10,Tp+20,Tp+30，Tp+40]對去除光源后的圖像進行分割，每個閾值將得到一個二值模板圖像。當閾值由小到大變化時，分割結果會呈現不同的形狀。將粘連區域與嚙合區斷開的閾值定義為最優閾值To。當閾值大于To時，嚙合區的外圍區域將被分割為背景，此時分割結果的外輪廓與最優分割結果的外輪廓相似。當閾值小于To時，背景區域與嚙合區粘連，此時分割結果的外輪廓與最優分割結果的外輪廓差異較大。據此，通過分割結果的形狀相似性確定To。

令B1=BW，多閾值分割結果為B2到B5。首先對Bi進行形態學填充和開運算，由于嚙合區的形狀并不平滑，對形態學處理后的二值圖像進行凸包運算，運算結果記為BH={BHi,i=1,…, 5}。采用豪斯道夫Hausdorff距離[20]計算形狀相似性。BHi中邊緣點與BHj中邊緣點的距離H(i,j)為

( 1 )

式中：Pi和Pj分別為BHi與BHj中的邊緣點集合；d(p,q)是p和q兩點之間的歐氏距離。最優分割結果BHo(圖2(d))定義為與其鄰近的分割結果具有最小的豪斯道夫距離。

( 2 )

基于最優分割結果BHo計算嚙合區的角度，對圖像進行旋轉，使得齒面為垂直方向。采用主成分分析PCA(Principle Component Analysis)[21]方法計算嚙合區的角度。將BHo中嚙合區的位置坐標[xi,yi]做為PCA的輸入，其輸出為具有最大投影方差的向量v，該向量即為嚙合區的角度。基于向量對圖像進行旋轉，得到結果如圖2(e)所示。旋轉后的BHo記為類嚙合區分割結果。

圖2 齒輪圖像方向歸一化

在部分齒面圖像中，嚙合區的頂部和底部灰度值較低，可能被分割為背景區域，如圖3(b)所示。為降低嚙合區的分割誤差，在類嚙合區分割結果基礎上，對此部分進行分割，得到候選嚙合區域。首先判斷頂部和底部區域分割結果是否正確，若分割不正確，則對結果進行修正。相同型號齒輪中，不同齒面具有相同的高度，因此不同齒面嚙合區域的高度基本相同，采用類嚙合區分割結果的高度Hei可以判斷類嚙合區分割是否正確，當式( 3 )滿足時，則判斷類嚙合區分割不正確。

Hei

( 3 )

閾值Th1的取值由齒輪嚙合區的高度確定，考慮部分齒面圖像中，頂部或底部嚙合區與背景灰度值相似，因此Th1的取值應小于嚙合區高度。本實驗所用齒輪嚙合區在圖像中的高度大約為430，因此Th1可以設置為400。對于不正確分割結果的修正，以頂部區域為例，給出修正過程。令BS1為類嚙合區分割結果，以[To-10,To-20]對頂部區域進行分割，并以分割結果代替BS1中的頂部區域，得到分割結果BS2和BS3。當分割結果中包含粘連背景區域時，連通域的寬度會發生較大的改變，因此綜合考慮高度和寬度差，修正后的分割結果應為滿足式( 4 )時的BSi-1。

( 4 )

式中：Wid(BSi)和Hei(BSi)分別為BSi的寬度和高度。參數Tw取值較大時，修正結果中將包含粘連背景區域;取值較小時，修正結果中部分嚙合區域可能被分割為背景。當分割結果未出現粘連背景時，連續兩次分割結果中連通域的寬度改變較小，因此Tw的取值應較小，本實驗中取Tw=10。對于底部區域的修正，其過程與頂部區域修正過程相同。修正后的分割結果為候選嚙合區域，如圖3(c)所示。

圖3 候選嚙合區域分割

2.2 區域聚合

在如圖4(b)所示的候選嚙合區分割結果中，點蝕區域會導致嚙合區被分為多個小區域，同時部分灰度值較高的背景區域會被分割為與嚙合區粘連的區域。為了去除候選嚙合區的背景區域且將嚙合區分割為一個整體，提出一種區域聚合方法。首先采用粘連區域去除方法使背景區域和嚙合區域分離，然后采用區域選擇方法從分割結果中選擇屬于嚙合區域的所有區域，最后設計區域連接方法,將所有嚙合區域合并得到一個完整區域。

經過方向歸一化，所有齒面圖像中的嚙合區域均為垂直方向。采用90°方向的線型結構體對候選嚙合區二值模板圖像進行開運算，則可斷開背景區域和嚙合區域的連接。由于嚙合區域可能會分為多個小區域，若直接對整個二值圖像進行開運算，則小區域將被去除，因此僅對候選嚙合區域中面積最大的連通域進行開運算。不同齒面圖像中，粘連區域的寬度可能不同，為了適應不同寬度的粘連情況，采用具有不同長度rj的90°方向線型結構算子Se={Se1,Se2,…,Sen}進行迭代開運算處理。長度為rj的開運算處理結果記為BMj，當粘連區域斷開時，相鄰兩次處理結果BMj和BMj-1在寬度、最左側位置以及最右側位置上將不會發生改變。據此，當式(5)滿足時，BMj即為粘連區去除后的結果，如圖4(c)所示。

( 5 )

式中：Wid(BMj)為BMj的寬度；RM(BMj)和LM(BMj)分別為BMj的最左側列所在位置以及最右側列所在位置；γ為參數，本實驗中γ=5。

將候選嚙合區域圖像減去BMj，得到差值圖像，如圖4(d)所示。差值圖像中同時包含嚙合區域以及背景區域，因此設計區域選擇方法將背景區域去除。由于后續通過邊緣修正對嚙合區分割進行處理，差值圖像中小面積的連通域將不影響嚙合區最終分割結果，因此去除差值圖像中面積小于TMA的連通區域。本實驗中，TMA=50。

去除小面積后，對差值圖像中的連通區域按照頂部行所在位置進行升序排序，得到Reg={Regi}。首先令嚙合區域Mesh=BMj，嚙合區域的寬度用Wid表示。每次將Regi添加到嚙合區域中，然后計算區域的高度和寬度，記為Widi和Heii。當嚙合區域中加入背景區域時，將使得嚙合區域的寬度發生改變，或者嚙合區的高度超過閾值。因此當式( 6 )滿足時，區域Regi被保留。

( 6 )

式中：Tw為寬度參數，與2.1節中的Tw是同一參數；Th2為高度參數，其取值由嚙合區的高度確定。本實驗所用齒輪嚙合區在圖像中的高度為430，為保證區域聚合方法找到差值圖像中全部的嚙合區域，Th2的取值應略高于430，本文中Th2=450。區域選擇方法的具體過程如下，其方法流圖如圖5所示。

輸入集合Reg={Regi}，嚙合區Mesh以及其寬度Wid，i=1。

步驟1令Mesht=Mesh∪Regi并計算Mesht的寬度Widi和高度Heii。

步驟2如果Widi和Heii滿足式( 5 )，則令Mesh=Mesht，并重新計算Mesh的寬度Wid，否則令i=i+1，并返回步驟1。

輸出區域選擇結果Mesh。

區域選擇結果如圖4(e)所示。圖4(e)中，嚙合區被分割為多個小區域，形態學閉運算可以連接斷開的區域，因此基于閉運算設計區域連接方法將嚙合區聚合為一完整區域。觀察嚙合區分割結果可得，在垂直方向上連接多個小區域可以實現區域連接為一個整體，且不改變嚙合區的邊緣。不同齒面圖像中，區域之間的距離并不相同，因此采用不同長度90°方向的線型結構算子Se={Se1,Se2,…,Sen}對Mesh進行閉運算。長度為rj的結構算子對應的閉運算結果記為BCj。當BCj中連通區域的個數為1時，所有嚙合區域被連接形成一個完整的區域，區域連接結果如圖4(f)所示。

圖4 區域聚合

圖5 區域選擇方法流圖

2.3 邊緣修正

當點蝕區域位于嚙合區的邊緣區域時，將得不到完整的嚙合區分割結果，如圖4(f)所示。為解決不完整分割的問題，提出基于凸包運算和形狀分析的邊緣修正方法。

由于嚙合區是凸邊形，通過對分割結果進行凸包運算，可以修正因點蝕造成的嚙合區未完整分割問題。對圖4(f)進行凸包運算后的結果用BR表示，如圖6(a)所示。凸包運算在修正嚙合區的同時會引入較小或細長形狀的背景區域，本文通過形狀和面積特性對背景區域進行去除。

首先將凸包運算后圖像BR與運算前圖像BC相減，然后分析差值圖像中每個連通區域的面積和寬度，以判定該連通區域是否需要從BR中去除。如果連通區域面積小于TMA，則去除該區域。該參數與2.2節中的TMA是同一參數。如果連通區域面積大于TMA，則計算區域的寬度，如果區域寬度小于Tw，則去除該區域。由于嚙合區域不是矩形區域，直接采用列的差值作為區域寬度誤差較大。本文基于PCA計算連通區域的角度，將坐標投影在該角度上，投影后坐標列的差值即為區域寬度。背景去除后的嚙合區域如圖6(b)所示，嚙合區的邊緣分割結果如圖6(c)所示。

3 表面點蝕檢測

不同深度的點蝕具有不同的灰度值，首先采用自適應局部閾值分割得到候選點蝕區域[15]，然后基于形狀特性去除候選區域中的假陽性區域。

3.1 候選點蝕區域檢測

由于點蝕區域在圖像中呈現低灰度值，令

fi,j=255-Ii,j

( 7 )

式中：Ii, j是像素點(i,j)的灰度值。在fi, j中，點蝕區域具有較高的灰度值。對于每個像素點(i,j)，計算其局部平均灰度值mi, j

( 8 )

式中：l是窗口的大小，本實驗中l=12。像素點(i,j)的局部方差vi, j為

( 9 )

對于每個像素點(i,j)，閾值設置為mi, j+αvi,j。參數α的取值越大，則方差對閾值的影響越大，可能導致點蝕區域的邊緣點被檢測為非點蝕區域，比較合適的取值范圍是0.1到0.3之間，本文實驗α=0.1。候選點蝕區域BDi,j由式(10)計算，分割結果如圖7(b)所示。

(10)

3.2 假陽性去除

由圖7(b)可以看出，候選點蝕區域中存在部分非點蝕的假陽性區域。這些假陽性區域可以分為兩類，一類是噪聲和灰塵，另一類是嚙合區邊緣部分的背景區域。對于噪聲和灰塵區域，其面積較小，且位于嚙合區域的內部。嚙合區邊緣部分的背景區域包括孤立區域以及和點蝕相連的區域。在去除和點蝕相連的假陽性區域時，首先需要斷開假陽性區域和點蝕區域的連接，斷開連接后的假陽性區域具有細長的形狀特性。據此，假陽性區域去除通過面積閾值和寬度閾值實現，具體過程如下：

步驟1對于BD中每個連通區域Ci，如果面積小于TMA，則去除該區域，否則進入步驟2。

步驟2基于Ci與嚙合區的邊緣是否有重合部分，判定Ci位于嚙合區的內部還是外圍。若位于外圍區域，則計算其區域寬度，如果區域寬度小于Tw，則去除區域，否則進入步驟 3。

步驟3判斷Ci位于嚙合區的左側還是右側，若位于左側，則計算Ci最左側點所在的列，若位于右側，則計算Ci最右側點所在的列，記為Col。

步驟4采用半徑為2的圓形結構算子對Ci進行開運算，得到BF，以斷開假陽性區域和點蝕區域的連接。若Ci位于左側，則提取BF中列Col到列Col+N所在的區域。若Ci位于右側，則提取BF中列Col-N到列Col所在的區域，提取區域用BFe表示。本實驗中N=10。

步驟5對于BFe中每個連通域CEi，如果面積大于TMA且區域寬度大于Tw，則保留CEi。

步驟6將Ci從候選點蝕區域BD中移除，并添加步驟 5中保留的區域，得到最終的點蝕檢測結果，如圖7(c)所示。點蝕區域的邊緣分割結果如圖7(d)所示。

圖7 點蝕檢測

4 實驗結果及討論

以140幅齒面圖像作為實驗數據，從嚙合區域分割以及點蝕區域檢測兩方面對本文提出的算法進行驗證。

4.1 嚙合區分割結果與討論

文獻[15]給出了齒輪嚙合區分割算法，因而選擇文獻[15]與本文提出方法進行比較。首先給出定性實驗結果比較，然后給出基于面積重合率AOM(Area of Overlap Measurement)的定量實驗結果比較。手動分割結果A與自動分割結果B的AOM由式(11)計算。AOM等于1表示完成重合，AOM等于0表示沒有重合。

(11)

對于嚙合區與背景毛刺粘連的情況，如圖8(a)所示。本文提出方法包含了粘連區域去除算法，因而嚙合區分割結果中不會包含毛刺背景，如圖8(b)所示。對于點蝕區域位于嚙合區邊緣區域的情況，如圖8(c)所示。本文提出方法設計了區域聚合和邊緣修正算法，因而可以得到完整的嚙合區分割結果，如圖8(d)所示。

圖8 嚙合區分割結果

對于部分齒面圖像，其頂部或底部的嚙合區灰度值較低，如圖9(a)所示。對于此種情況的嚙合區分割，文獻[15]將低灰度嚙合區分割為背景，如圖9(b)所示。本文提出方法采用分塊分割得到候選嚙合區域，因而可以得到正確的嚙合區分割結果，如圖9(c)所示。

圖9 底部低灰度值嚙合區分割結果

由于齒面磨損程度以及光照條件的影響，部分非嚙合區的背景區域會呈現較高的灰度值，如圖10(a)所示。文獻[15]方法將這些背景區域分割為嚙合區域，如圖10(b)所示。本文方法設計了區域聚合算法，因而可以實現嚙合區域的正確分割，如圖10(c)所示。

圖10 高灰度值背景嚙合區分割結果

對于嚙合區域分割，本文方法的平均AOM是0.89，文獻[15]的平均AOM是0.87。上述實驗結果表明，本文提出的嚙合區分割方法優于文獻[15]給出的方法。

4.2 表面點蝕檢測結果與討論

由于表面點蝕很難通過人工標記準確確定其邊緣，本文僅給出表面點蝕檢測定性結果比較。選擇文獻[9]的PEME閾值分割算法，文獻[12]的改進Otsu算法以及文獻[14]的NAD算法進行比較。首先采用這3種算法得到候選點蝕區域，然后利用本文給出的假陽性去除方法去除假陽性區域。

由圖11(a)和圖11(b)可以看出，文獻[9]和文獻[12]算法不能檢測出灰度值較高的點蝕區域， 其原因為這兩種方法為全局閾值分割方法。文獻[14]算法是局部閾值分割方法，因而可以得到較好的點蝕區域檢測結果，如圖11(c)所示。然而該方法沒有考慮像素點灰度值的方差，因而存在過分割現象。本文提出的方法同時考慮局部均值和方差分割點蝕區域，因而適用于不同灰度值和不同對比度點蝕區域的檢測，如圖11(d)所示。

圖11 點蝕分割結果比較

5 結束語

本文提出一種基于機器視覺的列車外齒輪磨損狀態定量檢測方法。結合分塊分割、區域聚合以及邊緣修正，實現齒面圖像嚙合區域分割。分塊分割可以避免將低灰度的嚙合區檢測為背景；區域聚合可以避免將高灰度值的背景分割為嚙合區，并將嚙合區合并為一個整體；邊緣修正可以避免點蝕區域位于嚙合區邊緣造成的不完整分割。結合自適應局部閾值以及基于形狀特性的假陽性去除算法，實現了齒面圖像的點蝕區域檢測。在140幅齒面圖像上對提出方法進行驗證，嚙合區分割的平均AOM為0.89，點蝕區域檢測方法性能優于現有方法。本文提出的齒輪磨損檢測系統受圖像采集設備影響較大，需要調整CCS光源以及相機的位置以獲取高對比度的圖像。另一方面本文中的一些參數取值與齒輪結構相關，當對其他齒輪進行檢測時，需要改變這些參數取值。后續工作將研究圖像采集系統的優化以及算法普適應的問題。