基于反相灰度圖二值化修正的鐵譜圖像磨粒特征提取*

樊紅衛 丁 驍1 高爍琪1 邵偲潔1 楊一晴1 馬宏偉 張旭輝

(1.西安科技大學機械工程學院 陜西西安 710054；2.陜西省礦山機電裝備智能監測重點實驗室 陜西西安 710054)

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

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，可快速精準定位目標區域，而蟻群算法依靠并行性和全局搜索能力，可精準逼近磨粒邊緣。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顏色環境或對鐵譜圖像進行大量濾波處理，缺乏普適性，對鐵譜成像質量要求極高。徐斌等人[4]針對鐵譜圖像磨粒識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行銳化后使用Robert和Sobel算子進行邊緣檢測的方法，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]提出了鐵譜圖像數字化特征提取及分類識別方法，提出了磨粒圖像邊緣檢測方法，但僅用作分類依據，未做深入研究，且用于分類匹配的標準磨粒樣本數量較少，存在一定的識別誤差。姚智剛[7]提出了鐵譜圖像中磨粒群統計特征的快速提取方法，采用小波分解研究磨粒群形態學特征，構造等效尺寸，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和細節提取的方法，基于將色彩對比度、飽和度、曝光亮度融合至金字塔算法中，根據圖像信息賦予不同的權重參數來實現圖像細節的增強。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域與背景區域后，對磨粒區域采用改進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別方法，采用色度矩提取彩色紋理特征，利用SVM(支持向量機)對圖像紋理進行識別。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。

在上述研究的基礎上，本文作者針對煤礦機械低速重載齒輪箱的磨損故障診斷問題，建立了相關的齒輪箱和鐵譜分析儀器平臺，開展了鐵譜分析實驗研究，提出了一種基于差商思想的鐵譜圖像自動化閾值分割方法，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成。同時，某些磨粒在制譜時因取圖設備帶來的不可控因素導致部分邊緣與背景間皆為亮色，邊緣細節模糊。使用反相處理，取其互補色可以突出磨粒的邊緣細節。圖1所示為將磨粒原圖的局部細節放大后以單個像素的方式展示，當圖片縮放到某一尺度時，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，導致區分度不明顯，此時如直接使用閾值分割則會出現誤分割，但對原圖進行反向操作后，如圖1(b)所示，磨粒和背景間的漸變現象減弱，有益于閾值分割。

圖1 反相前后磨粒圖局部細節放大情況

1.2 反相圖像的灰度圖

常用的灰度圖轉化方法主要有加權法、平均法和單通道法。基于加權法的灰度圖轉化公式如式(1)所示。

G=R·a+G·b+B·c

(1)

式中：R、G、B分別為像素點顏色描述值；a、b、c分別為權重系數，文中按紅色a=29.9%、綠色b=58.7%、藍色c=11.4%處理，此系數所轉化出的灰度圖感官上最符合人類認知，其轉化過程按照人類對背景與前景的認知進行操作，所得灰度圖具有層次感，應用廣泛。

平均法的灰度圖轉化公式為

PGray=(R+G+B)/3

(2)

單通道法的灰度圖轉化公式為

PGray=g

(3)

針對正常滑動磨粒，采用加權、平均和單通道法所得灰度圖結果如圖2—4所示。

圖2 正常滑動磨粒的加權灰度圖

圖3 正常滑動磨粒的平均灰度圖

Fig 3 Average gray image of normal sliding abrasive particles

根據圖2—4可知，平均法求得的灰度圖不適合磨粒預處理，會凸顯噪點，影響磨粒識別結果；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，需高質量的原始圖像。綜合分析，文中選用加權灰度圖。

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，按照灰度，將像素按一定規律劃分，得到的每個區域內部具有一致性，相鄰區域不具有一致性。常見的閾值分割是單點閾值分割，通過對大量磨粒圖片的觀察與研究發現，單值閾值分割不適合磨粒圖像灰度圖處理。因為大多數磨粒圖像中磨粒邊界和背景間存在漸變銜接的現象，其取決于呈像設備的算法還原度及制譜時的人為因素，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是找到可以分割出目標物體的閾值上限和下限，通過一定規律，找到上下限后，將原圖像轉化為二值圖。由圖6可知，正常滑動磨粒的灰度直方圖存在至少一個峰和兩個谷。

圖5 三段式閾值分割示意圖

圖6 正常滑動磨粒灰度圖及其直方圖

由于反相后的磨粒以藍色系為主，所以根據加權法灰度圖的轉化公式，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算

二值化圖像處理的兩個主要參數是原始圖像和結構化元素，后者決定操作的性質。形態學的兩個基本操作是腐蝕和膨脹，其組合構成了開、閉運算。膨脹操作使一幅圖像中白色增多、黑色減少，常用來擴充邊緣或填充小孔。腐蝕是膨脹的反操作，可擴大黑色、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，先使用開運算即腐蝕，消減部分磨粒及散落在背景中的小點，再膨脹，補償之前消減的部分磨粒，且由于背景噪點已被消除，不會因膨脹產生多余的影響。開運算完畢后，會發現有時磨粒圖像中有些磨粒內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生了微小孔洞，此時使用閉運算，先膨脹，擴充磨粒面積，同時消除磨粒內部孔洞，后腐蝕，還原之前因為膨脹造成的面積擴展，如圖7(b)所示。

圖7 二值圖像的開閉運算處理

2.3 圖像修正

磨粒圖像處理有一定概率發生誤分割，即油污被識別為磨粒。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算對其修正補償，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，導致整個背景色調不一致，使閾值分割無法正常進行，以致閾值分割后圖像細節丟失。這種情況多出現于硬件操作不當，如顯微鏡攝像頭對焦位置偏離中心，或綠色聚光燈未對準中心導致整張圖片明暗不平衡。以上兩種情況，均可采用規范化制譜得以解決。

3 磨粒特征的表征

3.1 磨粒的數值特征

磨粒特征提取采用Python skimage庫中的measure方法，實現對連通區域標記以及輸出區域的相關屬性，共建立了8種常用參數，其核心參數5個，包括區域面積、圓度、區域周長、等效圓直徑、畸形度；輔助參數3個，包括離心率、區域歐拉數、質心坐標。

3.2 磨粒的識別

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

圖8 磨粒識別流程

4 磨粒圖像處理算法驗證

4.1 標準的正常磨粒鐵譜圖像處理

利用Python開發了磨粒鐵譜圖像處理程序，針對標準的正常滑動磨損的鐵譜圖像，采用文中提出的圖像處理算法，進行了反相、灰度圖轉化、二值化處理、圖像修正和磨粒區域識別等，如圖9所示。由圖9可知，經過文中算法的處理，圖9(f)基本上如實反映了原始的鐵譜圖像中磨粒所在的區域，表明文中所提出的算法是有效的。

圖9 正常滑動磨損的鐵譜圖像處理結果

4.2 齒輪箱磨粒鐵譜圖像處理實驗

為了驗證所提出的算法在實際設備的磨粒分析中的有效性，設計了驗證性實驗。實驗對象如圖10所示，鐵譜分析平臺如圖11所示。實驗針對一個齒輪傳動系統，如圖10所示，由變頻電機驅動，經聯軸器后進行二級行星輪系和二級直齒輪減速器，負載由磁粉制動器模擬，減速器采用600XP150齒輪油進行潤滑。黏度等級為150的YTF-8分析式鐵譜分析平臺如圖11所示，相關參數如表1所示。

圖10 齒輪傳動系統

圖11 鐵譜分析平臺

表1 鐵譜分析平臺主要參數

圖12所示為50倍物鏡下齒輪減速器油液鐵譜圖像分析結果，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，對鐵譜圖像原圖執行反相操作得到的負片鐵譜圖像，反相后鐵譜圖像的灰度圖，初步二值化圖，二值化修正圖，磨粒標定圖。圖12(f)中，4個連通區域特征參數定量識別結果如表2所示。

從圖12可知，經過文中算法的處理，原始的鐵譜圖像被標定為4個聯通區域，準確反映了原始譜圖中磨粒區域的劃分和幾何形狀，計算得到了表2所示的8個幾何特征參數，實現了磨粒分布狀態的定量識別。

根據圖12可知，齒輪箱發生了滑動磨損。為此，對齒輪箱進行了拆解，圖14所示即為齒輪箱內直齒輪(見圖13中①)的輪齒表面實拍照片，可知該齒輪箱目前確實處于滑動磨損狀態，實測結果證明了文中磨粒識別結果是正確的。

圖12 齒輪箱油液鐵譜圖像分析結果

圖13 二級直齒輪減速箱內部結構

參數區域①區域②區域③區域④區域面積A/(μm2·(pixel)-1)115.967.166.818.8區域周長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質心坐標30,8896,75164,108190,81區域歐拉數1111

圖14 齒輪齒面狀態照片

5 結論

(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行開閉運算，實現了其修正，保證了磨粒特征提取的準確性。

(3)確定了鐵譜圖像特征參數及識別方案，通過標準圖像和實驗圖像處理，證明了所提出的算法能夠準確獲取磨粒幾何形狀和特征參數；通過實拆齒輪箱，證實了該齒輪箱正處于滑動磨損狀態。