基于Robert 算子改進(jìn)算法提取軸瓦磨損特征的研究

劉文濱 丁傳廣 于 超 王 靜

（浪潮集團(tuán)有限公司，濟(jì)南 250000）

發(fā)動(dòng)機(jī)軸瓦磨損是常見的發(fā)動(dòng)機(jī)設(shè)備故障。通過分析磨損區(qū)域與磨損程度，可以推斷發(fā)動(dòng)機(jī)故障形式與故障源。因此，對(duì)于軸瓦磨損區(qū)域的圖像識(shí)別與磨損特征的提取是發(fā)動(dòng)機(jī)故障診斷的一個(gè)重要技術(shù)。

軸瓦磨損的分析中，需要提取磨損特征，并對(duì)磨損信息進(jìn)行數(shù)值化，以便用于專家系統(tǒng)與人工智能系統(tǒng)的分析。圖像識(shí)別技術(shù)是磨損痕跡提取的重要方式，因此如何選用不同的圖像識(shí)別方法是提取軸瓦磨損的關(guān)鍵。

1 軸瓦磨損圖像特征提取方法

軸瓦磨損分析的目的是分析軸瓦的受力狀態(tài)，因此可以通過磨損痕跡確認(rèn)軸瓦的受力位置、受力面積以及受力程度，進(jìn)而推斷出發(fā)動(dòng)機(jī)運(yùn)行狀態(tài)。通過圖像處理提取軸瓦磨損的磨損參數(shù)，是現(xiàn)代磨損分析的一種有效方法。一般通過提取磨損特征為人工智能提供分析數(shù)據(jù)，以便判斷磨損形式，因此圖像處理的效果是后續(xù)分析的關(guān)鍵。磨損圖像特征提取為圖像提取的一種特例。絕大多數(shù)圖像處理方法都能提取一部分軸瓦磨損圖像特征，但每種方法提取特征的有效性不盡相同。在提取圖像特征的算法中，現(xiàn)有的圖像處理方法通常會(huì)采用增強(qiáng)算法計(jì)算磨損區(qū)域的灰度像素比值，以突出磨損的區(qū)域、位置等特征量[1]。這種方法是常用的且非常有效的。現(xiàn)在常用的圖像特征提取的算法包括Hough 圖像變換[2]、微分算子法[3]、拉普拉斯算子[4]以及Canny 邊緣檢測法[5]等。

1.1 Hough 圖像變換

Hough 圖像變換是提取輪廓邊界特征法的經(jīng)典方法之一[2]，基本思想是利用像素點(diǎn)線之間的對(duì)偶性，將圖像的邊緣像素連接形成區(qū)域的封閉邊界。其中，廣義的Hough 變換是通過對(duì)圖像曲線邊界的變換算法推廣到檢測任意圖像形狀區(qū)域的外邊界，并通過均化周圍像素灰度值來確定不規(guī)則區(qū)域的中心。因此，Hough 圖像變換檢測得到的圖像邊緣具有較好的邊界形狀復(fù)雜適應(yīng)性，但精度不會(huì)很高，是此算法的缺點(diǎn)。

1.2 微分算子法

微分算子法為經(jīng)典的邊緣提取方法，基本思想是根據(jù)灰度值的變化量判斷區(qū)域的邊界。此方法突出了灰度值變化的作用，因此對(duì)圖像運(yùn)用導(dǎo)數(shù)算子，將圖像的導(dǎo)數(shù)算子運(yùn)算值稱作邊界強(qiáng)度，通過邊界強(qiáng)度設(shè)置閾值提取邊界點(diǎn)集。其中，一階導(dǎo)數(shù)算子是最簡單也是最實(shí)用的微分算子。

對(duì)每一個(gè)像素進(jìn)行以上運(yùn)算，運(yùn)算量較大，因此常用小區(qū)域模板卷積進(jìn)行近似運(yùn)算，但計(jì)算量依然較大。后續(xù)的算法優(yōu)化中，依次出現(xiàn)Sobel 算子[1]、Robert 算子以及Prewitt 算子，但此類算法的本質(zhì)相同，不同點(diǎn)在于Prewitt 算子是加權(quán)平均算子，對(duì)噪聲有抑制作用，對(duì)噪聲的抑制同樣會(huì)降低梯度值的敏感性。所以，Prewitt 算子對(duì)邊緣的定位不太準(zhǔn)確，甚至不如Robert 算子精確。

1.3 拉普拉斯算子

拉普拉斯高斯算子是一種二階導(dǎo)數(shù)算子，將在邊緣二階梯度圖像產(chǎn)生零交叉時(shí)的位置具有同向同性的特點(diǎn)，因此能對(duì)任何走向的界限和線條進(jìn)行銳化，是相對(duì)微分算子的最大優(yōu)點(diǎn)。

1.4 Canny 邊緣檢測法

Canny 邊緣檢測是一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能，在圖像處理中得到了越來越廣泛的應(yīng)用。Canny 邊緣檢測算法的優(yōu)點(diǎn)在于使用兩種不同的閾值分別檢測強(qiáng)邊緣和弱邊緣，且當(dāng)弱邊緣和強(qiáng)邊緣位置差符合一定誤差時(shí)才將弱邊緣包含在輸出圖像中。因此，如何界定強(qiáng)弱邊緣的誤差成為此算法的關(guān)鍵。

1.5 Robert 算子檢測方法

Robert 算子是一種梯度算子。運(yùn)用交叉的差分表示梯度，是一種利用局部差分算子尋找邊緣的算子，對(duì)于具有陡峭的低噪聲的圖像效果最好。Robert 算子檢測方法對(duì)具有陡峭的低噪聲的圖像處理效果較好，但是Robert 算子提取的結(jié)果比較粗糙，因此定位不是很準(zhǔn)確。但是，Robert 算子檢測方法具有自己的特點(diǎn)，即相對(duì)同等精度的其他算法，計(jì)算量要小得多。同時(shí)，此算法對(duì)于磨損邊界提取效果只是在位置精度有所下降，磨損區(qū)域范圍特征提取相當(dāng)精確。

軸瓦磨損特征最主要的特征量是磨損位置和磨損程度。所涉及的圖像識(shí)別量是磨損邊界識(shí)別和磨損區(qū)域的灰度值。在磨損區(qū)域的圖像處理中，灰度值的大小與磨損形式和磨損程度沒有直接聯(lián)系，在邊緣位置的精確要求上并不高。因此，相對(duì)于其他算法，Robert 算子是軸瓦磨損圖像特征提取前處理非常理想的算法。

2 基于Robert 算子提取磨損特征的方法

針對(duì)實(shí)際中軸瓦磨損層度與周圍磨損區(qū)域的分析與運(yùn)用，提出一種在Robert 算子基礎(chǔ)上改進(jìn)的位置判斷方法，以便快速提取磨損特征。

步驟1：計(jì)算消除因子。選取通過Robert 算子的算法提取邊界像素集，得到集合PL。提取磨損區(qū)域的邊界，采用以邊界像素的平均值為常數(shù)kP，記為消除因子kP。

式中：PL為所提取的磨損圖像的邊緣像素集。

步驟2：使用消除因子kP將圖像像素比值化。將圖像像素值與kP相比，并將比值單獨(dú)自行進(jìn)行n次方相乘，放大磨損區(qū)域的像素比值，同時(shí)消除非磨損區(qū)域的像素比值，形成新的像素點(diǎn)

將所有各像素比值進(jìn)行求和，將和值作為磨損層度大小的判斷值。

依次類推，可以得到縱軸的各區(qū)域的累加值Gyj。

得到軸瓦磨損圖像的矩陣特征的元素為：

將X軸和Y軸上的各段疊加值作為矩陣元素形成特征矩陣，進(jìn)而得到圖像的磨損矩陣A、橫向磨損向量B和縱向磨損向量C。

只要各個(gè)線域劃分得足夠細(xì)，磨損特征矩陣A可以清晰表達(dá)磨損的形狀與位置。磨損特征向量B和特征向量C可以作為神經(jīng)網(wǎng)絡(luò)系統(tǒng)進(jìn)行特征判斷的向量。

3 磨損特征

磨損特征主要標(biāo)定磨損的類型、程度與位置，為后續(xù)數(shù)值化處理磨損提供依據(jù)。在所有軸瓦的磨損特征表述中，像素直方圖、灰度圖等為詳細(xì)的磨損數(shù)值特征，但數(shù)據(jù)較大，難以及時(shí)處理或在機(jī)械學(xué)習(xí)中實(shí)現(xiàn)在線泛化。因此，對(duì)于特征的壓縮和另類等同特征為主要研究對(duì)象。

提取曲線將軸瓦各種典型磨損進(jìn)行特征提取，作為磨損判斷的專家數(shù)據(jù)庫數(shù)據(jù)。通過分析所提取軸瓦磨損特征矩陣，判斷磨損類型。

4 例證

根據(jù)基于Robert 算子提取磨損特征的方法提取磨損特征矩陣A、磨損特征向量B和特征向量C，將磨損特征向量B和特征向量C以曲線的形式放在灰度圖的邊緣，所得結(jié)果如圖1 所示。相比于灰度圖，磨損特征向量B和特征向量C將兩維的面數(shù)據(jù)變?yōu)橐痪S數(shù)列，可以在表示灰度圖的同時(shí)為其他分析方法（如機(jī)械學(xué)習(xí)、人工智能）提供相應(yīng)的分析數(shù)據(jù)。通過直觀分析圖1 可知，新的灰度值處理方法所得結(jié)果可以有效表示軸瓦磨損圖像的灰度特征。

5 結(jié)語

（1）圖像特征提取是在Robert 算子算法的基礎(chǔ)上進(jìn)行改進(jìn)，充分利用了Robert 算子陡峭的低噪聲圖像處理效果，同時(shí)后續(xù)的算法對(duì)于結(jié)果的精度沒有特別要求，因此避免了Robert 算子結(jié)果計(jì)算不準(zhǔn)確的問題。

（2）經(jīng)過提取圖像特征的磨損特征向量B和特征向量C分別代表了磨損區(qū)域、強(qiáng)度在兩個(gè)正交方向上的投影，因此可以快速估計(jì)磨損的位置與磨損區(qū)域的大小。因?yàn)檩S瓦磨損的區(qū)域與軸瓦磨損的形式具有一一對(duì)應(yīng)關(guān)系，所以可以通過特征向量B和特征向量C初步判斷軸瓦磨損的形式。

（3）相比于灰度圖，磨損特征向量B和特征向量C將兩維的面數(shù)據(jù)變?yōu)橐痪S的數(shù)列，可以在表示灰度圖的同時(shí)為其他分析方法提供相應(yīng)的分析數(shù)據(jù)。