基于CCD技術的直升機旋翼共錐度測量方法研究

劉偉*，滿君豐

?

基于CCD技術的直升機旋翼共錐度測量方法研究

劉偉*，滿君豐

（湖南工業大學計算機學院，湖南株洲，412000）

直升機旋翼共錐度值是旋翼動平衡測量的一個主要指標, 它直接關系到直升機的安全和其它各項重要性能的優劣。當在實際測量中，測量圖片包含其他物體時，無法計算旋翼的共錐度值，如何解決物體的識別分類是旋翼共錐度測量方法的關鍵問題。本文以CCD成像技術為基礎，提出了提取圖像形狀特征，并采用BP神經網絡對物體進行識別分類后，再計算旋翼共錐度的方法，并通過實例證實了該方法的正確性。

直升機；CCD成像；BP神經網絡；旋翼共錐度

引言

直升機旋翼是直升機的重要構成，是為直升機飛行產生升力和操縱力的直升機核心部件，直接關系到直升機的安全和其它各項重要性能。直升機旋翼的高度不一致性，會直接影響直升機的飛行性能和振動性能，在高速飛行中尤為明顯，直升機在這種情況下長期工作最終會造成機毀人亡的嚴重事故。因此在直升機在日常的檢查與維護中，需要對直升機的旋翼共錐度進行測量。目前我國主要使用的直升機旋翼共錐度測量方法包括標桿法[1]、頻閃儀法[3]、通用軌跡設備測量法[4]和CCD成像法[5]。上述方法中，標桿法一種最原始的測量方法，這種方法原理簡單，但只能在地面開車時測量，在測量時需要地面和空勤人員相互協作，具有一定的危險性，測量精度低。頻閃儀法操作簡單，主要是靠人眼觀察進行主觀判斷，具有一定的主觀性。通用軌跡設備測量法利用了透鏡成像原理，這種方法在實際測量中必然受到光強和光照的影響。而CCD成像法都是在試驗環境下模擬進行，沒有考慮到實際的測量情況，當出現除槳葉的其它物體在圖片中時，就會影響該次共錐度值測量值，需要重新采集圖片數據。

本文提出的基于CCD成像技術的旋翼共錐度測量系統，針對實際測量過程中，出現拍攝圖片中存在除了槳葉以外的物體時，通過提取不同物體的形狀特征值，經過訓練后的BP神經網絡，實現對物體的識別和分類，再通過找到槳葉槳尖在圖片中的位置，經過成像原理的計算，得出槳葉的實際高度差，即旋翼共錐度值。本文提出的CCD成像技術方法，能夠有效的解決旋翼共錐度測量中的非正常情況，提高了系統的適應性。

1 測量方法及關鍵算法

1.1 測量方法

CCD成像技術共錐度測量原理如圖1所示。

圖1 CCD成像技術測量共錐度原理

設A’點距離圖像水平中心線的垂直像素數為N1，B’點距離圖像水平中心線的垂直像素數為N2。A、B和M點的縱坐標分別為ha，hb和0。以下的推導過程就是為了推導出N1與AM的對應關系，N2與MB之間的對應關系，這樣就可以得到A’B’之間的像素數與實際物體高度差AB（ha-hb）之間的數學關系。

（1）當圖像點位于圖像上半部分時

在圖1中，令圖像上A點成像A’點成像距離圖像中心的像素數為N1,每個像素點的實際物理尺寸為n，焦距為f,在三角形A’M’O中，有

則有

在三角形AOM中，應用正弦定理有，

其中，OM的長度和安裝俯仰角α的大小可由實際安裝位置確定。則ha

由式（2）、（4）即可得出，A點成像點A’距離圖像中心的像素數N1與A點距離參考點M的實際高度差AM的映射的關系。

（2）當圖像點位于圖像下半部分時，在三角形B’M’O中，

則有

在三角形AOM中，應用正弦定理有，

則hb

由式（6）、（8）即可得出，B點成像點B’距離圖像中心的像素數N2與B點距離參考點M的實際高度差MB的高度差的對應關系。

由以上推導可知，N1，N2與物體實際高度為AB，即(ha-hb)之間的相互映射關系。

1.2 圖像的分割

旋翼槳葉共錐度測量所拍攝的圖像為灰度圖像，根據圖像的物體和背景有明顯的灰度差別的特點，采用基于閾值的圖像分割算法，而閾值的選擇則由采用直方圖雙峰法確定。

分割算法如下：

（1）提取旋翼灰度圖像的灰度直方圖T；

（2）從灰度直方圖中提取圖像中像素點個數最多的兩個灰度值H1，H2，即灰度直方圖的兩個雙峰；

（3）尋找這兩個雙峰之間的像素點個數排在最后15位的灰度值；

（4）取這15個灰度值的中間灰度值作為圖像的閾值進行圖像分割。

1.3 物體圖像區域提取

旋翼拍攝圖像經過二值化處理后，需要對目標物體區域圖像進行提取，提取過程如下：

（1）消除二值圖像的區域面積S＜30個像素點的連通域，連通域內像素點值用0代替；

（2）在剩下的連通域中，找到連通域比較密集的區域在圖像所處的位置；

（3）從連通域密集區域所處位置的圖像邊緣開始，找到第一個連通域，記錄這個連通域的位置坐標，從該坐標位置開始，往圖像的內部進行擴張，找到另一個連通域，則把連通域的坐標位置更新為該連通域的位置坐標；

（4）一直尋找到從坐標位置擴張100個像素點都沒有其它連通域或者找到的下一個連通域面積S＞300的時候停止，則確定是目標物體區域，并提取目標物體區域。

1.4 圖像形狀特征提取

圖像形狀特征提取采用Hu不變矩描述法[10]。Hu提出了7個具有平移、旋轉和縮放不變性的矩不變量。其表示為：

2 系統設計

共錐度測量系統主要由共錐度測量部件、共錐度測量控制盒、數據管理計算機和地面處理設備組成。在旋翼的中心轉軸設置一個紅外傳感器，在直升機旋翼槳葉中選定一片基準槳葉，在基準槳葉的槳根處，貼上反光片，用于反射旋翼方位角轉速傳感器發射的紅外光。在基準旋翼槳葉旋轉到傳感器的位置時，會產生旋翼基準槳葉的方位角脈沖信號，倍頻電路根據槳葉的片數，將方位角脈沖進行倍頻，產生每片槳葉的同步拍攝信號相機接收到拍攝信號，觸發相機對旋翼槳葉進行拍照，并將數據發送給數據管理計算機進行存儲。地面處理系統通過分析快取硬盤的數據，確定旋翼槳葉的共錐度。共錐度測量系統的組成如下圖2所示。

圖2 共錐度測量系統組成圖

3 實驗結果

旋翼共錐度測量系統在某機型的安裝位置示意圖如圖3所示。系統安裝于駕駛艙的上端。槳葉的片數為3片，每片槳葉采集6張圖片。CCD上每個像素的實際物理尺寸為0.83um，鏡頭的焦距為16mm。

圖3 系統安裝示意圖

下面一組圖是旋翼共錐度測量時所拍攝的圖片。共錐度測量中的第一片槳葉（基準槳葉）的6張圖片：

第二片槳葉的6張圖片：

第三片槳葉的6張圖片：

以圖4-1位例，圖7是旋翼圖像分割后的圖，圖8是旋翼圖像提取出來的槳葉分割圖，圖9是提取出來的機庫外表分割圖。

3.1 圖像形狀特征提取

分別計算出圖7和圖8的Hu不變矩。如表1所示。

表1 目標物體不變矩

3.2 圖像物體識別與分類

設神經網絡的輸出矩陣為Y，分類目標為5類，n為樣本的類別；對應于每一個樣本設定一個一維矢量對應其輸出。如第5個測試樣本為第2類，則輸出矩陣Y的第5列的第2個元素值為1，其余都為0，即輸出矩陣Y5=[0,1，0,0,0]T。

設置神經網絡的目標差為0.01，最大迭代次數為500次，學習率為0.01，訓練結果如圖10所示。

圖10 神經網絡訓練圖

由圖10可知，在經過154次訓練，網絡已經達到最小訓練誤差0.00826。

通過訓練后的神經網絡對4-1～圖6-6的物體進行識別。

3.3 旋翼共錐度測量

通過對旋翼槳葉的識別后，可以確定旋翼槳葉的具體坐標信息，其旋翼槳葉的槳尖位置如下表2所示：

表2 旋翼槳葉槳尖位置

設基準槳葉1的高度為h1，槳葉2的高度為h2，槳葉3的高度為h3，通過測量得出OM=4116mm，α=30.601°。根據圖1的成像原理，以及公式(4)和公式（8）得出各個槳葉在212轉時的高度如下表3所示。

表3 計算槳葉高度

表4給出了旋翼高度差（即槳葉的共錐度值）為：

表4 旋翼槳葉高度差

4 結束語

本文基于CCD成像技術實現旋翼槳葉共錐度測量系統，提取圖像中的目標物體的形狀特征，通過BP神經網絡實現物體的識別分類，再通過槳葉槳尖的位置，計算旋翼各個槳葉的高度差，即旋翼槳葉的共錐度值。該系統提高了容錯性與準確性，能夠更好的實現幫助維護人員對旋翼槳葉進行高度調整，以使得直升機保持良好的狀態。

[1] 賈剛. 共錐度測量試驗裝置設計與實現[D]. 哈爾濱工程大學, 2009.

[2] 秀玲玲. 圖像分割算法研究及實現[D]. 武漢: 武漢理工大學, 2009, 04.

[3] 魏榮俊, 吳衛東, 鄭立新. 基于圖像處理的直升機旋翼椎體軌跡檢測系統[J]. 直升機技術, 2006, 147(3): 26-28.

[4] 李新民, 彭海鑫, 黃建萍, 等. 利用通用軌跡設備(UTD)測量旋翼椎體[J]. 直升機技術, 2007, 149(1): 50-54.

[5] 姜邁. 基于CCD技術的旋翼共錐度測量系統設計與實現[D]. 哈爾濱工程大學, 2009.

[6] 姜邁, 蔡成濤, 鄧超, 等. 基于全景視覺技術的旋翼共錐度測量系統的設計及實現[J]. 吉林大學學報(工學版), 2012, 42(1): 193-198.

[7] 翟俊海, 趙文秀, 王熙照. 圖像特征提取研究[J]. 河北大學學報(自然科學版), 2009, 29(1): 106-112.

[8] 劉天舒. BP神經網絡的改進研究及應用[D]. 哈爾濱: 東北農業大學, 2011, 06.

[9] 陶劍峰. 基于多特征融合的行人檢測方法研究[D]. 南京: 南京理工大學, 2013, 03.

[10] 黃志開. 彩色圖像特征提取與植物分類研究[D]. 合肥: 中國科學技術大學, 2006, 11.

Research on Helicopter Rotor Common Taper Measurement Method Based on CCD Technology

LIU Wei*, MAN Junfeng

(School of Computer Science, Hunan University of Technology, Hunan Zhuzhou, 412000, China)

Helicopter airscrew pyramid angle is a main index of airscrew dynamic balance measurement. It is directly related to helicopter safety and other important performance advantages and disadvantages. In actual measurement, when the measurement image contains other objects, the airscrew pyramid angle cannot be calculated. How to solve the problem of identification and classification of the object is a key problem in the measurement method of the airscrew pyramid angle. Based on the CCD imaging technology, this paper proposes the method of extracting the shape features of images and using BP neural network to identify and classify the objects, and then calculate the airscrew pyramid angle, and proves the correctness of the method through experiments.

helicopter; the CCD imaging technology; BP neural network; airscrew pyramid angle

10.19551/j.cnki.issn1672-9129.2018.01.057

TN386

A

1672-9129(2018)01-0140-04

劉偉, 滿君豐. 基于CCD技術的直升機旋翼共錐度測量方法研究[J]. 數碼設計, 2018, 7(1): 140-142.

LIU Wei, MAN Junfeng. Research on Helicopter Rotor Common Taper Measurement Method Based on CCD Technology[J]. Peak Data Science, 2018, 7(1): 140-142.

2017-10-16；

2017-12-21。

劉偉(1985-)，男，湖南衡陽，碩士研究生，研究方向：圖像信息處理。E-mail:2646069240@qq.com