氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法研究*

李夢琳 范 斌， 劉 勇 張 鵬 杜文亮 毛軍紅

(1.內蒙古農業大學機電工程學院 內蒙古呼和浩特 010018；2.特種車輛及其傳動系統智能制造國家重點實驗室 內蒙古包頭 014030；3.西安交通大學機械工程學院 陜西西安 710049)

油液監測技術作為一種機械狀態監測和故障診斷技術，已經成為現代設備管理和設備維修方式的支撐技術之一[1]。離線鐵譜技術利用高梯度磁場的作用，使得磨粒按大小排列后，制成鐵譜片，然后通過電子顯微鏡獲取清晰譜片圖像，可提取磨粒的濃度、尺寸、形狀、顏色等特征信息，為實現磨損故障診斷和定位提供了有效途徑[2]。然而，離線鐵譜技術由于其取樣過程要求嚴格、代表性油樣獲取難、取樣數量有限、反應速度慢、分析周期長、很大程度依賴于專家經驗的定性分析，導致分析結果可能丟失掉捕捉磨損突發變化的機會[3]。在線鐵譜分析技術[4-5]彌補了這一缺點，可實時監測被監控對象，且對油液的狀態不進行任何改變，所有操作都自動控制，避免了人工檢測分析對結果的影響。

然而，為了滿足在線應用的需求，在線鐵譜傳感裝置的光學成像結構簡單，放大倍率有限，獲取的鐵譜視頻圖像分辨率低(640×480)。另外，在潤滑油的使用過程中，由于循環流動與空氣接觸以及受到激烈攪動以及抗泡劑過度消耗時，使得潤滑油中已溶解或混入空氣在高溫作用下釋放會產生大量氣泡[6-7]。當在線鐵譜傳感裝置在線實際應用時，當潤滑油攜帶的氣泡流經采集區域，由于氣泡的運動和離焦現象，使得捕獲的在線鐵譜視頻圖像具有高干擾、高模糊的特點。

以往在離線分析鐵譜應用中，為了提供快速、自動的磨粒分析結果，采用了一些計算機輔助分析方法[8]。諸如自動閾值法[9]、小波變換多閾值分割法[10]與改進分水嶺算法[11]可以使磨粒分割的效果更佳；基于兩次K-means顏色聚類方法，解決了鐵譜圖像中亮暗磨粒同時存在的情況下磨粒提取不完全的問題[12]。然而由于在線鐵譜獲得的譜片分辨率低，加之氣泡的干擾，這些離線的計算機輔助分析方法很難移植到在線鐵譜視頻圖像處理當中。因此在線鐵譜在油液不停流動情況下獲取的磨粒視頻圖像，因環境噪聲干擾嚴重、清晰度低，圖像處理和磨粒分析面臨挑戰。

本文作者針對在線鐵譜視頻圖像處理和磨粒分析面臨的氣泡高干擾問題，提出了一種氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法。首先運用運動物體檢測的方法確定氣泡位置，并采用相鄰幀圖像信息對氣泡區域進行處理，然后使用雙邊濾波對其平滑去噪，實現氣泡干擾的初步抑制；然后基于抑制圖像灰度直方圖分布，實現在線鐵譜視頻圖像的磨粒自適應快速分割。該研究為后續磨粒特征分析和智能提取奠定了基礎。

1 氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法設計

采集到的在線鐵譜視頻圖像，具有氣泡密集且移動速度快的特點，遮擋磨粒，影響磨粒的信息提取與分割，如圖1所示。

圖1 高干擾在線鐵譜視頻圖像與清晰鐵譜圖像Fig 1 High interference online ferrography video images (a)(b) and clear ferrography image(c)

為了達到磨粒準確分割的效果，首先要抑制在線鐵譜視頻圖像中的氣泡干擾，再實現磨粒與背景的分割。針對氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法流程如圖2所示。

圖2 氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法流程Fig 2 Flow of fast wears segmentation algorithm for onlineferrography video images in high interference of bubble

該算法步驟為：首先將在線鐵譜視頻圖像轉換為鐵譜灰度圖像進行處理；然后根據前后相鄰幀差確定氣泡位置，同時比較前后兩幀與當前幀氣泡位置的像素點灰度值差值，使用差值最小幀的像素值代替氣泡位置像素值，再運用雙邊濾波平滑圖像以實現氣泡抑制；最后對抑制氣泡后的每一幀鐵譜圖像獲取背景最小灰度值g，以0.9g作為閾值分割磨粒獲取二值鐵譜磨粒圖像，最終實現磨粒分割。

1.1 在線鐵譜視頻圖像氣泡干擾的抑制

對視頻圖像進行處理時首先將視頻拆分成一幀一幀的灰度圖像，再對其進行批量處理。抑制氣泡干擾首先要獲取氣泡所在位置，由于在線鐵譜視頻中的磨粒被吸附在基板上可以看作是不運動的，而氣泡在不停運動且移動速度快，所以為獲取氣泡位置可以采用運動物體檢測的方法。在線鐵譜視頻圖像拍攝時所采用的背景不變化，但由于氣泡遮擋關系，對光線的明暗產生細微影響，造成各幀圖像之間背景部分灰度值的差異。根據在線鐵譜視頻圖像以上特點，對氣泡干擾抑制首先運用幀差法，獲取運動氣泡的二值圖像，再對其進行膨脹操作確定氣泡所在位置并代替，最后通過雙邊濾波獲得抑制氣泡噪聲后的在線鐵譜圖像。

1.1.1 幀差法獲取氣泡二值圖像

將視頻拆分成圖像序列，并根據YUV的顏色空間和RGB顏色空間的轉換關系將RGB圖像轉換為灰度圖像。原始圖像中任意點(i,j)的像素值為fij={Rij,Gij,Bij},對圖像按照式(1)進行灰度化處理后得到像素值為f′ij={R′ij,G′ij,B′ij}。按照此序列的第n幀圖像記為fn，則第n+1幀圖像記為fn+1，兩幀對應像素點灰度值分別記為fn(x,y)和fn+1(x,y)。幀差法采用連續的兩幀圖像進行差分運算，即對不同幀圖像中所對應的相同位置的像素點進行相減，得到灰度差值，再對得到的差分圖像進行二值化處理。如果對應像素點的變化值超過一定的閾值時，就認定此像素點為運動目標的一部分，以此實現對運動目標的檢測[13]。將相鄰兩幀圖像對應像素點灰度值按照公式(2)獲取差值圖像，再對差值圖像進行二值化處理。根據視頻效果情況選定閾值T為15。根據公式(3)，得到氣泡的二值圖像。

R′ij=G′ij=B′ij=0.299Rij+0.587Gij+0.114Bij

(1)

式中:Rij、Gij、Bij分別為R、G、B三通道像素值。

Diffn=|fn+1(x,y)-fn(x,y)|

(2)

式中:Diffn為差值圖像；fn(x,y)為第n幀圖像(x,y)處灰度值；fn+1(x,y)為第n+1幀圖像(x,y)處灰度值。

(3)

式中:Tn為氣泡的二值圖像；T=15。

1.1.2 相鄰幀圖像代替氣泡位置

通過對多張氣泡圖像的觀察與總結，氣泡形狀多為圓或橢圓形，按公式(4)對其進行3次膨脹操作，目的是擴大氣泡范圍、完全地消除氣泡對其周圍背景及磨粒的影響。再遍歷二值圖像中所有像素點，獲取灰度值為255的所有像素點位置，即二值圖像中白色點的位置(i,j)。按照公式(5)取絕對值較小的那一幀的RGB圖像作為代替當前幀氣泡位置的圖像I。對當前幀RGB圖像的(i,j)位置的像素點進行代替后得到抑制氣泡干擾后的RGB在線鐵譜磨粒圖像。

S=X⊕B={i,j|Bij∩X≠φ}

(4)

式中:B為長軸為12、短軸為7的橢圓形膨脹核；S為得到的二值差值圖像；φ為空集。

(5)

式中：pn為當前幀灰度化后的圖像；pn(i,j)為(i,j)位置的灰度值；pn-1為第n-1幀灰度化后的圖像；pn+1為第n+1幀灰度化后的圖像。

1.1.3 雙邊濾波平滑去噪

由于不同幀圖像背景的明暗差異，在線鐵譜視頻圖像的氣泡被相鄰幀圖像代替后，被代替的部分會與原圖像存在差異，需在保留磨粒邊緣的條件下對其平滑處理。雙邊濾波是一種綜合考慮空間信息和色彩信息的濾波方式，且能夠有效地保護圖像的邊緣[14]，對細小結構也有較好的平滑效果[15]。

其空域公式描述見公式(6)[16]，值域公式見公式(7)，對兩者進行結合即可以得到基于空間距離、相似程度綜合考量的雙邊濾波，可表示為公式(8)。

(6)

式中:kd(x)=?c(r,x)dr；c為基于空間距離的高斯權重。

(7)

式中:kr(x)=?s(f(r),f(x))dr；s為基于像素間相似程度的高斯權重。

h(x)=k-1(x)?f(r)c(r,x),s(f(r),f(x))dr

(8)

1.2 自適應磨粒快速分割算法

通過公式(9)獲取抑制氣泡后的在線鐵譜灰度圖像的灰度直方圖。由灰度直方圖分布以及對圖像的觀察可知，磨粒的灰度值較小，且像素點個數相對背景部分像素點個數較少，從背景中分割出磨粒，需在磨粒灰度值與背景灰度值之間確定合適的閾值。

(9)

式中:rk為像素的灰度級；nk為具有灰度rk的像素的個數；MN為圖像中總的像素個數。

分割前景磨粒與背景時，所選定的閾值需在磨粒灰度值與背景灰度值之間。所以需先得到每幀圖像背景灰度值的起始值g，當將閾值設置為g時，視頻圖像中背景灰度值與磨粒灰度值接近部分也被誤識別為磨粒，證明所設定閾值應小于g。設定閾值為δg(0<δ<1),取δ=0.7、0.8、0.9、1，分別對應圖3中的(c)(d)、(e)(f)、(g)(h)、(i)(j)。圖中方框部分是對同一位置使用不能閾值二值化后的結果，根據大量試驗對比閾值取0.9g時分割效果更好，所得二值圖像中磨粒大小更接近原鐵譜圖像中磨粒的大小，磨粒特征保存得更完整且被誤識別為磨粒的背景較少。

圖3 在線鐵譜視頻圖像與處理后的二值鐵譜圖像Fig 3 On-line ferrography video images and binary ferrography images after processing(a)(b)on-line ferrographyvideo images;(c)(d)δ=0.7 binary images;(e)(f)δ=0.8 binary images;(g)(h)δ=0.9 binary images;(i)(j)binary images when the threshold value is g

2 實例分析與討論

使用封閉力流齒輪磨損試驗臺(如圖4所示)對齒輪箱中的齒輪進行全生命期監測，通過在線鐵譜監測得到1 726個磨粒沉積視頻數據。對獲取的在線鐵譜視頻圖像進行分析與討論。

圖4 封閉力流齒輪磨損試驗臺Fig 4 Closed force flow gear wear test bench

對視頻數據運用文中設計的氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法分割磨粒與背景，隨機選取試驗數據中5個視頻圖像進行驗證，得到試驗結果如圖5—9所示。分別用3種傳統方法，大津法、自適應閾值法以及迭代法[17]，對在線鐵譜視頻圖像進行二值化處理與文中方法的結果對比,每組圖像方框為同一位置不同方法獲得的不同效果。

圖5 試驗結果與對比(一)Fig 5 Experimental results and comparison(Ⅰ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖6 試驗結果與對比(二)Fig 6 Experimental results and comparison(Ⅱ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖7 試驗結果與對比(三)Fig 7 Experimental results and comparison(Ⅲ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖8 試驗結果與對比(四)Fig 8 Experimental results and comparison(Ⅳ)(a)on-line ferrography video images;(b) binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d) binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

圖9 試驗結果與對比(五)Fig 9 Experimental results and comparison(Ⅴ)(a)on-line ferrography video images;(b)binary images obtained by Otsu;(c) binaryimages obtained by adaptive threshold method;(d)binary images obtained by iterative method;(e) binary imagesobtained by fast wears segmentation algorithm for online ferrography video images in high interference of bubble

對采用4種方法所獲取的磨粒數量與抑制氣泡后圖像中磨粒數量作對比，統計結果如表1所示。當磨粒數量正確率最高且錯誤率最低時，磨粒分割效果最好。正確率與錯誤率定義如公式(10)、(11)所示。

表1 4種方法的磨粒數量及正確率與錯誤率統計結果

(10)

(11)

式中：y1、y2分別為正確率和錯誤率；n1、n2分別為正確磨粒數和錯誤磨粒數；n為抑制氣泡后實際磨粒數。

采用大津算法分割后的二值圖像，由于在線鐵譜視頻圖像明暗分布不均勻，識別正確率較低。經自適應閾值處理與迭代法獲得的二值磨粒圖像，在正確率較高的情況下，錯誤率也很高。文中設計的磨粒分割算法可以在氣泡高干擾的情況下保證識別正確率高，同時錯誤率最低。相對于傳統磨粒分割方法，文中算法可以有效識別在線鐵譜視頻圖像中的磨粒。

獲得磨粒二值圖像后可以提取磨粒特征、進行磨粒分類，根據磨粒類型判斷設備磨損程度，在線獲取監測參數，開發在線自適應預警算法，實現對機械設備故障的實時預警等。

3 結論

根據在線鐵譜視頻圖像具有氣泡高干擾的特點，設計一種氣泡高干擾在線鐵譜視頻圖像的磨粒快速分割算法。具體結論如下：

(1)運動物體檢測的方法可獲取氣泡位置，再使用相鄰幀信息對其處理可實現在線鐵譜視頻圖像中氣泡干擾的抑制。

(2)基于抑制氣泡后圖像的灰度直方圖分布，確定每幀圖像的自適應閾值，實現對磨粒與背景的快速分割。

(3)該方法能夠在氣泡高干擾的情況下準確分割磨粒與背景，且磨粒信息保留較完整，為后續對在線鐵譜視頻圖像中磨粒的研究提供便利條件。