陶 輝,陳閩杰,賀石中,馮 偉
(廣州機械科學研究院有限公司 設備狀態(tài)檢測研究所,廣東 廣州 510700)
鐵譜圖像分析是鐵譜技術的重點和難點[1]。機器磨損狀態(tài)的在線監(jiān)測具有重要的工程意義,圖像可視在線鐵譜系統(tǒng)提供了新的技術手段,在線鐵譜圖像獲取機器磨損狀態(tài)信息是鐵譜診斷技術的核心和瓶頸[2]。由于不同的磨損機理對應監(jiān)測設備不同的損傷形式,因此對磨粒類型的智能識別,其實質(zhì)是一種故障模式識別。對磨粒類型的正確識別是進行磨損模式識別的重要任務,它直接關系到磨粒識別的最終結果,對設備的磨損狀態(tài)監(jiān)測、故障診斷的準確性有著重要影響。傳統(tǒng)磨粒分析對技術人員經(jīng)驗及知識水平依賴性較大,分析精度差別較大,且只能做一些定性描述,這影響了鐵譜技術的應用與發(fā)展,并阻礙了對采用磨粒進行磨損故障診斷后續(xù)數(shù)據(jù)處理的自動化、智能化和系統(tǒng)化的發(fā)展。隨著人工智能及油液分析技術的信息化發(fā)展,磨損故障診斷也進入了智能化階段,并有了嘗試性運用。在該領域,文獻[2]研究了一種新的在線鐵譜圖像分析的方法,經(jīng)過圖像采集、二值化、磨粒分割、特征構造、趨勢分析等對鐵譜圖像進行診斷;文獻[3]設計了一種融合在線鐵譜圖像特征信息的磨損狀態(tài)診斷方法,再融合能量、熵、慣性矩、局部平穩(wěn)性等圖像紋理特征對磨損狀態(tài)進行分析、診斷、評價;文獻[4]針對鐵譜圖像磨粒計算分析問題,研究了采用YUV顏色空間方法二值化、合理卷積模板實現(xiàn)銳化;并通過運用減背景法和自動閾值法,提高了磨粒分割準確率;文獻[5]提出了二次二值化方法,改進了磨粒識別效率、采用線性濾波處理磨粒圖像和低通濾波處理背景噪點,提高了識別精度;文獻[6]基于D-S證據(jù)理論的信息融合方法應用于磨損顆粒的自動識別,編制了相應的計算機識別程序,在對磨粒圖象的形態(tài)特征參數(shù)進行篩選和統(tǒng)計分析的基礎上,研究了各參數(shù)的統(tǒng)計容許限和決策基元概率;文獻[7]提出了基于遺傳算法的信息融合柴油機故障診斷方法,采用對油液磨粒的特征進行柴油機的故障監(jiān)測,本文正是在文獻[3]、[4]、[6]的在線鐵譜磨損分析基礎上,設計一種較為準確基于蟻群算法改進Otsu法來解決鐵譜圖像邊緣問題的同時,量化大小磨粒個數(shù)及比例。
在線鐵譜圖像成像過程中,會受流道油液回流、拍攝光線、亮度等的影響;同時,獲取的磨粒形貌復雜,磨粒特征參數(shù)較多,每個特征參數(shù)對于磨粒識別的貢獻不同,而且不同的磨粒特征參數(shù)之間可能存在一定的相互關系等,算法的精確性與時效性顯得尤為重要;本文通過Kirsch算子檢測出圖像邊緣,再設計基于蟻群算法改進Otsu方法求取最佳閾值并進行二值化處理,然后基于灰度堆??臻g實現(xiàn)磨粒自動定位的方案在水電廠得到了較好的應用。
數(shù)字磨粒圖像由許多像素組成,如經(jīng)二值化后的磨粒圖像,磨粒圖像由0和1兩種像素組成,則:面積(A)表示像素為0的個數(shù)總和;周長(P)表示邊界像素間距離的總和(上、下、左、右像素間的距離為1,對角線像素間的距離為);圓形度為Rd=4πA/P2。這樣對像素進行各種統(tǒng)計分析,便得到了磨粒在統(tǒng)計分析方法上的各種輪廓特征。
面積A為在磨粒圖像上的面積,表示磨粒的投影面積大?。?/p>
等效直徑D為磨粒的等效直徑:
磨粒長寬比Rs,該參數(shù)反應了磨粒的形狀。如Rs接近1表示該磨粒處于圓形或正方形;如Rs遠遠大于1,則表示該磨粒是細長狀或條型:
目前,多種邊緣檢測算子已經(jīng)被提出;主要有經(jīng)典的一階微分邊緣檢測算子,如Roberts,Prewitt和Sobel算子,二階微分邊緣檢測算子如Marr-Hildreth和Marr-Poggio算子,階梯型邊緣檢測算子如canny算子。從簡單性和效果性兩方面考慮,我們選擇了快速Kirsch邊緣檢測方法[7]。
Kirsch算子由8個3×3窗口模板組成,每個模板分別代表一種特定的檢測方向,其模板算子如圖1所示。
圖1 Kirsch算子Fig.1 The Kirsch operator
在進行邊緣檢測時,把每個模板(加權矩陣)分別與圖像中的一個3×3區(qū)域做卷積運算,選取輸出值為最大的模板。然后把取得最大值的邊緣模板MK的方向k作為邊緣方向。假設圖像中的任一點P(i,j)及其周圍3×3區(qū)域的灰度如圖2所示,設 qi(i=0,1,…,7)為圖像經(jīng)過 Kirsch 算子第 i個模板處理后得到的灰度值。經(jīng)過所有處理后,點(i,j)的灰度值即是qi中的最大值。采用這種Kirsch算子處理一幅M×N的圖像所需的運算量為:加法運算次數(shù)為PN=56M×N次,乘法運算次數(shù)為MN=16M×N次。如此大的運算量影響圖像邊緣檢測處理的速度,所以本文中采用快速Kirsch算法(FKC)來實現(xiàn)圖像的邊緣檢測。
圖2 區(qū)域示意圖Fig.2 Sketchmap of regional
FKC算法的思路為:將Kirsch算子8個模板因子按順時針方向(不包括中央值0)成一個8×8的矩陣M,則M為一個循環(huán)矩陣,將每一行元素的值移位便可得到下一行元素的值。這樣我們對M進行變換可以得到BM=C
則有MP=8Q
經(jīng)過轉(zhuǎn)化公式得CP=8BQ
同理,圖像經(jīng)快速Kirsch算法處理后其中任一點P(i,j)的邊緣強度 Q(i,j)=max{qk}=8max{rk} k=(0,1,…7),采用FKC算法對一副M×N圖像進行邊緣檢測的運算量為:加法運算次數(shù)為21M×N次,乘法運算次數(shù)為3M×N次,明顯在效率上有了很大的提高。
圖像二值化處理的重點就在與閾值的選擇,閾值的確定也是二值化處理的前提。二值化閾值設置過小易把部分背景錯誤識別為目標;閾值設置過大則會把部分目標識別為背景。采用最大類間方差法(Otsu)求閾值可以完成二值化。Otsu方法通過計算目標與背景兩大類間的最大方差而動態(tài)得到閾值,然后對檢測出的邊緣做二值化處理。將蟻群算法與求類間方差最大來選擇閾值的方法相結合,優(yōu)化了求解閾值的過程,從噪聲圖像中提取更清晰的目標特征,加快了求最優(yōu)解的速度。
設 f(i,j)為 M×N 圖像(i,j)點處的灰度值,灰度級為 m,假設 f(i,j)取值為[0,m-1]。 記 p(k)為灰度值為 k 的頻率,則有
假設在f(i,j)中找出一個灰度值t作為閾值,將圖像分割成兩部分,即
然后用整數(shù) t將其分為兩組 C0={0,1,…,t}和 C1={t+1,t+2,…,m-1}
于是,C0和C1的比例分別為:
C0與C1的均值分別為
總均值 μ=ω0(t) μ0(t)+ω1(t)μ1(t)
于是兩組間方差:
上式公式中,從 0,1,…,m-1之間改變 t,求方差最大值時的 t,即 maxσ2(t)時的 t值為最佳閾值。 Otsu致命的缺陷是當目標與背景灰度差不明顯時,會出現(xiàn)無法忍受的白點區(qū)域,甚至會丟失整幅圖像的信息,因此受到一定的限制。
蟻群算法 (ACO)是近幾年提出的一種新型模擬進化算法。算法模擬真實螞蟻的協(xié)作過程,由許多螞蟻共同完成,每只螞蟻在候選解的空間中獨立地搜索解,并在所尋得的解上留下一定的信息量,信息量越大的解被選擇的可能性也越大。蟻群算法是一種全局優(yōu)化的啟發(fā)式算法,已經(jīng)成功地應用到TSP、QAP等組合優(yōu)化難題。最大類間方差法中的閾值確定可以看作是一種優(yōu)化求解問題,其解決過程是一種尋優(yōu)過程,閾值就是最優(yōu)解。
對于灰度圖像,閾值范圍在0~255之間,求解最優(yōu)閾值屬于參數(shù)優(yōu)化問題。如圖3所示,利用二進制編碼,可以把參數(shù)優(yōu)化問題抽象成螞蟻覓食過程中尋找最優(yōu)路徑的過程,從而運行蟻群算法進行優(yōu)化。
圖3 螞蟻覓食示意圖Fig.3 The ant foraging diagram
假設螞蟻從第一位出發(fā),依次經(jīng)過每位尋找食物,每一位的狀態(tài)有兩種,不是“0”就是“1”,當螞蟻沿實線由1到2則將起點1的狀態(tài)表示為“1”,當螞蟻沿虛線由1到2則將起點1的狀態(tài)表示為“0”,其他的依次類推。由此可見,螞蟻最終找到食物的路徑的二進制組合為:00000000~11111111,將其轉(zhuǎn)化為十進制即為0~255,正好是閾值的解空間范圍。該問題中,覓食路徑的好壞與這條路徑的目標函數(shù)有關,目標函數(shù)越大,則路徑越優(yōu)。一個二進制代碼代表一條路徑,即一個閾值的候選解,將此二進制代碼解碼后為:
其中bi為第i位的狀態(tài)。
運用m只螞蟻來建立問題的解,其長度為8并且解中的每一個元素為相應位的狀態(tài),螞蟻運用信息素給每位狀態(tài)進行標記。τij表示第位的狀態(tài)為j時的信息素濃度。每位僅有2種信息素濃度,狀態(tài)為0的和狀態(tài)為1的信息素濃度。運用蟻群算法求解閾值的具體實現(xiàn)步驟如下:
1)參數(shù)初始化。令時間n=0、循環(huán)次數(shù)Nc=0和螞蟻數(shù)目k=0,設置最大循環(huán)次數(shù) Ncmax,令 τij(n)=const,其中 const表示常數(shù),且初始時刻 Δτij(0)=0。
2)循環(huán)次數(shù) Nc=Nc+1。
3)螞蟻數(shù)目 k=k+1。
4)路徑選擇。螞蟻k在運動過程中,根據(jù)各條路徑上的信息量決定其轉(zhuǎn)移方向,用tabuk來記錄螞蟻k所走的路徑。在搜索過程中,螞蟻k在第i位狀態(tài)為j的概率為:
式中,α為信息啟發(fā)因子,表示軌跡的相對重要性,反映了螞蟻在運動過程中所積累的信息在螞蟻運動時所起的作用,其值越大,則該螞蟻越傾向于選擇其他螞蟻經(jīng)過的路徑,螞蟻之間協(xié)作性越強。
5)若 k<m,轉(zhuǎn)第 3)步,否則執(zhí)行第 6)步。
6)信息更新。為了避免殘留信息過多,引入人類大腦的記憶特點,在信息不斷存入大腦的同時,存儲在大腦中的舊信息隨著時間的推移逐漸淡化,甚至遺忘。信息量的調(diào)整規(guī)則如下:
式中,ρ表示信息素揮發(fā)系數(shù),則1-ρ表示信息素殘留因子,為了防止信息的無限積累,ρ的取值范圍為:ρ?[0,1),Δτij(n)表示本次循環(huán)中第i位狀態(tài)為j上的信息素增量,(n)表示第k只螞蟻在本次循環(huán)中殘留在第i位狀態(tài)為j上的信息素量。目標函數(shù)選擇選擇最大類間方差法中的maxσ2(t),根據(jù)此函數(shù)來決定信息素的更新。
7)若目標函數(shù)達到最優(yōu)或循環(huán)次數(shù)達到最大值,則結束循環(huán)并輸出計算結果,否則清空tabuk并跳轉(zhuǎn)到第2)步。
在線鐵譜成像結構示意如圖4。
圖4 成像結構示意圖Fig.4 diagram of image structure
三峽電廠現(xiàn)場,工作人員選取了5號水輪發(fā)電機組2012年油液進行了在線測試,實驗在線磨粒獲取的圖像如圖5(a),根據(jù) otsu法,磨粒圖像處理結果如圖5(b),基于蟻群算法改進Otsu法對磨粒圖像處理結果如圖5(c)。
本算法實際所用參數(shù)如下:α=1,蟻群規(guī)模N=3,信息素更新和局部搜索比例為0.2,信息素保留率ρ=0.5,實驗中設置最大迭代次數(shù)為5,螞蟻個數(shù)k=10,所以搜索次數(shù)為60次,表1中列出了基于蟻群算法改進Otsu法和常規(guī)Otsu法所選取的最佳閾值比較。
圖5 三種磨粒圖像對比Fig.5 Comparisons of three abrasive images
表1 改進方案和原方案比較Tab.1 The improvement plan and the original plan
由表1可以看出,經(jīng)過60次閾值搜索全部求得最佳閾值,說明此方法的自適應性良好。蟻群算法閾值搜索次數(shù)均在100次以下,而常規(guī)Otsu法都需要256次閾值嘗試。
綜上所述,本文方法比常規(guī)Otsu法閾值嘗試次數(shù)減小50%,縮短了搜索時間,改進Otsu法可以加快最優(yōu)閾值的搜索過程,使其執(zhí)行效率得到較大的提高。
與此同時,采用基于灰度堆??臻g的磨粒自動定位方法提取并量化磨粒特征信息,示意圖如圖6;為了建立統(tǒng)計像素點與實際長度關系,在成像裝置前加入直尺標度后獲得如圖7。
圖6 灰度堆棧空間的磨粒自動定位示意圖Fig.6 Automatic wear particle orientation of gray stack space
圖7 編碼為①、②加入尺度大小的磨粒圖像Fig.7 Code is①、② adding scale particle image
基于蟻群算法Otsu法提取的磨粒形態(tài)特征和統(tǒng)計特征如表 2、表 3。
表2 形態(tài)特征Tab.2 M orphological characteristics
表3 統(tǒng)計特征Tab.2 Statistical characteristic
油液監(jiān)測技術領域,在線鐵譜傳感器相較于其他傳感器,有著獲得的信息量大、信息不易處理、診斷復雜、診斷結果對摩擦學專家的技術和經(jīng)驗依賴性強等特點。通過現(xiàn)場實踐在線圖像特征分析處理方法可以看出,本文提供的基于蟻群算法改進Otsu方法,對解決在線鐵譜圖像分析中磨粒特征信息提取、自動識別、故障診斷等摩擦磨損問題提供了很好的參考和借鑒。
[1]謝友柏.摩擦學的三個公理 [J].摩擦學學報,2001,21(3):161-166.XIE You-bo.The three axioms of tribology[J].Tribology,2001,21(3):161-166.
[2]WU Tong-hai,MAO Jun-hong,WANG Jing-tao,et al.A new on-line visual ferrograph[J].Tribology Transactions,2010,52(5):623-631.
[3]陶輝,馮偉,賀石中,等.一種融合在線鐵譜圖像特征信息的磨損狀態(tài)診斷方法[J].哈爾濱理工大學學報,2012,21(4):13-19.TAO Hui,F(xiàn)ENG Wei,HE Shi-zhong.A fusion of on-line Ferrograph image feature information of wear condition diagnosismethod[J].Journal of Harbin University of Science and Technology,2012,21(4):13-19.
[4]武通海,邱輝鵬,吳教義,等.圖像可視在線鐵譜傳感器的圖像數(shù)字化處理技術[J].機械工程學報,2008,21(6):83-87.WU Tong-hai,QIU Hui-peng,WU Jiao-yi,et al.Journal of image,the visual on-line Ferrograph sensor of digital image processing technology of[J].mechanical engineering,2008,21(6):83-87.
[5]WU Tong-hai,WANGWei-gang,WU Jiao-yi,etal.Improvement on on-line ferrograph image identification[J].Chinese Journal ofMechanical Engineering,2011,23(1):1-6.
[6]李艷軍,左洪福,吳振鋒,等.基于D-S證據(jù)理論的磨粒識別[J].航空動力學報,2003,18(1):53-58.LI Yan-jun,ZUO Hong-fu,WU Zhen-feng,et al.D-S evidence theory of wear particle recognition[J].Journal of Aerospace Power,2003,18(1):53-58.
[7]YE Zhi-wei,ZHENG Zhao-bao,YU Xin-ning.Automatic threshold selection based on ACO[C]//Beijing:IEEE International Conference on Neural Networks and Brain,2005,52(2):120-123.