提取局部特征的機(jī)械異常運(yùn)行檢測算法

， ，

(1.陜西法士特汽車傳動(dòng)集團(tuán)公司，陜西 西安 710077；2.中國兵器工業(yè)第203研究所，陜西 西安 710065)

0 引言

機(jī)械故障是設(shè)備失去或降低其規(guī)定功能的事件或現(xiàn)象，表現(xiàn)為設(shè)備生產(chǎn)運(yùn)行異常，某些零件失去原有的精度或性能，使設(shè)備不能正常運(yùn)行、技術(shù)性能降低，致使設(shè)備中斷生產(chǎn)或效率降低而影響生產(chǎn)。機(jī)械在正常運(yùn)行過程中，容易受到外界和自身的影響，產(chǎn)生異常情況，如果能及時(shí)發(fā)現(xiàn)并及時(shí)維修，可保證正常生產(chǎn)。文獻(xiàn)[1]提出能自動(dòng)選擇種子點(diǎn)的種子填充算法實(shí)現(xiàn)圖像內(nèi)部孔洞填充，并結(jié)合圖像形態(tài)學(xué)和輪廓跟蹤算法實(shí)現(xiàn)圖像中標(biāo)引的消除，能夠?qū)C(jī)械設(shè)計(jì)圖準(zhǔn)確而高效地進(jìn)行填充，且能夠準(zhǔn)確提取出機(jī)械設(shè)計(jì)圖像的主輪廓。文獻(xiàn)[2] 提出了基于知識和鄰接關(guān)系的機(jī)械圖像綜合識別方法和機(jī)械圖像的重構(gòu)方法，對典型的時(shí)域機(jī)械圖像和頻域機(jī)械圖像進(jìn)行了準(zhǔn)確和有效地識別和重構(gòu)。文獻(xiàn)[3]對振動(dòng)信號進(jìn)行檢測，分析異常聲振信號的產(chǎn)生機(jī)理、頻率范圍、傳播特性等數(shù)據(jù)，根據(jù)不同類型故障的產(chǎn)生原因和特征表現(xiàn)，為現(xiàn)場檢測提供檢測和判斷依據(jù)。根據(jù)機(jī)械故障圖像的檢測需求及現(xiàn)有方法誤差較大的局限性，提出提取局部特征(Extracting Local Features，ELF)的機(jī)械異常運(yùn)行檢測算法。

1 提取局部特征

機(jī)械物運(yùn)行可以有許多表示具體含義的特征區(qū)域，通過這些有特征的信息對機(jī)械的正常運(yùn)轉(zhuǎn)進(jìn)行識別。一般情況下，可以檢測到機(jī)械物的輪廓形狀特性，對其進(jìn)行描述并分析[4-6]。目前，對于機(jī)械物局部特征的研究有多種方法，例如尺度不變特征變換SIFT(Scale Invariant Feature Transform)方法。提取機(jī)械物的局部信息，找到能夠反映機(jī)械運(yùn)行的特征點(diǎn)，分析其方向、旋轉(zhuǎn)角度及幅度大小變化量，對異常運(yùn)行狀態(tài)進(jìn)行檢測并識別。

應(yīng)用尺度不變特征變換提取算法檢測機(jī)械運(yùn)行圖像空間中的特征點(diǎn)[7-9]。局部特征信息具有在固定尺度的不變特點(diǎn)，對于提取的機(jī)械運(yùn)行圖像I(x,y)，其空間信息可以表示為：

M(x,y,σ)=G(x,y,σ)*I(x,y)

(1)

G(x,y,σ)為可變幅度高斯函數(shù)，定義為：

(2)

式中，(x,y)是圖像中的特征點(diǎn)位置，符號*為卷積，σ是幅度可變因子，其值與幅度成反比關(guān)系。

在不同幅度狀態(tài)下，高斯變換核與檢測圖像的卷積生成高斯平方差函數(shù)，這樣可以用來提取特征點(diǎn)。

D(x,y,σ)=((G(x,y,λσ))2-(G(x,y,σ))2)*
f(x,y)=(M(x,y,λσ))2-(M(x,y,σ))2

(3)

計(jì)算領(lǐng)域中相鄰幅度的高斯平方差函數(shù)，比較并設(shè)置檢測閾值參數(shù)，得到特征匹配點(diǎn)。

2 異常運(yùn)行檢測算法

2.1 確定特征點(diǎn)的方位信息

選取特征點(diǎn)(x,y)，分析其特征指標(biāo)。對確定的特征點(diǎn)進(jìn)行數(shù)學(xué)運(yùn)算后，得到其坐標(biāo)位置、方向，分析特征點(diǎn)的漸進(jìn)函數(shù)：

(4)

式中，a、b、c為漸進(jìn)線因子，則變換函數(shù)為：

(5)

通常采用以上變換函數(shù)的值提取機(jī)械物中運(yùn)行異常的特征點(diǎn)，同時(shí)得到其位置及方向信息。

2.2 設(shè)特征點(diǎn)的切線方向?yàn)橹鞣较?/h3>

檢測機(jī)械物運(yùn)行時(shí)，由于提取圖像信息的角度不同，則描述運(yùn)行的矢量均不相同。設(shè)特征點(diǎn)的切線方向?yàn)橹鞣较颍蛊洳皇芙嵌刃D(zhuǎn)的變化而變化。當(dāng)其旋轉(zhuǎn)幅度較大時(shí)，通過設(shè)置一定范圍的閾值，定義為異常點(diǎn)。

檢測到特征點(diǎn)(x0,y0)的切線方向作為主方向，可以表示為：

(x-a)(x0-a)+(y-b)(y0-b)-c=0

(6)

同時(shí)描述特征點(diǎn)的向量信息，計(jì)算并分析機(jī)械運(yùn)行輪廓的特征點(diǎn)切線以及其改變角度大小，若方向改變?yōu)榉莿蛩倩驗(yàn)榉钦＝嵌龋瑒t提取該特征點(diǎn)為異常點(diǎn)，并停止檢修。

2.3 定義幅度配準(zhǔn)規(guī)則

當(dāng)機(jī)械物正常運(yùn)行時(shí)，標(biāo)準(zhǔn)的工作狀態(tài)與異常情況有明顯差異。通過設(shè)置相似性準(zhǔn)則，對物體的旋轉(zhuǎn)速度、角度變化、幅度變化進(jìn)行統(tǒng)計(jì)，比較其接近于標(biāo)準(zhǔn)工作狀態(tài)時(shí)的圖像幅度則為正常。若差異較大，則為異常特征點(diǎn)。

由于提取的機(jī)械運(yùn)行圖像具有較高的旋轉(zhuǎn)型，根據(jù)目標(biāo)的活動(dòng)特點(diǎn)，設(shè)Oi為特征點(diǎn)區(qū)域待識別機(jī)械運(yùn)行信息的小部分輪廓，Bj為正常運(yùn)行模型。

Oi=(Bj-m)+n

(7)

式中，m為幅度的調(diào)整參數(shù)，n為圖像整體高度調(diào)整參數(shù)。通常，1≤m,n≤5，當(dāng)機(jī)械物出現(xiàn)幅度增大或減小、高度有較大改變時(shí)，可觀察m和n的值域范圍，確定為重點(diǎn)檢測特征區(qū)域。

對于尺寸大小為1024×768的輸入圖像，若正常運(yùn)行模型Bj選取較小，則m,n取值較小。當(dāng)Bj小于10個(gè)像素單位時(shí)，m,n取1或2；當(dāng)Bj在10至20之間時(shí)，m,n取3,；當(dāng)Bj大于20時(shí)，m,n取4或5。

3 仿真分析

在以上的研究基礎(chǔ)上，采用Intel(R) Core(TM) i5-3210M CPU 2.50 GHz，4 GB RAM，250 GB Hard Drive的系統(tǒng)，仿真軟件為MATLAB7.0，對采集的機(jī)械運(yùn)行數(shù)據(jù)，進(jìn)行仿真檢測，驗(yàn)證算法的有效性。

實(shí)驗(yàn)1：正面檢測機(jī)械運(yùn)行情況

采用提取局部特征的機(jī)械異常運(yùn)行檢測算法對運(yùn)行的正面機(jī)械圖像進(jìn)行分析，主要提取各個(gè)運(yùn)行物之間的幅度變化關(guān)系，檢測異常并進(jìn)行標(biāo)識。檢測結(jié)果如圖1所示。

實(shí)驗(yàn)2：側(cè)面檢測機(jī)械運(yùn)行情況

采用提取局部特征的機(jī)械異常運(yùn)行檢測算法對運(yùn)行的側(cè)面機(jī)械圖像進(jìn)行分析，提取各個(gè)運(yùn)行物之間的旋轉(zhuǎn)幅度及高度變化信息等情況，檢測異常并進(jìn)行標(biāo)識。檢測結(jié)果如圖2所示。

實(shí)驗(yàn)3：檢測誤差以及識別時(shí)間的比較

采用提取局部特征(ELF)的機(jī)械異常運(yùn)行檢測算法和SIFT算法分別對采集的一組機(jī)械齒輪運(yùn)行情況進(jìn)行檢測識別，比較兩種算法的檢測誤差并計(jì)算其運(yùn)行時(shí)間。SIFT算法的檢測誤差以及識別時(shí)間用eSi和tSi表示，ELF算法的檢測誤差以及識別時(shí)間用eEi和tEi表示，得到如表1所示。

表1 檢測誤差、識別時(shí)間的比較Tab.1 Comparison of error and recognition time

以上實(shí)驗(yàn)采用提取局部特征的機(jī)械異常運(yùn)行檢測算法對不同的機(jī)械運(yùn)行物進(jìn)行檢測并識別。在實(shí)驗(yàn)1、2中，對于檢測的正面和側(cè)面機(jī)械運(yùn)行物，新算法都有很好的檢測識別效果。在實(shí)驗(yàn)3中，對于同一組機(jī)械物，分別采用提取局部特征的機(jī)械異常運(yùn)行檢測算法和尺度不變特征算法進(jìn)行檢測并識別，比較兩種方法的誤差和識別時(shí)間，仿真結(jié)果顯示，新算法的檢測誤差較小、識別時(shí)間較短。

4 結(jié)論

本文提出了提取局部特征的機(jī)械異常運(yùn)行檢測算法。該算法根據(jù)機(jī)械物在運(yùn)行方向及位置變換的狀態(tài)下不易受到變化的特征，提取其局部信息并詳細(xì)分析機(jī)械物的特征點(diǎn)；然后根據(jù)機(jī)械物的輪廓形狀不斷變換的特點(diǎn)，設(shè)置邊緣匹配的法則，實(shí)現(xiàn)任意形狀變化的匹配與識別。仿真實(shí)驗(yàn)結(jié)果表明，該方法對不同參照面、不同運(yùn)動(dòng)速度等情況有很好的檢測及識別效果。

[1]方乃偉,呂學(xué)強(qiáng),張丹，等. 機(jī)械設(shè)計(jì)圖像主輪廓提取算法研究[J].計(jì)算機(jī)工程與設(shè)計(jì),2013，34(8):2778-2782.

[2]張金玉,張優(yōu)云,謝友柏. 機(jī)械圖像的識別與重構(gòu)[J].西安交通大學(xué)學(xué)報(bào),2000,34(2):80-84.

[3]高陽, 于杰, 吳偉晴. GIS 異響的振動(dòng)信號檢測方法研究綜述[J].山東工業(yè)技術(shù),2017，(3)：250-251.

[4] Yeh T, Lee J J, Darrell T. Fast concurrent object localization and recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, Miami, 2009:280-287.

[6] GANPATRAO N G, GHOSH J K. Information extraction from topographic map using colour and shape analysis [J]. Sadhana, 2014, 39(5):1095-1117.

[7] Gronát P, Sivic J, Obozinski G, et al. Learning and calibrating per-location classifiers for visual place recognition [J]. International Journal of Computer Vision, 2016, 118(3):319-336.

[8] Wu H, Cheng Z, Shi W, et al. An object-based image analysis for building seismic vulnerability assessment using high-resolution remote sensing imagery [J]. Natural Hazards, 2014, 71(1):151-174.

[9] 張永梅,季艷,馬禮，等. 遙感圖像建筑物識別及變化檢測方法[J]. 電子學(xué)報(bào), 2014, 42(4): 653-657.