飛行器軟軸滾珠檢測技術(shù)研究

丁 杰，王明泉，張俊生，路曉冬

(中北大學(xué) 國防重點實驗室，太原 030051)

1 引 言

在新型非電控飛行器的傳動部件選型中，滾珠式軟軸因其空間小、重量輕、易安裝及高可靠性等優(yōu)點，正在逐步替代傳統(tǒng)的連桿、推拉鋼索，其質(zhì)量的好壞直接關(guān)系到飛行器的使用安全.滾珠式軟軸主要由外管組件、固定桿、滾珠、保持架及芯部滑桿組成，外管組件用于保護和密封軟軸，固定桿用于保證整體結(jié)構(gòu)的穩(wěn)定，保持架桿上有諸多等距小孔，用于安裝并固定滾珠，芯部滑桿由上下兩排滾珠引導(dǎo)運動，由此產(chǎn)生傳動力，滾珠則起到減小摩擦力與引導(dǎo)傳動的作用[1].

滾珠式軟軸的滾珠情況主要分?jǐn)?shù)量正常、滾珠缺漏、滾珠增多、滾珠錯位四種，其中滾珠增多與滾珠錯位因出現(xiàn)概率極小可以忽略.滾珠缺漏是指保持架小孔中丟失滾珠，嚴(yán)重影響軟軸質(zhì)量，所以對軟軸滾珠進行檢測也就是對滾珠進行識別并計數(shù)分析，以得到滾珠的缺漏信息.傳統(tǒng)的滾珠式軟軸檢測，采用純?nèi)斯せ虬胱詣訖z測方法，即首先使用成像設(shè)備對軟軸進行實時成像，然后在實時顯示時或者采集到圖像后進行人工目力檢測.成像時，由于硬件性能限制和電壓電流的不易調(diào)整性，成像質(zhì)量較難優(yōu)化[2]；若采用圖像拼接法來采集圖像，則需要處理圖像特征點選取、重疊區(qū)域拼接等問題[3]；而在做滾珠識別與技術(shù)分析時，由于人的生理特性，人工目力識別與計數(shù)方法耗時長、誤差大，不具有適用性.

鑒于此，本文對滾珠式軟軸檢測技術(shù)進行了研究，在成像中引入窗技術(shù)改善成像質(zhì)量，并用一次成圖技術(shù)進行圖像的采集，最后開發(fā)配套的基于圖像形態(tài)學(xué)的滾珠自動識別算法，實驗結(jié)果優(yōu)良.

2 窗技術(shù)

在進行軟軸成像時，常使用X射線檢測法，其原理是給X射線源供電以產(chǎn)生X射線，分別照射軟軸的不同部位，由于軟軸不同結(jié)構(gòu)的密度、材質(zhì)、形狀有所差別，射線接收器將會采集到衰減程度不一的X射線，射線接收器最后進行光電轉(zhuǎn)換把信號傳送到電腦上生成軟軸圖像.所以當(dāng)電壓電流值過低，X射線強度就弱，圖像會偏暗，反之則偏亮，若電壓電流值適中，則成像質(zhì)量較好，既符合人工觀測，也有利于后續(xù)的滾珠自動識別.但在實際操作中，根據(jù)軟軸的不同，需要不斷調(diào)整對應(yīng)的電壓電流值，操作繁瑣，而且在調(diào)整時需要考慮大電壓大電流導(dǎo)致射線劑量過高而可能引發(fā)的輻射安全問題.鑒于此，本文引入窗技術(shù)，在實時顯示中對優(yōu)化軟軸成像質(zhì)量，彌補射線檢測方法的不足.

窗技術(shù)(Window Technique)是醫(yī)學(xué)CT(Computed Tomography)領(lǐng)域中一種常用的顯示技術(shù)，用于觀察不同密度的組織信息，主要包括窗位與窗寬兩個方面.窗寬是CT圖像上顯示的CT值范圍，在此范圍內(nèi)的被檢測組織以不同的灰度顯示，若高于此范圍，組織將以統(tǒng)一灰度的白影顯示，若低于此范圍，組織將以統(tǒng)一灰度的黑影顯示；窗位則是窗的中心位置，窗位不同，可顯示的CT值區(qū)間位置不同.如式(1)與式(2)所示，wlow表示顯示CT值范圍的最小值，whigh表示顯示CT值范圍的最大值，wlevel表示窗位，wwidth表示窗寬[4].簡單來說，窗技術(shù)的原理是將被檢測組織的CT值映射到0-255的灰度值范圍內(nèi)突出顯示，例如：若窗寬為40，窗位為60，則其顯示CT值范圍為20至80，此時CT值在20至80之間的組織便可以清晰顯示出來，而此CT值范圍外的組織變成全黑或者全白.

(1)

(2)

另外，如果增大窗寬，則顯示的CT值范圍增大，能顯示的不同密度的組織增多，但各組織之間的灰度差減少，區(qū)分度減?。蝗绻麥p少窗寬，則顯示組織減少，但各組織之間的灰度差變大，更加具有區(qū)分度.

對于滾珠式軟軸而言，其不同的結(jié)構(gòu)具有不同的密度，成像之后滾珠與其它結(jié)構(gòu)之間存在一定的灰度差，通過使用窗技術(shù)選擇合適的窗位窗寬，并配合合適的電壓電流，就能得到較好的顯示效果.考慮到軟軸的直徑為8mm至15mm不等，組成的結(jié)構(gòu)材質(zhì)相對固定，并遵循電壓電流的"安全節(jié)能"標(biāo)準(zhǔn)，在保證滾珠清晰可見并且輪廓完整的前提下，電壓一般設(shè)置為80kv，電流設(shè)置為1.5mA，窗位窗寬分別設(shè)置為13000與18000左右較為合適，如圖1所示:

圖1 不同參數(shù)下的顯示效果Fig.1 Display effect under different parameters

3 圖像采集

傳統(tǒng)軟軸檢測在做圖像采集時，多使用的是設(shè)備固定，通過移動軟軸來對軟軸的不同部位進行采集的方法，此方法原理簡單、設(shè)備占地面積較小，但是存在因移動軟軸時發(fā)生抖動而導(dǎo)致成像質(zhì)量差的缺點.在進行圖像生成時，也多使用圖像拼接技術(shù)，即將分段采集到的諸多軟軸圖像拼接成一整條軟軸的完整圖像，使用此方法一般需要解決圖像特征點提取、重疊區(qū)域處理等諸多問題，若處理不當(dāng)容易出現(xiàn)拼接錯位、拼接重疊等情況[5,6].

鑒于此，本文提出軟軸固定、設(shè)備運動與一次成圖技術(shù)相結(jié)合的方法，對軟軸圖像進行采集.設(shè)計思路如下：

1) 一般長8m至15m不等，故安放并固定軟軸的導(dǎo)軌長度不短于15米；

2) 射線源等設(shè)備固定于移動式的保護鉛房內(nèi)部，采集圖像時導(dǎo)軌和軟軸保持固定，鉛房延導(dǎo)軌勻速移動.

3) 待整條軟軸掃描完畢后一次性生成整條軟軸圖像，具體實現(xiàn)機制是隨著鉛房的勻速移動，采集到的圖像信息不斷更新并持續(xù)暫存進預(yù)設(shè)好的圖像矩陣中，最后再進行圖像的生成，這就避開了使用圖像拼接法帶來的諸多復(fù)雜問題.

使用此方法進行軟軸圖像采集，克服了傳統(tǒng)方法中圖像抖動的缺點，同時也使軟軸長圖的生成更為簡潔高效.

4 基于圖像形態(tài)學(xué)的滾珠識別算法

對軟軸圖像中的目標(biāo)滾珠進行識別，涉及到圖像分割.主流的圖像分割方法根據(jù)原理不同主要分基于閾值、基于邊緣和基于區(qū)域三種.

基于閾值的圖像分割方法的思想是當(dāng)目標(biāo)與背景的灰度差異較大時，通過設(shè)定一個中間值分離目標(biāo)和背景.此方法只適用于目標(biāo)與背景的灰度差異明顯的情況[7].典型的有簡單二值化、Otsu法等.

基于邊緣的圖像分割方法是建立在物體邊緣灰度值變化劇烈這一基礎(chǔ)之上[8].此方法適用于目標(biāo)邊緣完整清晰的情況.典型的有Sobel法、Canny法等基于區(qū)域的圖像分割方法則將圖像按照相似性準(zhǔn)則分成不同的區(qū)域，主要包括種子區(qū)域生長法、區(qū)域分裂合并法和分水嶺法等幾種類型.以其中典型的分水嶺法為例，其基本思想是把圖像看作是測地學(xué)上的拓?fù)涞孛玻瑘D像中每一點像素的灰度值表示該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺.首先在每一個局部極小值表面，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著水平面的上升，每一個局部極小值的影響區(qū)域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，即形成分水嶺[9].分水嶺算法對微弱的邊緣有著良好的響應(yīng)，但圖像中的噪聲會使分水嶺算法產(chǎn)生過分割的現(xiàn)象.

為驗證上述三種分割算法對軟軸圖像的適用性，對圖1進行不同分割算法下的實驗，分割效果如圖2所示：

圖2 主流圖像分割法效果Fig.2 Results of main image segmentation methods

分析圖4，因為原圖中滾珠和非滾珠結(jié)構(gòu)的灰度值極其相近，導(dǎo)致用Otsu法分割效果不佳；又因為原圖中滾珠上下兩端與軟軸其它結(jié)構(gòu)容易混為一體，導(dǎo)致滾珠輪廓并不完整清晰，所以Canny法的分割效果也欠佳；分水嶺法則是受到非滾珠區(qū)域的影響出現(xiàn)了過分割的現(xiàn)象.上述三種方法的分割效果均不理想，影響后續(xù)的滾珠識別與提取.

為克服上述缺點，并針對傳統(tǒng)檢測方法中存在的耗時長、誤差大等問題，本文開發(fā)了基于圖像形態(tài)學(xué)的滾珠自動識別算法來進行滾珠的識別.

圖像形態(tài)學(xué)方法利用一個結(jié)構(gòu)元素來收集圖像的信息，當(dāng)結(jié)構(gòu)元素在圖像中不斷移動時，便可考察圖像各個部分之間的相互關(guān)系，從而分析圖像的結(jié)構(gòu)特征.圖像形態(tài)學(xué)基本運算有膨脹與腐蝕兩種.膨脹運算將圖像A與結(jié)構(gòu)元素B進行卷積運算，結(jié)構(gòu)元素通常為圓形或正方形，內(nèi)部有一個可定義的錨點，其通常為中心點.在卷積過程中，將結(jié)構(gòu)元素B劃過圖像A，并將結(jié)構(gòu)元素B覆蓋區(qū)域的最大像素值提取出來，以代替錨點位置的像素值.腐蝕運算與膨脹運算原理相似，只不過提取的是最小像素值[10].

表1舉例幾種常用形態(tài)學(xué)操作方法及其作用，其中⊕表示用結(jié)構(gòu)元素B對A進行膨脹操作，?表示用結(jié)構(gòu)元素B對A進行腐蝕操作：

表1 形態(tài)學(xué)操作Table 1 Morphological operations

基于上述理論，通過構(gòu)造合適的結(jié)構(gòu)元素，并選擇適當(dāng)?shù)膱D像形態(tài)學(xué)方法對軟軸圖像進行處理，可以較好的提取圖像中的滾珠信息，便于后續(xù)的計數(shù)分析.

基于圖像形態(tài)學(xué)的滾珠自動識別算法的核心思想是利用軟軸原圖生成掩模圖像和模板圖像，再利用掩模圖像和模板圖像合成檢測結(jié)果圖像，其處理步驟如下所示：

步驟1.首先生成掩模圖像：對圖2(a)所示原圖進行自適應(yīng)二值化[10]，考慮到軟軸長度大、寬度小、滾珠分列上下兩行且結(jié)構(gòu)的像素大小相對固定等特點，再進行水平方向上的腐蝕運算，結(jié)構(gòu)元素取(1，8)，垂直方向上進行膨脹運算，結(jié)構(gòu)元素取(9，1)，如圖3(a)所示，此時滾珠的位置信息已經(jīng)比較突出，但仍不能精確定位滾珠位置；

步驟2.再生成模板圖像：原圖先后通過結(jié)構(gòu)元素為(7，1)的開、閉運算，和結(jié)構(gòu)元素為(31，1)的黑帽運算[11]得到圖3(b)所示的模板圖像；

步驟3.利用掩模圖像和模板圖像合成檢測結(jié)果圖像：圖3(a)與圖3(b)做相與運算得到圖3(c)，此時滾珠已經(jīng)被較為精確的識別出來，但仍然存在滾珠被分割與存在無關(guān)細(xì)小結(jié)構(gòu)的情況，前者是軟軸內(nèi)部的保持架引起的，后者則是軟軸內(nèi)部的其它復(fù)雜結(jié)構(gòu)引起.所以需要對圖3(c)進行垂直方向的閉運算以連接被分割的滾珠，再進行腐蝕運算去除細(xì)小結(jié)構(gòu)，結(jié)構(gòu)元素分別為(3，3)與(3，5)，得到圖3(d)，注意這些結(jié)構(gòu)元素需要連接單個過分割的滾珠，但不可以使左右兩個滾珠相連，同時也要避免填充非滾珠區(qū)域.可見此時已有滾珠的基本結(jié)構(gòu)已被較準(zhǔn)確的標(biāo)注了出來.為了方便后續(xù)驗證識別是否準(zhǔn)確，標(biāo)注信息不能覆蓋掉原有的滾珠區(qū)域，故最后通過結(jié)構(gòu)元素為(3，3)的形態(tài)學(xué)梯度運算[12,13]求取滾珠的輪廓，得到如圖3(e)所示的第一個目標(biāo)圖像，即已有滾珠的識別結(jié)果，其中每個輪廓分別代表此處存在一個滾珠：

圖3 已有滾珠的識別結(jié)果的識別流程Fig.3 Recognition process of existing balls

步驟4.缺漏滾珠則可以通過"逆向方法"來提取，即缺漏滾珠只存在于已檢測到的滾珠區(qū)域之外.首先對圖3(e)進行結(jié)構(gòu)元素為(150，1)的膨脹運算得到圖4(a)，此結(jié)構(gòu)元素在不填充非滾珠區(qū)域前提下需要最大程度填充滾珠區(qū)域.再將圖4(a)與原圖閉運算的結(jié)果做差得到圖4(b)所示的掩模圖像，圖中白色部分即為可能存在缺漏滾珠的區(qū)域；

步驟5.對原圖構(gòu)造(31，1)的結(jié)構(gòu)元素進行頂帽運算得到模板圖像圖4(c)，再將圖4(b)與圖4(c)做相與運算，并參照步驟3通過連接被分割滾珠和去除細(xì)小結(jié)構(gòu)的操作得到缺漏滾珠的精確區(qū)域，如圖4(d)所示；最后令結(jié)構(gòu)元素為(3，3)，并通過形態(tài)學(xué)梯度運算得到如圖4(e)所示的第2個目標(biāo)圖像，即缺漏滾珠的識別結(jié)果，其中每個輪廓分別代表此處缺漏一個滾珠：

圖4 缺漏滾珠的識別結(jié)果的識別流程Fig.4 Recognition process of missing balls

識別出滾珠的輪廓信息后，還需要進行計數(shù)分析.本文使用OpenCV計算機視覺庫[14]中的函數(shù)工具來實現(xiàn)自動計數(shù)，以代替?zhèn)鹘y(tǒng)的人工目力計數(shù)方法，更加快速準(zhǔn)確.表2是對圖2(a)的計數(shù)分析結(jié)果.

由表2可知，圖4(a)中的13個已有滾珠和5個缺漏滾珠均被準(zhǔn)確識別出來并正確計數(shù)，且計數(shù)耗時為0.4秒.

表2 滾珠識別與計數(shù)分析結(jié)果Table 2 Analysis results of ball recognition and counting

5 實驗結(jié)果

根據(jù)本文提出的方法，分別對某A、B、C、D、E五種型號的滾珠式軟軸進行檢測，并與傳統(tǒng)人工檢測方法做對比.本文方法的檢測流程如圖5所示：首先引入窗技術(shù)，配合X射線檢測法優(yōu)化軟軸的成像質(zhì)量，并使用軟軸固定、設(shè)備移動與一次成圖技術(shù)相結(jié)合的方法進行圖像采集，最后開發(fā)基于圖像形態(tài)學(xué)的滾珠自動識別算法對軟軸圖像進行識別與計數(shù)分析. 實驗的滾珠識別與計數(shù)分析結(jié)果統(tǒng)計如表3所示.

圖5 檢測流程圖
Fig.5 Flow chart of detection

表3 滾珠識別與計數(shù)分析結(jié)果Table 3 Analysis results of ball recognition and counting

根據(jù)表3，在識別率方面，使用傳統(tǒng)人工檢測方法進行軟軸滾珠識別，對已有滾珠的識別率達(dá)到98%左右，對缺漏滾珠的識別率最低只有70.6%；使用本文的方法進行軟軸滾珠檢測，對已有滾珠的識別率能達(dá)到99%左右，對缺漏滾珠的識別率達(dá)到88.2%以上.在計數(shù)耗時方面，以E型號軟軸為例，傳統(tǒng)人工目力計數(shù)需要近10分鐘而使用本文方法計數(shù)只需不到20秒的時間.相比之下，本文方法在將缺漏滾珠識別率提高8.4%以上的同時，將計數(shù)時間縮短到原先的3.5%以下，檢測結(jié)果更加準(zhǔn)確，檢測速度大幅提升.

6 結(jié)束語

本文針對傳統(tǒng)飛行器滾珠式軟軸檢測中存在的誤差大、耗時長的不足，首先引入窗技術(shù)對成像質(zhì)量進行了優(yōu)化，再使用軟軸固定、設(shè)備移動與一次成圖技術(shù)相結(jié)合的方法進行圖像的采集，并開發(fā)了基于圖像形態(tài)學(xué)的滾珠自動識別算法.實驗結(jié)果表明，本文方法在將缺漏滾珠識別率提高8.4%以上的同時，將計數(shù)時間縮短到原先的3.5%以下，滿足了工業(yè)檢測要求.同時，本文方法對不同型號的軟軸、成像質(zhì)量不一的圖像也具有一定的適用性.