基于圖像處理的機械系統(tǒng)微組件結(jié)構(gòu)異常檢測方法

鄭金芳

（鄭州財經(jīng)學(xué)院，鄭州 450000）

0 引言

機械系統(tǒng)是一體化作業(yè)的最基本構(gòu)成要素，主要被設(shè)置于執(zhí)行機構(gòu)、傳動機構(gòu)和支承結(jié)構(gòu)中，其具有高度集成化的特點，集信息處理和指令執(zhí)行能力于一身，能夠使一體化作業(yè)的智能化、自動化水平得到提升[1，2]。

機械系統(tǒng)中的微組件具有尺寸小的特點，通過人工檢測其中存在的異常具有難度較高、操作繁瑣且效果不佳的問題，而通過光學(xué)攝像技術(shù)可以避免由于操作不當(dāng)對機械系統(tǒng)微組件造成的損害，還能夠提高檢測準確性。

戴俊[3]等人在采集的機械系統(tǒng)圖像樣本的基礎(chǔ)上，設(shè)計了一種編碼-解碼-再編碼模型，利用該模型對圖像樣本實施訓(xùn)練，然后用于對未知狀態(tài)下的監(jiān)測樣本展開測試。根據(jù)相鄰的兩次編碼得到的潛在特征差異值，從而實現(xiàn)對機械系統(tǒng)系統(tǒng)的檢測。張亞軍[4]為了實現(xiàn)對微小零件的檢測，設(shè)計了一種精準定位方法。其在結(jié)合Krisch算子與一階梯度算子的基礎(chǔ)上，在調(diào)焦窗口的動態(tài)調(diào)節(jié)中加入修正因子控制調(diào)焦清晰度函數(shù)，采用爬山算法判斷焦點移動方向，再利用Zernike矩算法完成對微小零件的定位處理。

然而，由于光學(xué)鏡頭存在一定程度的非線性畸變，導(dǎo)致上述傳統(tǒng)方法對機械系統(tǒng)微組件結(jié)構(gòu)異常位置的定位偏差較大，也影響了整體的檢測時效性。針對上述問題，本研究引入了圖像處理技術(shù)，在現(xiàn)有研究的基礎(chǔ)上，校正光學(xué)鏡頭畸變量，并對其拍攝的微組件圖像實施去噪處理，以期有效提高對機械系統(tǒng)微組件結(jié)構(gòu)異常期刊的檢測性能。

1 機械系統(tǒng)微組件圖像處理

1.1 光學(xué)鏡頭畸變校正

在校正了光學(xué)鏡頭畸變量的基礎(chǔ)上，對光學(xué)圖像實施去噪處理，利用去噪后的圖像對微組件結(jié)構(gòu)中的異常情況實施檢測具有非接觸、無限制的優(yōu)點。在本研究中，選用短焦距光學(xué)鏡頭獲取機械系統(tǒng)微組件的光學(xué)圖像，但短焦距光學(xué)鏡頭中存在的非線性畸變情況會影響定位的精度，因此需要對其進行標定處理。

在對微組件的異常情況進行檢測的過程中，需要快速獲取其近景圖像，所以必須采用大面積彎曲透鏡進行光線的聚集，但由此會產(chǎn)生徑向和切向畸變的問題。

假設(shè)ξ表示徑向畸變系數(shù)，(a，b)表示畸變點的原始成像坐標，得到徑向畸變校正后的坐標如下所示：

切向畸變是由光學(xué)鏡頭本身造成的畸變，假設(shè)λ表示切向畸變相關(guān)參數(shù)，得到校正后坐標(a`，b`)如下所示：

圖像中平面點在坐標系中的映射可以表現(xiàn)出平面內(nèi)單應(yīng)性，通過齊次坐標使點D(X，Y，Z)映射在成像儀生成點d(x，y)，二者所對應(yīng)的齊次矩陣依次為和。假設(shè)映射尺度比例為c，平面圖像中目標的物理變換和攝像機自身參數(shù)矩陣的投影兩部分構(gòu)成參數(shù)E（即旋轉(zhuǎn)量T與平移量P之和），將單應(yīng)性關(guān)系簡化為根據(jù)所得的單應(yīng)性關(guān)系處理光學(xué)鏡頭的非線性畸變問題，可以從根本上降低鏡頭非線性畸變的影響。

1.2 微組件結(jié)構(gòu)圖像去噪處理

由于環(huán)境、人為或相機自身等因素會造成圖像的噪聲大、清晰度不理想的問題，而噪聲的存在必然會影響最終的異常檢測結(jié)果。因此，對圖像進行去噪是必不可少的步驟。在本研究中，采用中值濾波法去除圖像中存在的噪聲。中值濾波法常被應(yīng)用于濾除脈沖干擾和圖像掃描噪聲工作中，還能夠克服線性濾波器造成的圖像細節(jié)模糊問題。

假設(shè)在機械系統(tǒng)微組件結(jié)構(gòu)圖像中，任意一點的像素為f(x，y)，采用3×3模板對圖像進行濾波，得到濾波后該點像素f`(x，y)如下所示：

在此基礎(chǔ)上，將處理后的像素坐標f`(x，y)按照像素值按照有小到大的順序展開排序，生成單調(diào)上升的二維序列[5]。假設(shè)?表示二維模板，則中值濾波輸出為：

利用上述過程完成了對微組件結(jié)構(gòu)圖像的去噪處理。

2 機械系統(tǒng)微組件結(jié)構(gòu)異常檢測

基于處理后的圖像，采用機器學(xué)習(xí)中的卷積操作的方式提取微組件結(jié)構(gòu)的特征。經(jīng)過上述畸變校正和處理后的圖像F(x，y)存在方差為D(X)、均值為0的正態(tài)分布N(x，y，σ)，其中，σ為高斯標準差，得到圖像的二維高斯函數(shù)如下所示：

然后將連續(xù)的高斯函數(shù)離散為矩陣來對圖像實施卷積操作，從而構(gòu)成不同的尺度空間。首先得到卷積后圖像S(x，y，σ)如式(6)所示：

其中，*表示卷積符號。結(jié)合卷積后圖像S(x，y，σ)，將Relu函數(shù)作為激活函數(shù)，利用高斯差函數(shù)構(gòu)建尺度空間D(x，y，σ)：

式(7)中，μ表示高斯差函數(shù)固定系數(shù)?；诖?，對比高斯差圖像中全部像素與其鄰域和上、下層圖像對應(yīng)鄰域中的26個像素點，記錄該像素的位置與所屬尺度，將符合條件的像素點加入候選特征點集，由此利用卷積操作的方式完成了對微組件結(jié)構(gòu)特征的提取。

在此基礎(chǔ)上，結(jié)合微組件結(jié)構(gòu)特征點的局部位置信息，為候選特征點方向賦值。假設(shè)G和T分別表示特征點的梯度方向和幅度，對G進行劃分，使微組件結(jié)構(gòu)特征形成一幅直方圖，利用高斯差函數(shù)對鄰域梯度幅度值進行加權(quán)，選擇特征點16×16鄰域范圍內(nèi)的像素對特征點的特征進行描述，其中每個特征點可以通過128維的特征描述向量表示，然后根據(jù)單位長度對U實施歸一化處理，得到歸一化結(jié)果U`如下所示：

然而，針對于機械系統(tǒng)來說，實際的微組件異常檢測工作存在難以獲取異常狀態(tài)下數(shù)據(jù)樣本的問題，本研究將待檢測機械系統(tǒng)的歷史正常樣本作為訓(xùn)練數(shù)據(jù)，設(shè)計了一種生成對抗網(wǎng)絡(luò)模型，在完成模型訓(xùn)練后，對待檢測的實時樣本展開測試，過程如圖1所示。

圖1 生成對抗網(wǎng)絡(luò)中異常檢測流程

在完成對微組件結(jié)構(gòu)圖像特征點的提取后，采用Hu不變矩特征對特征點進行匹配，挖掘歷史正常樣本特征與實時監(jiān)測樣本特征直接的差異，從而根據(jù)特征差異完成對異常區(qū)域的檢測。

首先，將歷史正常樣本的歸一化處理結(jié)果q1輸入到生成對抗網(wǎng)絡(luò)模型中，得到其潛在特征c1。然后，利用生成網(wǎng)絡(luò)處理潛在特征c1得到基礎(chǔ)樣本r1。為了增加r1的特征分布與q1的相似度，設(shè)計如下優(yōu)化目標函數(shù)：

基于此，將迭代優(yōu)選結(jié)果輸入到訓(xùn)練后的對抗生成網(wǎng)絡(luò)中，用于作模板樣本，將其與實時監(jiān)測圖像樣本之間展開對比。而針對于實時監(jiān)測圖像樣本來說，同樣對其實施歸一化處理，再在生成對抗網(wǎng)絡(luò)模型中，利用Hu不變矩特征匹配兩組特征樣本，根據(jù)二者間的相似度完成對異常特征的檢測。

假設(shè)模板圖像樣本的Hu不變矩陣特征和待檢測的微組件圖像樣本的Hu不變矩陣特征分別用φMi和φNi表示，通過φMi和φNi的相似關(guān)系進行全局特征匹配，φMi和φNi的相似度η(M，N)計算方式如下：

模板圖像樣本與待檢測的微組件圖像樣本之間的相似度越高，說明待檢測的微組件狀態(tài)越正常。反之，則表明待檢測的微組件存在異常情況，由此即可完成對機械系統(tǒng)微組件結(jié)構(gòu)異常情況的檢測。

3 實驗與結(jié)果分析

為了驗證上述設(shè)計的基于圖像處理的機械系統(tǒng)微組件結(jié)構(gòu)異常檢測方法的整體有效性，設(shè)計如下測試過程。

實驗針對展開檢測，機械系統(tǒng)微組件結(jié)構(gòu)的異常情況包括裂紋、剝落和磨損等，在本研究中，主要針對裂紋和剝落情況展開檢測。檢測對象為某工業(yè)機械系統(tǒng)的傳動組件及齒輪組件，如圖2所示。

圖2 實驗對象圖

為避免實驗結(jié)果過于單一，將文獻[3]中的基于生成對抗網(wǎng)絡(luò)和自動編碼器的機械系統(tǒng)異常檢測方法、文獻[4]中的基于調(diào)焦-Zernike矩算法的微小零件異常檢測定位方法作為對比方法，與本文方法共同完成性能驗證。

比較不同方法檢測性能優(yōu)劣最直觀的指標就是對比其對異常位置的定位偏差。因此，首先以組件結(jié)構(gòu)異常位置定位偏差為指標，對不同方法的應(yīng)用性能展開基礎(chǔ)驗證，得到結(jié)果如圖3所示。

根據(jù)圖3可知，本文方法的異常位置定位誤差最大值僅為4.0mm，文獻[3]方法和文獻[4]方法的異常位置定位誤差最大值分別為10.5mm和11.2mm。相比之下，本文方法對機械系統(tǒng)微組件結(jié)構(gòu)異常位置的定位更加精準。這是因為本文方法在校正鏡頭畸變量的基礎(chǔ)上，對微組件結(jié)構(gòu)圖像實施了去噪處理，通過降低鏡頭非線性畸變和環(huán)境造成的影響，有效減小了對結(jié)構(gòu)異常位置的定位偏差。

圖3 不同方法的異常位置定位偏差對比結(jié)果

在此基礎(chǔ)上，以檢測過程耗時為指標，驗證不同方法對微組件結(jié)構(gòu)異常情況的檢測時效性，得到檢測結(jié)果如表1所示。

表1 不同方法對微組件異常情況的檢測過程耗時

分析表1所示結(jié)果可以看出，本文方法對微組件異常情況的檢測過程的耗時始終保持在3.00s以下，文獻[3]方法的最大檢測耗時為5.77s，文獻[4]方法的最大檢測耗時為5.25s。相比之下，本文方法對微組件異常情況的檢測速度更快，說明本文方法檢測時效性更高。

表1 該系統(tǒng)成功率

為進一步突出說明本文方法的應(yīng)用性能，以重疊度為指標對本文方法、文獻[3]方法和文獻[4]方法的檢測效果展開進一步檢測。實驗通過計算人工標注異常區(qū)域和應(yīng)用不同方法標注的異常區(qū)域的重合度檢驗不同方法的檢測精度。

假設(shè)人工標注的異常區(qū)域為S1，不同方法標注的異常區(qū)域為S2，S1∩S2表示二者的交集，S1∪S2表示二者的并集。重疊度指標的計算公式如下所示：

根據(jù)計算得到的重疊度，生成本文方法、文獻[3]方法和文獻[4]方法在不同重疊度下對應(yīng)的異常情況檢測成功率，結(jié)果如圖4所示。

圖4 不同方法的異常情況檢測成功率檢測結(jié)果

由圖4可以看出，當(dāng)重疊度為0.5時，本文方法和文獻[4]方法對異常情況檢測成功率較為接近，文獻[3]方法比兩者略低，但也高于90%；當(dāng)重疊度為0.6時，本文方法對異常情況檢測成功率未出現(xiàn)下降情況；之后，在重疊度不斷提高的情況下，3種方法對異常情況檢測成功率均有所降低，但本文方法的成功率始終高于兩種傳統(tǒng)方法，說明本文方法更能夠準確檢測出機械系統(tǒng)微組件結(jié)構(gòu)的汽車情況。

4 結(jié)語

在幾十年的發(fā)展中，機械系統(tǒng)技術(shù)逐漸向微型化、功能多樣化和高度集成化方向發(fā)展，微機械系統(tǒng)蘊藏的巨大潛能被國內(nèi)外機械制造業(yè)及學(xué)術(shù)界高度關(guān)注。機械系統(tǒng)中微組件狀態(tài)的穩(wěn)定尤其重要，其關(guān)系到整個機械系統(tǒng)的穩(wěn)定性和工作狀態(tài)。為此，本研究提出了基于圖像處理的機械系統(tǒng)微組件結(jié)構(gòu)異常檢測方法，有效提高了檢測質(zhì)量。