基于HOG 和SVM 算法的磨粒圖像在線監(jiān)測(cè)技術(shù)

王 涵，左洪福，劉珍珍，費(fèi) 航，劉 巖

（1.南京航空航天大學(xué)民航學(xué)院，南京 211106；2.民航飛機(jī)健康監(jiān)測(cè)與智能維護(hù)”民航重點(diǎn)實(shí)驗(yàn)室，南京 211106）

滑油系統(tǒng)及其潤(rùn)滑部件是航空發(fā)動(dòng)機(jī)等大型復(fù)雜旋轉(zhuǎn)機(jī)械動(dòng)力系統(tǒng)的重要組成部分。軸承、齒輪等部件承擔(dān)著支撐轉(zhuǎn)軸以及傳遞動(dòng)力的重要作用；而潤(rùn)滑系統(tǒng)則承擔(dān)著向軸承、齒輪等重要零部件提供潤(rùn)滑及冷卻的重要作用。據(jù)統(tǒng)計(jì)，機(jī)械零件的失效主要有磨損、斷裂和腐蝕等3 種方式，而磨損失效卻占60%～80%［1］，因此對(duì)磨損的監(jiān)測(cè)能直接反映出系統(tǒng)的運(yùn)行狀態(tài)。

發(fā)動(dòng)機(jī)滑油監(jiān)測(cè)是一種有效的故障早期預(yù)警手段，因?yàn)樗擞嘘P(guān)潤(rùn)滑部件的退化和損傷信息［2］。而油液中監(jiān)測(cè)到的磨粒情況，是對(duì)運(yùn)行設(shè)備磨損情況及健康狀態(tài)的直接反映。直接運(yùn)用油液磨粒監(jiān)測(cè)方法通常能比溫度、振動(dòng)監(jiān)測(cè)更早地反映出機(jī)械設(shè)備運(yùn)行故障，且監(jiān)測(cè)效果更加直觀。

從監(jiān)測(cè)原理上來(lái)看，當(dāng)前可用于在線監(jiān)測(cè)的油液磨粒分析技術(shù)可以分為以下4 類(lèi)：基于光學(xué)的磨粒監(jiān)測(cè)［3?4］；基于感應(yīng)的磨粒監(jiān)測(cè)［5］；基于電容、電阻的磨粒監(jiān)測(cè)［6?7］；基于聲學(xué)的磨粒監(jiān)測(cè)［8］。然而它們都有各自的局限性，例如電感傳感器靈敏度較低只能監(jiān)測(cè)較大尺寸磨粒，阻容傳感器易受油品干擾且流量低，聲學(xué)監(jiān)測(cè)易受油粘度、流速和機(jī)械振動(dòng)的影響。而傳統(tǒng)基于光學(xué)原理的油液磨粒監(jiān)測(cè)方法，一般采用遮光性原理［9］，較難區(qū)分氣泡與磨粒，油液中產(chǎn)生的氣泡對(duì)于磨粒監(jiān)測(cè)產(chǎn)生巨大的干擾，導(dǎo)致其工程應(yīng)用受到很大的限制。

美國(guó)Lockheed Martin 公司利用激光圖像監(jiān)測(cè)方法來(lái)進(jìn)行磨損顆粒計(jì)數(shù)和識(shí)別，研發(fā)出了Laser?Net Fines 自動(dòng)磨損顆粒分析儀［10］，并通過(guò)圓度計(jì)算實(shí)現(xiàn)了對(duì)油液中氣泡的識(shí)別。德國(guó)OILPAS 公司開(kāi)發(fā)的innosiris 磨粒監(jiān)測(cè)傳感器［11］，最大提取流量為2 L/min，所提取的流體的一小部分不斷地引導(dǎo)通過(guò)一個(gè)流動(dòng)單元，由圖像傳感器進(jìn)行拍攝。上述產(chǎn)品流道都較小，導(dǎo)致適用于的工作環(huán)境流量較低，且圖片采樣頻率低，氣泡識(shí)別方法簡(jiǎn)單，僅進(jìn)行了簡(jiǎn)單的圓度計(jì)算，因此無(wú)法實(shí)現(xiàn)油液的全流量在線監(jiān)測(cè)。

西安交通大學(xué)的武通海、毛軍紅、謝友柏等在油液磨粒在線監(jiān)測(cè)及分析領(lǐng)域也進(jìn)行了長(zhǎng)期深入的探索。自2005 年始，該團(tuán)隊(duì)開(kāi)發(fā)了一種基于磁沉積和圖像分析，具有直讀和聯(lián)機(jī)分析功能的在線可視鐵譜儀［12］，并開(kāi)發(fā)了相應(yīng)的圖像采集與處理應(yīng)用軟件，給出了相對(duì)磨損碎片濃度的指數(shù)（In?dex of particle coverage area，IPAC）顆粒覆蓋面積指數(shù)作為輸出指標(biāo)。該傳感器將傳統(tǒng)鐵譜磨粒分析方法進(jìn)行了擴(kuò)展，利于電磁鐵將管路中流動(dòng)的鐵磁性磨粒進(jìn)行吸附，使其沉積于待測(cè)區(qū)域底部，再利用光學(xué)鏡頭對(duì)沉積磨粒進(jìn)行觀測(cè)與分析。在線可視鐵譜儀可實(shí)現(xiàn)流動(dòng)油液的在線監(jiān)測(cè)，能采集一定的磨損顆粒形態(tài)圖像信息，但是還存在以下問(wèn)題：（1）需要電磁鐵，導(dǎo)致結(jié)構(gòu)復(fù)雜，體積較大；（2）主要監(jiān)測(cè)指標(biāo)為磨粒覆蓋面積，對(duì)磨粒信息的度量不夠全面；（3）由于采用電磁鐵吸附，導(dǎo)致磨粒重疊，鏈狀排列等問(wèn)題［13］，不利于后續(xù)磨粒圖像分析等。

南京航空航天大學(xué)左洪福、李紹成等設(shè)計(jì)了一套基于顯微圖像分析和微泵進(jìn)樣的磨粒監(jiān)測(cè)系統(tǒng)，對(duì)污染度及磨粒形態(tài)進(jìn)行監(jiān)測(cè)［14］。大連海事大學(xué)的郝延龍基于微流體與圖像識(shí)別技術(shù)，提出了一種新的磨粒監(jiān)測(cè)方法，可實(shí)現(xiàn)對(duì)油液污染度進(jìn)行監(jiān)測(cè)［15］。它們均采用微流道設(shè)計(jì)，且使用微量泵引流，流量適用范圍有限，雖能采集到較為精細(xì)的磨粒圖像，但也只適用于離線分析等對(duì)流量要求極低的情形，難以應(yīng)用于實(shí)際工況中的大流量運(yùn)行環(huán)境。從上述國(guó)內(nèi)外現(xiàn)狀也可以看出，目前的研究工作中也很少有涉及對(duì)油液中氣泡干擾的研究。

針對(duì)上述問(wèn)題，本文設(shè)計(jì)了一種可用于相對(duì)較大管徑、流量和景深的油液光學(xué)監(jiān)測(cè)系統(tǒng)，搭建了一套磨粒和氣泡產(chǎn)生及監(jiān)測(cè)的實(shí)驗(yàn)平臺(tái)進(jìn)行分析驗(yàn)證。針對(duì)磨粒監(jiān)測(cè)過(guò)程中易受氣泡干擾的問(wèn)題，提出了一種基于方向梯度直方圖（Histogram of oriented gradients，HOG）和支持向量機(jī)（Support vector machine，SVM）的磨粒氣泡圖像識(shí)別算法，通過(guò)該圖像識(shí)別算法，實(shí)現(xiàn)了在較高流速下對(duì)磨損顆粒的相對(duì)大流量在線監(jiān)測(cè)。

1 系統(tǒng)組成

1.1 在線光學(xué)圖像監(jiān)測(cè)系統(tǒng)

本文設(shè)計(jì)的在線光學(xué)圖像監(jiān)測(cè)系統(tǒng)包括：觀測(cè)芯片、顯微光學(xué)鏡筒、光源、高速相機(jī)和圖像采集與存儲(chǔ)系統(tǒng)等，如圖1（a）所示。其主要的工作流程為：在循環(huán)油路中，包含磨粒的油液流過(guò)觀測(cè)芯片，再經(jīng)過(guò)光學(xué)鏡頭、顯微成像光路和高速工業(yè)相機(jī)等光學(xué)成像和采集系統(tǒng)，最終將采集到的磨粒圖像存儲(chǔ)至計(jì)算機(jī)存儲(chǔ)介質(zhì)，以供后續(xù)圖像處理分析等操作。高速相機(jī)采用大恒MER?131?210U3C，分辨率為1 280 pixel×1 024 pixel，采集幀率最大為200 幀/秒。由于采用高幀率相機(jī)及大視場(chǎng)光學(xué)系統(tǒng)，該監(jiān)測(cè)系統(tǒng)理論上可對(duì)最大流量8 L/min 的油液流體進(jìn)行監(jiān)測(cè)。

為了取得更好的透光性，更有效地對(duì)油液中的磨粒進(jìn)行觀測(cè)，筆者設(shè)計(jì)了一種方形透明玻璃流道用于循環(huán)油路監(jiān)測(cè)中，如圖1（b）所示。該流道采用淺深度、長(zhǎng)寬度的設(shè)計(jì)，適配于顯微光學(xué)系統(tǒng)的視場(chǎng)及景深特性。芯片兩端為標(biāo)準(zhǔn)圓形管道，方便與潤(rùn)滑油路管道進(jìn)行連接。

圖1 在線光學(xué)圖像監(jiān)測(cè)系統(tǒng)及觀測(cè)芯片F(xiàn)ig.1 Online optical image monitoring system and observa?tion chip

1.2 油液監(jiān)測(cè)實(shí)驗(yàn)臺(tái)

為了驗(yàn)證此在線圖像監(jiān)測(cè)系統(tǒng)的有效性，同時(shí)采集足量的氣泡及磨粒樣本進(jìn)行圖像分類(lèi)訓(xùn)練，設(shè)計(jì)并搭建了如圖2（a）所示的潤(rùn)滑系統(tǒng)在線監(jiān)測(cè)實(shí)驗(yàn)平臺(tái)。該實(shí)驗(yàn)平臺(tái)主要由銷(xiāo)盤(pán)摩擦磨損試驗(yàn)機(jī)，在線光學(xué)圖像監(jiān)測(cè)系統(tǒng)，過(guò)濾器、油箱（兩個(gè)）、油泵、閘閥（4 個(gè)）、控制器及作為驗(yàn)證的電感傳感器等組成。實(shí)驗(yàn)平臺(tái)實(shí)物圖如圖2（b）所示。其中銷(xiāo)盤(pán)摩擦磨損試驗(yàn)機(jī)可實(shí)時(shí)模擬機(jī)械設(shè)備磨損過(guò)程，并在運(yùn)行過(guò)程中產(chǎn)生大量磨損顆粒。

圖2 實(shí)驗(yàn)平臺(tái)系統(tǒng)圖及實(shí)物圖Fig.2 System diagram and physical diagram of experimen?tal platform

2 磨粒識(shí)別算法介紹

2.1 基于HOG 的圖像特征提取

HOG 算法是一種圖像特征提取算法，它的實(shí)質(zhì)是對(duì)圖像中的梯度信息的分布統(tǒng)計(jì)，而由于梯度信息能很好地描述出對(duì)象的形狀、紋理及邊緣特征，使得HOG 在圖像分析領(lǐng)域相較于許多其他的特征表述具有其獨(dú)特的優(yōu)點(diǎn)。例如，通過(guò)HOG 方法所提取的特征，能夠?qū)δ繕?biāo)圖像的光學(xué)和幾何變化也能保持一定的穩(wěn)定性。即使被檢測(cè)目標(biāo)物體的光照或方向等發(fā)生細(xì)微的變化，這些變化也基本不會(huì)影響到特征參數(shù)的提取及最終的檢測(cè)效果，使其具有較高的檢測(cè)精度及穩(wěn)定性。正是由于HOG具有上述的一些優(yōu)點(diǎn)，使得其目前已經(jīng)廣泛地被應(yīng)用到物體檢測(cè)等領(lǐng)域中［16］。

基于上述分析，本文設(shè)計(jì)了一種基于HOG 的磨損顆粒圖像特征提取方法，流程圖如圖3 所示。

圖3 HOG 特征提取流程Fig.3 Flow chart of HOG feature extraction

具體來(lái)說(shuō)，HOG 磨粒圖像特征提取算法的步驟如下：（1）圖像預(yù)處理?gamma 空間標(biāo)準(zhǔn)化；（2）計(jì)算圖像梯度；（3）計(jì)算每個(gè)單元格梯度直方圖；（4）塊內(nèi)歸一化及HOG 特征收集。

2.2 基于SVM 的分類(lèi)技術(shù)

通過(guò)上述HOG 處理，完成了圖像特征參數(shù)的提取，下面將對(duì)后續(xù)的分類(lèi)算法進(jìn)行研究。

支持向量機(jī)由Vapnik 于1979 年最早提出，第一篇論文發(fā)表于1995 年［17］。它的目標(biāo)是在N維空間（N維特征向量）中找到一個(gè)超平面，該超平面可以明顯地對(duì)數(shù)據(jù)點(diǎn)進(jìn)行分類(lèi)。因此，它被廣泛應(yīng)用于回歸以及分類(lèi)任務(wù)等。

設(shè)給定線性可分的樣本集(xi，yi)，SVM 分類(lèi)器的形式為

式中：x為觀測(cè)樣本的特征向量；y∈{+1，-1}為類(lèi)標(biāo)簽；xi為第i個(gè)訓(xùn)練樣本的特征向量；N為訓(xùn)練樣本的數(shù)量；K(x，xi)為核函數(shù)。分類(lèi)模型的建立，就是通過(guò)訓(xùn)練學(xué)習(xí)過(guò)程，計(jì)算出權(quán)值參數(shù)α={α1，α2，…，αN}。

3 基于HOG?SVM 算法的磨粒識(shí)別

為了正確識(shí)別出在線光學(xué)圖像監(jiān)測(cè)系統(tǒng)中的磨粒和氣泡，解決在油液磨粒監(jiān)測(cè)過(guò)程中易受氣泡干擾的問(wèn)題，提出了一種基于HOG 和SVM 的磨粒氣泡圖像識(shí)別算法。磨粒氣泡圖像識(shí)別整體流程圖如圖4 所示，即對(duì)于采集到的帶標(biāo)簽?zāi)チ＜皻馀輬D像樣本，通過(guò)HOG 特征提取和SVM 分類(lèi)器進(jìn)行識(shí)別。下面對(duì)其中具體的步驟進(jìn)行詳細(xì)的介紹。

圖4 磨粒氣泡圖像識(shí)別整體流程圖Fig.4 Flow chart of particle and bubble image recognition

3.1 圖像樣本采集

為了驗(yàn)證本文所提出的磨粒識(shí)別方法，需要采集大量圖像樣本。所采集的原始圖像分辨率大小為1 280 pixel×1 024 pixel。原始的磨粒和氣泡圖像及其局部放大圖如圖5 所示，可以看出，僅憑肉眼觀察很難區(qū)分出磨粒和氣泡，且觀測(cè)芯片上本身的一些污染物也會(huì)產(chǎn)生一定干擾。因此需要單獨(dú)采集磨粒和氣泡的圖像，方便后續(xù)大量訓(xùn)練圖像樣本集的構(gòu)建。

圖5 氣泡和磨粒原始采集圖像Fig.5 Original collected images of bubbles and wear particles

3.2 樣本預(yù)處理

由于原始圖像像素尺寸較大，且在一幅圖中可能同時(shí)存在幾個(gè)磨?；驓馀荩瑔螐?jiān)紭颖緢D像質(zhì)量良莠不齊，影響后續(xù)的特征提取及分類(lèi)識(shí)別。因此，對(duì)于采集到的原始圖像，需要進(jìn)行圖像樣本預(yù)處理，并對(duì)每一個(gè)磨粒和氣泡單獨(dú)進(jìn)行目標(biāo)提取及存儲(chǔ)。

本文采用背景差分法提取運(yùn)動(dòng)物體。背景減法是檢測(cè)運(yùn)動(dòng)物體的一種廣泛使用的方法。一般圖像中的對(duì)象可以分為前景和背景，在本文研究中，圖像前景中的關(guān)注區(qū)域是磨損顆粒。該方法的基本原理是從當(dāng)前幀（粒子圖像）和參考幀（背景圖像）之間的差異中檢測(cè)運(yùn)動(dòng)對(duì)象，該幀計(jì)算值為

采用大津法計(jì)算該閾值T。

最后對(duì)于所有提取到的對(duì)象，保存為100 pixel×100 pixel 的bmp 格 式 圖 像。

3.3 訓(xùn)練磨粒檢測(cè)的流程

（1）通過(guò)上述實(shí)驗(yàn)采集及初步處理等步驟之后，得到充足的正負(fù)樣本訓(xùn)練樣本集。然后使用0?1 標(biāo)簽對(duì)所有樣本進(jìn)行正負(fù)樣本標(biāo)記。本文中，所有磨粒樣本標(biāo)簽標(biāo)記為1，所有氣泡樣本標(biāo)簽標(biāo)記為0。

（2）對(duì)于原始樣本集圖像，還需要裁剪至統(tǒng)一大小。本文中，所有樣本圖像調(diào)整至100 pixel×100 pixel 大小。然后將所有采集處理后的正負(fù)樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練集和測(cè)試集兩部分。

（3）計(jì)算并提取出所有訓(xùn)練樣本的HOG 特征參數(shù)值。

（4）將所有訓(xùn)練樣本的HOG 特征及0?1 輸出結(jié)果代入SVM 模型進(jìn)行訓(xùn)練。訓(xùn)練過(guò)程完成之后，保存得到的最終分類(lèi)模型。

（5）計(jì)算所有測(cè)試樣本HOG 特征，將提取的測(cè)試樣本HOG 特征輸入上一步驟中保存的SVM最終分類(lèi)模型，得到預(yù)測(cè)類(lèi)別標(biāo)簽，與真實(shí)類(lèi)別標(biāo)簽進(jìn)行比較，得到分類(lèi)準(zhǔn)確度結(jié)果，分析該模型的實(shí)際分類(lèi)效果。

4 實(shí)驗(yàn)及結(jié)果分析

4.1 實(shí)驗(yàn)步驟

4.1.1 樣本采集

為了采集大量實(shí)驗(yàn)樣本，設(shè)計(jì)并搭建了實(shí)驗(yàn)平臺(tái)，采集足夠的圖像樣本用于后續(xù)實(shí)驗(yàn)分析。實(shí)驗(yàn)開(kāi)始前，先對(duì)干凈的油液圖像進(jìn)行采集并保存為背景圖，用于后續(xù)顆粒和氣泡檢測(cè)。

當(dāng)采集氣泡圖像時(shí)，實(shí)驗(yàn)使用全新的潔凈潤(rùn)滑油，關(guān)閉銷(xiāo)盤(pán)試驗(yàn)機(jī)，打開(kāi)閘閥1、4，關(guān)閉閘閥2、3（參見(jiàn)圖2（a）），打開(kāi)油泵，進(jìn)行整個(gè)回路的循環(huán)運(yùn)行。油液在循環(huán)過(guò)程中，由于其在油箱里的擾動(dòng)，會(huì)不斷產(chǎn)生氣泡，而由于是新油，且通過(guò)過(guò)濾器過(guò)濾后，油液中沒(méi)有磨粒，只存在擾動(dòng)過(guò)程中產(chǎn)生的氣泡。

當(dāng)采集到足夠的氣泡圖像樣本之后，可進(jìn)行磨粒圖像的采集。每次實(shí)驗(yàn)前，先將油箱1 中潤(rùn)滑油靜置2 h，使油中所有氣泡消失耗散。此時(shí)打開(kāi)油泵運(yùn)行油液系統(tǒng)，發(fā)現(xiàn)采集圖像全部為油液背景圖像且其中無(wú)氣泡，證明該系統(tǒng)可用于采集純磨粒樣本。然后打開(kāi)閥1、2，關(guān)閉閥3、4，打開(kāi)銷(xiāo)盤(pán)試驗(yàn)機(jī)并運(yùn)行。此時(shí)油路不循環(huán)，只能單向平穩(wěn)流動(dòng)，油液在經(jīng)過(guò)圖像監(jiān)測(cè)系統(tǒng)時(shí)沒(méi)有氣泡，只有銷(xiāo)盤(pán)試驗(yàn)機(jī)運(yùn)行過(guò)程中產(chǎn)生的磨損顆粒。將如圖2 所示的油箱1 中所有存油單向轉(zhuǎn)移至油箱2 中后，一次實(shí)驗(yàn)結(jié)束。

為了證明本實(shí)驗(yàn)方案的有效性，在油路中串聯(lián)加入電感傳感器進(jìn)行驗(yàn)證。電感傳感器是一種成熟的油液顆粒傳感器，能對(duì)油液中的磨粒進(jìn)行識(shí)別，而對(duì)氣泡不產(chǎn)生信號(hào)反應(yīng)。在分別進(jìn)行上述氣泡圖像采集以及磨粒圖像采集的過(guò)程中，采集電感傳感器信號(hào)如圖6 所示。其中圖6（a）為采集氣泡圖像時(shí)的電感傳感器信號(hào)，可以看到信號(hào)平穩(wěn)無(wú)明顯脈沖，可認(rèn)為信號(hào)均為背景噪聲，無(wú)磨粒信號(hào)，所采集的圖像均為氣泡圖像無(wú)磨粒圖像。圖6（b）為采集磨粒圖像時(shí)的電感傳感器信號(hào)，可以看到存在明顯脈沖，此脈沖為磨粒信號(hào)，即此過(guò)程中產(chǎn)生了大量磨損顆粒。

圖6 電感傳感器信號(hào)Fig.6 Inductive sensor signal

4.1.2 樣本預(yù)處理

應(yīng)用背景差分及大津算法提取運(yùn)動(dòng)磨粒和氣泡圖像，實(shí)驗(yàn)共提取了4 500 張磨粒圖像和4 500張氣泡圖像。圖7（a）為其中16 張氣泡圖像示例，圖7（b）為16 張磨粒圖像示例。

圖7 氣泡和磨粒樣本圖Fig.7 Bubbles and wear particles sample diagram

在這些圖像樣本中，會(huì)存在一張圖片里有多個(gè)對(duì)象的情況。但由于分割的樣本單元非常小，僅為100 pixel×100 pixel 的大小，因此存在多對(duì)象的單樣本也極少。在對(duì)樣本圖像進(jìn)行標(biāo)簽的過(guò)程中，人為地剔除掉這些少數(shù)存在的多對(duì)象圖像樣本，以便后續(xù)獲取更準(zhǔn)確的分類(lèi)模型。

4.1.3 HOG 特征參數(shù)提取

對(duì)于每一個(gè)樣本提取HOG 特征，圖8（a，b）和（c，d）分別為一磨粒與氣泡樣本的灰度圖（100 pixel×100 pixel）及其HOG 特征矢量圖。此圖選取單元格cell 大小為10×10，直方圖bin 個(gè)數(shù)為9。作出HOG 特征值的三維圖如9 所示，圖9（a）為磨粒HOG 特征，圖9（b）為氣泡HOG 特征，可以明顯看出只有中間block 位置具有較高梯度值，其他背景位置梯度值較小。從磨粒與氣泡的HOG 特征圖中也可以看出它們所存在的區(qū)別。

圖8 磨粒、氣泡原圖及HOG 特征矢量圖Fig.8 Wear particle, bubble original image and HOG fea?ture vector diagram

圖9 磨粒及氣泡HOG 特征Fig.9 HOG characteristics of abrasive particles and bubbles

4.1.4 SVM 分類(lèi)模型構(gòu)建

提取所有9 000 個(gè)樣本的HOG 特征值，將其分為8 000 個(gè)訓(xùn)練樣本（4 000 個(gè)氣泡，4 000 個(gè)磨粒）和1 000 個(gè)測(cè)試樣本（500 個(gè)氣泡，500 個(gè)磨粒），將訓(xùn)練樣本中提取的HOG 特征作為輸入，訓(xùn)練SVM 分類(lèi)器并保存得到的分類(lèi)模型。

4.2 模型參數(shù)優(yōu)化

HOG 的主要參數(shù)為單元格cell 大小以及直方圖bin 個(gè)數(shù)的選取?，F(xiàn)枚舉不同的cell 及bin 值大小得到一系列HOG 特征值并代入SVM 進(jìn)行訓(xùn)練，最后通過(guò)測(cè)試樣本測(cè)試出分類(lèi)精度，得到了如圖10 所示的分類(lèi)精度圖。

圖10 各參數(shù)測(cè)試準(zhǔn)確度Fig.10 Test accuracy under different parameters

從圖10 中可以看出，當(dāng)cell 取值為9，bin 取值為20 時(shí)，測(cè)試樣本的分類(lèi)準(zhǔn)確度達(dá)最高。具體為，500 個(gè)氣泡圖像有440 個(gè)正確識(shí)別，500 個(gè)磨粒圖像有398 個(gè)正確識(shí)別，準(zhǔn)確率為83.8%。

4.3 與其他識(shí)別方法對(duì)比

對(duì)于磨粒的特征提取，傳統(tǒng)方法一般采用基于形態(tài)學(xué)的磨粒特征參數(shù)提取，本文參考以往經(jīng)典磨粒形態(tài)學(xué)分析方法，提取了磨粒分類(lèi)中常用的13 個(gè)形態(tài)學(xué)和顏色特征參數(shù)［18?19］（面積、等效圓直徑、長(zhǎng)軸長(zhǎng)度、短軸長(zhǎng)度、長(zhǎng)短軸比、圓度、周長(zhǎng)、RGB 顏色均值和標(biāo)準(zhǔn)差等），與HOG 特征參數(shù)進(jìn)行對(duì)比。

另外，為驗(yàn)證SVM 算法有效性，實(shí)驗(yàn)采用了K最近鄰（K?nearest neighbor，KNN）分類(lèi)方法進(jìn)行對(duì)比。KNN 是一種較為成熟且使用廣泛的分類(lèi)算法，它是通過(guò)測(cè)量不同特征值之間的距離來(lái)進(jìn)行分類(lèi)。最終經(jīng)過(guò)實(shí)驗(yàn)測(cè)試并分析計(jì)算相應(yīng)實(shí)驗(yàn)結(jié)果得到4 種方法的測(cè)試樣本數(shù)據(jù)分類(lèi)精確率如表1所示。

表1 分類(lèi)準(zhǔn)確度Table 1 Classification accuracy

由表1 可以看出，4 種特征提取及分類(lèi)方法中，HOG 特征和SVM 分類(lèi)算法具有最高的測(cè)試樣本分類(lèi)準(zhǔn)確率，相較于形態(tài)學(xué)特征參數(shù)+SVM、形態(tài)學(xué)特征參數(shù)+KNN、HOG+KNN 等方法識(shí)別精度提升明顯，可達(dá)83.8%。

5 結(jié) 論

本文設(shè)計(jì)并構(gòu)建了一套大管徑、大流量和高景深的光學(xué)監(jiān)測(cè)系統(tǒng)，可實(shí)現(xiàn)磨粒圖像在線監(jiān)測(cè)。設(shè)計(jì)并搭建了一套油液監(jiān)測(cè)試驗(yàn)臺(tái)，可實(shí)現(xiàn)磨粒與氣泡的圖像分時(shí)采集。通過(guò)背景差分和大津算法提取磨粒及氣泡圖像，應(yīng)用HOG 特征提取和SVM分類(lèi)算法，實(shí)現(xiàn)磨粒和氣泡的分類(lèi)，排除磨粒圖像監(jiān)測(cè)過(guò)程中的氣泡干擾。實(shí)驗(yàn)結(jié)果表明，所提出的基于HOG 和SVM 的磨粒圖像在線監(jiān)測(cè)方法，相比于傳統(tǒng)的基于形態(tài)學(xué)的特征參數(shù)提取，以及基于KNN 的分類(lèi)算法，該算法具有更高的識(shí)別準(zhǔn)確率，可達(dá)83.8%。

雖然本文設(shè)計(jì)搭建的光學(xué)監(jiān)測(cè)系統(tǒng)、油液監(jiān)測(cè)試驗(yàn)臺(tái)和特征提取及分類(lèi)圖像處理算法在油液監(jiān)測(cè)中取得了一定的實(shí)用效果，能實(shí)現(xiàn)對(duì)磨粒數(shù)量和大小的監(jiān)測(cè)，但由于缺乏精細(xì)的圖像紋理信息，導(dǎo)致較難精細(xì)區(qū)分出具體的磨粒類(lèi)型。后續(xù)工作將進(jìn)一步提高圖像采集的精度，獲取更多圖像紋理信息以及更多圖像樣本，基于高質(zhì)量圖像以及大樣本數(shù)據(jù)，探索基于深度學(xué)習(xí)的磨粒識(shí)別方法，聚焦于獲得更準(zhǔn)確更全面的磨損顆粒信息及設(shè)備磨損狀態(tài)。