基于反相灰度图二值化修正的铁谱图像磨粒特征提取*

樊红卫 丁 骁1 高烁琪1 邵偲洁1 杨一晴1 马宏伟 张旭辉

(1.西安科技大学机械工程学院 陕西西安 710054；2.陕西省矿山机电装备智能监测重点实验室 陕西西安 710054)

铁谱分析是一种通过对机器润滑油所含磨粒大小、形状等的分析，来判断设备故障部位和不正常磨损程度的先进技术。它通过磁头将润滑油中的金属磨粒沉积在一张基片上，再利用显微镜等设备对基片成像，通过对图像的分析处理来提取特征信息，进而完成对设备磨损状态的判定。经过几十年的发展，铁谱分析技术已在机械设备故障诊断中发挥了积极作用。特别是近年来，随着图像处理技术的飞速发展，铁谱分析技术取得了长足的进步。

在铁谱图像特征提取方面，王静秋[1]提出了一种基于分水岭和蚁群聚类的图像分割方法，分水岭算法具有快速收敛性，可快速精准定位目标区域，而蚁群算法依靠并行性和全局搜索能力，可精准逼近磨粒边缘。唐春锦[2]、王国亮[3]提出了一种基于大津阈值分割的铁谱图像磨粒边缘提取方法，大津阈值分割需要HSV颜色环境或对铁谱图像进行大量滤波处理，缺乏普适性，对铁谱成像质量要求极高。徐斌等人[4]针对铁谱图像磨粒识别中异类信息综合利用率较低的问题，提出了一种多层次信息融合的铁谱图像磨粒识别方法。沈如芸[5]提出了一种基于梯度算子和拉普拉斯算子对磨粒图像进行锐化后使用Robert和Sobel算子进行边缘检测的方法，但不同的磨粒图像无法使用同一算子批量处理。冯辅周等[6]提出了铁谱图像数字化特征提取及分类识别方法，提出了磨粒图像边缘检测方法，但仅用作分类依据，未做深入研究，且用于分类匹配的标准磨粒样本数量较少，存在一定的识别误差。姚智刚[7]提出了铁谱图像中磨粒群统计特征的快速提取方法，采用小波分解研究磨粒群形态学特征，构造等效尺寸，从而反映图像中较大磨粒的尺寸及图像中非磁性磨粒的比重，其对于较小的磨粒，不能有效地提取出特征。谢伟等人[8]提出了一种低照度图像色彩恢复和细节提取的方法，基于将色彩对比度、饱和度、曝光亮度融合至金字塔算法中，根据图像信息赋予不同的权重参数来实现图像细节的增强。濮亚男和陈闽杰[9]提出了一种基于二次K-means颜色聚类分离磨粒区域与背景区域后，对磨粒区域采用改进的分水岭算法分割黏连磨粒的图像分割方法，但对背景纯净要求较高。包春江等[10]提出了铁谱图像的彩色纹理特征提取与识别方法，采用色度矩提取彩色纹理特征，利用SVM(支持向量机)对图像纹理进行识别。但由于彩色纹理主要反映磨粒表面粗糙程度，而对图像边缘及磨粒大小等特征提取，不如灰度图像法。

在上述研究的基础上，本文作者针对煤矿机械低速重载齿轮箱的磨损故障诊断问题，建立了相关的齿轮箱和铁谱分析仪器平台，开展了铁谱分析实验研究，提出了一种基于差商思想的铁谱图像自动化阈值分割方法，用以提取齿轮箱铁谱图像的磨粒信息。

1 铁谱图像预处理

1.1 原始图像的反相

在铁谱图像中，底色背景往往是较亮的绿色，磨粒则由一系列较亮的暖色和较暗的冷色组合构成。同时，某些磨粒在制谱时因取图设备带来的不可控因素导致部分边缘与背景间皆为亮色，边缘细节模糊。使用反相处理，取其互补色可以突出磨粒的边缘细节。图1所示为将磨粒原图的局部细节放大后以单个像素的方式展示，当图片缩放到某一尺度时，很明显地看出在磨粒与背景衔接处属于渐变过度，饱和度低的黄色过渡到绿色，导致区分度不明显，此时如直接使用阈值分割则会出现误分割，但对原图进行反向操作后，如图1(b)所示，磨粒和背景间的渐变现象减弱，有益于阈值分割。

图1 反相前后磨粒图局部细节放大情况

1.2 反相图像的灰度图

常用的灰度图转化方法主要有加权法、平均法和单通道法。基于加权法的灰度图转化公式如式(1)所示。

G=R·a+G·b+B·c

(1)

式中：R、G、B分别为像素点颜色描述值；a、b、c分别为权重系数，文中按红色a=29.9%、绿色b=58.7%、蓝色c=11.4%处理，此系数所转化出的灰度图感官上最符合人类认知，其转化过程按照人类对背景与前景的认知进行操作，所得灰度图具有层次感，应用广泛。

平均法的灰度图转化公式为

PGray=(R+G+B)/3

(2)

单通道法的灰度图转化公式为

PGray=g

(3)

针对正常滑动磨粒，采用加权、平均和单通道法所得灰度图结果如图2—4所示。

图2 正常滑动磨粒的加权灰度图

图3 正常滑动磨粒的平均灰度图

Fig 3 Average gray image of normal sliding abrasive particles

根据图2—4可知，平均法求得的灰度图不适合磨粒预处理，会凸显噪点，影响磨粒识别结果；单通道法处理速度快，但效果依然不佳，且受背景色影响大，对分析式铁谱而言，需高质量的原始图像。综合分析，文中选用加权灰度图。

2 铁谱图像的磨粒提取

2.1 灰度图的阈值分割

阈值分割是基于分块化的图像分割技术，按照灰度，将像素按一定规律划分，得到的每个区域内部具有一致性，相邻区域不具有一致性。常见的阈值分割是单点阈值分割，通过对大量磨粒图片的观察与研究发现，单值阈值分割不适合磨粒图像灰度图处理。因为大多数磨粒图像中磨粒边界和背景间存在渐变衔接的现象，其取决于呈像设备的算法还原度及制谱时的人为因素，这两类因素的存在使单值阈值分割难以对所有磨粒图像具有普适性。为此，文中采用一种三段式阈值分割算法，如图5所示。

如图5所示，使用三段式阈值分割的首要任务是找到可以分割出目标物体的阈值上限和下限，通过一定规律，找到上下限后，将原图像转化为二值图。由图6可知，正常滑动磨粒的灰度直方图存在至少一个峰和两个谷。

图5 三段式阈值分割示意图

图6 正常滑动磨粒灰度图及其直方图

由于反相后的磨粒以蓝色系为主，所以根据加权法灰度图的转化公式，可推测出背景在灰度直方图中主要集中在0～255的中间地带，且存在于高峰之中。

2.2 二值化图像的开闭运算

二值化图像处理的两个主要参数是原始图像和结构化元素，后者决定操作的性质。形态学的两个基本操作是腐蚀和膨胀，其组合构成了开、闭运算。膨胀操作使一幅图像中白色增多、黑色减少，常用来扩充边缘或填充小孔。腐蚀是膨胀的反操作，可扩大黑色、减少白色，用来提取主要信息或去掉孤立像素。

针对图7(a)所示的二值化图像，先使用开运算即腐蚀，消减部分磨粒及散落在背景中的小点，再膨胀，补偿之前消减的部分磨粒，且由于背景噪点已被消除，不会因膨胀产生多余的影响。开运算完毕后，会发现有时磨粒图像中有些磨粒内部因阈值分割本身的不完善使其原本成为整块磨粒的却产生了微小孔洞，此时使用闭运算，先膨胀，扩充磨粒面积，同时消除磨粒内部孔洞，后腐蚀，还原之前因为膨胀造成的面积扩展，如图7(b)所示。

图7 二值图像的开闭运算处理

2.3 图像修正

磨粒图像处理有一定概率发生误分割，即油污被识别为磨粒。第一种情况是被误分割的磨粒面积极小，常因背景与磨粒颜色过于接近，或铁谱油污过大，致使阈值分割后无法用开闭运算对其修正补偿，以致遗留下来，被判定为磨粒。对此情况，可使用以面积为基准的判断方法，辅以人工判定来解决。第二种情况是由于背景光分布不均，导致整个背景色调不一致，使阈值分割无法正常进行，以致阈值分割后图像细节丢失。这种情况多出现于硬件操作不当，如显微镜摄像头对焦位置偏离中心，或绿色聚光灯未对准中心导致整张图片明暗不平衡。以上两种情况，均可采用规范化制谱得以解决。

3 磨粒特征的表征

3.1 磨粒的数值特征

磨粒特征提取采用Python skimage库中的measure方法，实现对连通区域标记以及输出区域的相关属性，共建立了8种常用参数，其核心参数5个，包括区域面积、圆度、区域周长、等效圆直径、畸形度；辅助参数3个，包括离心率、区域欧拉数、质心坐标。

3.2 磨粒的识别

通常，磨粒识别首先需要依据平面、三维和纹理参数，考量某一磨粒的种类与状态。使用基本参数，推导特征参数，进行特征描述，得出磨粒类型，如条状、薄片、块状、圆状等。磨粒识别的流程如图8所示。

图8 磨粒识别流程

4 磨粒图像处理算法验证

4.1 标准的正常磨粒铁谱图像处理

利用Python开发了磨粒铁谱图像处理程序，针对标准的正常滑动磨损的铁谱图像，采用文中提出的图像处理算法，进行了反相、灰度图转化、二值化处理、图像修正和磨粒区域识别等，如图9所示。由图9可知，经过文中算法的处理，图9(f)基本上如实反映了原始的铁谱图像中磨粒所在的区域，表明文中所提出的算法是有效的。

图9 正常滑动磨损的铁谱图像处理结果

4.2 齿轮箱磨粒铁谱图像处理实验

为了验证所提出的算法在实际设备的磨粒分析中的有效性，设计了验证性实验。实验对象如图10所示，铁谱分析平台如图11所示。实验针对一个齿轮传动系统，如图10所示，由变频电机驱动，经联轴器后进行二级行星轮系和二级直齿轮减速器，负载由磁粉制动器模拟，减速器采用600XP150齿轮油进行润滑。黏度等级为150的YTF-8分析式铁谱分析平台如图11所示，相关参数如表1所示。

图10 齿轮传动系统

图11 铁谱分析平台

表1 铁谱分析平台主要参数

图12所示为50倍物镜下齿轮减速器油液铁谱图像分析结果，油液样本取自如图13所示的二级直齿轮减速箱。图12(a)—(f)依次为铁谱图像原图，对铁谱图像原图执行反相操作得到的负片铁谱图像，反相后铁谱图像的灰度图，初步二值化图，二值化修正图，磨粒标定图。图12(f)中，4个连通区域特征参数定量识别结果如表2所示。

从图12可知，经过文中算法的处理，原始的铁谱图像被标定为4个联通区域，准确反映了原始谱图中磨粒区域的划分和几何形状，计算得到了表2所示的8个几何特征参数，实现了磨粒分布状态的定量识别。

根据图12可知，齿轮箱发生了滑动磨损。为此，对齿轮箱进行了拆解，图14所示即为齿轮箱内直齿轮(见图13中①)的轮齿表面实拍照片，可知该齿轮箱目前确实处于滑动磨损状态，实测结果证明了文中磨粒识别结果是正确的。

图12 齿轮箱油液铁谱图像分析结果

图13 二级直齿轮减速箱内部结构

参数区域①区域②区域③区域④区域面积A/(μm2·(pixel)-1)115.967.166.818.8区域周长l/μm97.064.970.330.9等效圆直径d/μm12.19.39.24.9圆度0.150.200.170.25畸形度9.07.98.67.1离心率0.980.970.980.98质心坐标30,8896,75164,108190,81区域欧拉数1111

图14 齿轮齿面状态照片

5 结论

(1)提出了一种基于反相操作的铁谱图像灰度图处理算法，通过反相操作使铁谱图像的绿色背景与黄色磨粒的边界清晰，有利于铁谱图像的分割。

(2)提出了一种三段式阈值分割算法，采用腐蚀和膨胀操作对二值化图像进行开闭运算，实现了其修正，保证了磨粒特征提取的准确性。

(3)确定了铁谱图像特征参数及识别方案，通过标准图像和实验图像处理，证明了所提出的算法能够准确获取磨粒几何形状和特征参数；通过实拆齿轮箱，证实了该齿轮箱正处于滑动磨损状态。