郭 捷,楊 冰,肖 梅,張 雷,孟禹冰
(1.陜西國防工業(yè)職業(yè)技術(shù)學(xué)院,陜西 西安 710300;2.長安大學(xué)運輸工程學(xué)院,陜西 西安 710064;3.長安大學(xué)經(jīng)濟與管理學(xué)院,陜西 西安 710064)
潤滑劑是降低摩擦阻力、減緩摩擦副磨損的潤滑介質(zhì),同時還能起到冷卻、清洗和防止污染等作用.一旦潤滑劑抗摩性能下降,將造成巨大的能源消耗,引起零件失效,導(dǎo)致嚴(yán)重后果.因此,及時、準(zhǔn)確地測定潤滑劑性能,對于保護機械、減少能源消耗尤為重要.根據(jù)《潤滑油摩擦系數(shù)測定法(四球法)》 (SH/T 0762—2005),通過四球摩擦試驗,利用摩擦系數(shù)、磨斑直徑和磨斑形貌分析測定潤滑劑的性能[1].由于磨斑尺寸一般小于1 mm,因此,需借助具有放大功能的掃描電子顯微鏡才能觀察到豐富的磨斑圖像形貌特征,這就促使圖形圖像處理技術(shù)成為深度挖掘摩擦表面形貌特征強有力的工具,成為近年來研究的熱點.早在1979年,MATSUSHIMA等[2]就嘗試?yán)糜嬎銠C視覺系統(tǒng)檢測刀具磨損狀態(tài),隨后,圖像分割、紋理分析和模式識別等圖像分析技術(shù)被廣泛應(yīng)用于刀具磨損狀態(tài)監(jiān)測[3-4]和磨損評估[5-6]中,初顯了該方法在刀具磨損狀態(tài)表征中的可行性和損傷評估的有效性.近年來,國內(nèi)、外學(xué)者已定性描述了微小磨損類型識別,分析了磨損機理[7-8],但缺少定量的度量和評估.目前,已開展了基于微磨損圖像分析的滑動摩擦系數(shù)[9]、磨損量或磨損率[10-12]等重要指標(biāo)測定的研究,但有關(guān)四球摩擦試驗的微磨損圖像分析技術(shù)研究成果還比較缺乏.磨斑分割是磨斑直徑測量、異常磨斑識別、異常磨痕檢測等后續(xù)形貌分析的前提和關(guān)鍵.因此,本文提出一種基于雙極值濾波和邊界細分的磨斑圖像分割算法,以精確地從背景分割出磨斑區(qū)域:進行灰度化和去噪等預(yù)處理,以消除噪聲干擾并加快算法的處理速度;基于磨斑圖像的特性,建立雙極值灰度差異度算子,并對磨斑區(qū)域進行初分割;考慮灰度和距離雙約束,對磨斑區(qū)域邊界進行精確分割.
磨痕是四球摩擦試驗中鋼球間相對運動在鋼球表面留下的細紋,深淺、長度各異,磨痕聚集形成的圓形區(qū)域為磨斑區(qū)域.磨斑區(qū)域形貌分析包括磨斑尺寸、形態(tài)和內(nèi)部結(jié)構(gòu)等,是測定潤滑材料性能和探尋磨損機理的關(guān)鍵.磨斑形貌自動分析依賴于磨斑圖像的分割,然而,磨痕的間斷性使得磨斑和背景間沒有明顯、光滑的邊界,分割難度大;同時,工程應(yīng)用對實時性要求高.本文提出了一種基于雙極值濾波和邊界細分的磨斑圖像自動分割算法.
圖1 算法流程
磨斑圖像自動分割算法包括圖像準(zhǔn)備、圖像預(yù)處理和磨斑分割3個處理階段.圖像準(zhǔn)備階段,借助具有放大功能的掃描電鏡或光學(xué)顯微鏡采集試驗鋼球的磨斑圖像,分析磨斑特性,結(jié)果發(fā)現(xiàn),磨斑區(qū)域的鄰域像素灰度差異明顯高于背景區(qū)域.圖像預(yù)處理階段包括灰度化處理和去噪處理,灰度化處理可以減少存儲空間和算法計算量,滿足工程的實時性要求;在此基礎(chǔ)上進行去噪處理,可以消除噪聲影響,以提高后續(xù)處理的精度.磨斑分割階段是實現(xiàn)從背景中提取磨斑區(qū)域的過程,先建立差異度量算子以度量鄰域像素的灰度差異,并對磨斑區(qū)域進行初分割;再考慮灰度和距離雙約束對磨斑區(qū)域的邊界進行精確分割;最后執(zhí)行形態(tài)學(xué)處理,目的是連接中斷、去除毛刺和填補空洞等.算法流程見圖1.
步驟1:磨斑圖像采集.磨斑圖像尺寸一般小于1 mm,無法用肉眼觀測,也無法用普通圖像設(shè)備采集,只能利用具有放大功能的掃描電鏡或光學(xué)顯微鏡采集.磨斑圖像用F表示,大小為M×N(像素單位).磨斑圖像見圖2 a.
步驟2:加權(quán)平均的灰度化處理.磨斑圖像本身是不含顏色信息的,為去除采集過程中帶來的彩色信息,減少計算量,需要進行灰度化處理,以得到灰度磨斑圖像.本次研究采用加權(quán)平均的灰度化處理方法[13],過程計算式為
f(x,y)=ζ1·r(x,y)+ζ2·g(x,y)+ζ3·b(x,y),
其中:f為灰度磨斑圖像,見圖2 b;x、y分別為像素的行、列坐標(biāo),均為整數(shù),且滿足1≤x≤M和1≤y≤N;ζ1、ζ2和ζ3分別為紅色、綠色和藍色分量的權(quán)重,依據(jù)人眼對顏色的敏感度,取值分別為0.30、0.59和0.11;r(x,y)、g(x,y)和b(x,y)分別為磨斑圖像F中像素(x,y)的紅色、綠色和藍色分量.
圖2 磨斑區(qū)域分割算法過程
步驟3:磨斑圖像去噪處理.進一步對磨斑圖像進行去噪處理有利于后續(xù)的磨斑分割.圖像去噪有均值法、中值法和維納濾波去噪等方法.隨機選取60個樣本進行去噪處理,以峰值信噪比為效果評價指標(biāo).經(jīng)均值法、中值法和維納濾波去噪處理后,平均峰值信噪比分別為24.293、24.916和29.975,故選擇維納濾波對磨斑圖像進行去噪處理.
步驟4:雙極值灰度差異度量.磨斑圖像由背景區(qū)域和磨斑區(qū)域組成,考慮到背景區(qū)域的像素灰度差異較小,而磨斑區(qū)域的鄰域像素灰度存在較大差異,因此,用雙極值的灰度差異度量算子.雙極值濾波包括極大值和極小值濾波,是將周圍鄰域像素的極值(極大值或極小值)替換中心像素的處理過程:首先對圖像進行極大值濾波和極小值濾波運算,此時像素灰度分別被亮化和暗化處理;再對灰度雙重濾波結(jié)果進行差分運算,可以很容易地度量出鄰域像素的灰度差異.計算式為
J(x,y)=max(W[l(x,y)])-min(W[l(x,y)]),
其中:l(x,y)為維納濾波圖像l的像素,見圖2 c;J為灰度差異圖,見圖2 d;J(x,y)為像素(x,y)的灰度差異;W[l(x,y)]為以(x,y)為中心像素的鄰域W,通常為正方形、圓形和矩形等;max(W[l(x,y)])為像素(x,y)的極大值濾波值;min(W[l(x,y)])為像素(x,y)的極小值濾波值.
步驟5:磨斑圖像初分割.采用閾值法對灰度差異圖進行初分割.閾值的確定可以采用自適應(yīng)閾值法、最大類間法或人工經(jīng)驗法等,處理過程
其中:U為磨斑二值圖,U(x,y)=1表示像素屬于磨斑區(qū)域,U(x,y)=0表示像素屬于背景區(qū)域;τ為分割閾值.磨斑二值圖及其對應(yīng)的原圖分別見圖2 e和圖2 f.
此外,還需要對磨斑二值圖進行形態(tài)學(xué)閉運算,以連接中斷的磨斑區(qū)域.
步驟6:雙約束邊界細分處理.磨斑二值圖中分割出的磨斑區(qū)域邊界并不準(zhǔn)確,很多和背景灰度相似的像素也被錯誤地歸類為前景,故還需要對其進行邊界細分.考慮到背景區(qū)域像素的灰度相似性,且初分割的磨斑區(qū)域邊界偏差和鄰域W的尺寸有關(guān),故采用灰度和距離雙約束的邊界細分處理對步驟5中得到的磨斑區(qū)域進行精確提取.具體包括:
1)背景種子點提取.統(tǒng)計各連通的背景區(qū)域,將像素總數(shù)大于一定值的背景區(qū)域標(biāo)記為背景種子點;
步驟7:數(shù)學(xué)形態(tài)學(xué)運算.對邊界細分處理后的圖像進行形態(tài)學(xué)運算,包括形態(tài)學(xué)膨脹運算、腐蝕運算和填補空洞操作,目的是連接中斷、去除毛刺和填補空洞等,提取出完整的磨斑圖像.最終提取的磨斑二值圖及其對應(yīng)的原圖分別見圖2 g和圖2 h.
為驗證方法的有效性,針對多組磨斑圖像進行仿真試驗.試驗圖像數(shù)據(jù)來自試驗?zāi)ズ虾驮囼炿A段,圖像為彩色RGB圖像,大小為768×1 024,仿真平臺為MATLAB 2014;計算機工作配置為Intel Core i7-6600U CPU@2.6 GHz 2.0 GHz、4.0 GB RAM和64位的Windows 7操作系統(tǒng);試驗參數(shù)τ和T取值均為15.對比分析本文算法和梯度法[15]的檢測結(jié)果,部分樣本磨斑分割結(jié)果見圖3.
圖3 多樣本磨斑區(qū)域分割結(jié)果對比分析
圖3中的黑色輪廓線包含的區(qū)域為最終分割的磨斑區(qū)域.分割結(jié)果表明,與梯度法相比,本文的分割算法能夠很好地區(qū)分磨斑區(qū)域和背景邊界,分割出磨斑區(qū)域,檢出效果好.盡管四球摩擦試驗產(chǎn)生的磨斑區(qū)域形態(tài)各異,并非均呈現(xiàn)圓形或橢圓形,本文的分割算法仍能很好地分割出凹槽形態(tài)的邊界,魯棒性好.為進一步定量分析本文方法的分割效果,用分割精度、過分割率和欠分割率3個指標(biāo)評價分割效果.
分割精度SA表示分割準(zhǔn)確的面積占理論分割結(jié)果中真實面積的比率.其計算公式為
過分割率OR用于衡量被錯誤分割為磨斑的背景區(qū)域的比率,其值越小表示被錯誤分割成磨斑的背景區(qū)域越少.其計算公式為
其中:Os為被錯誤分割為磨斑的背景的像素數(shù).
欠分割率UR表示未被檢出的磨斑區(qū)域的比率,其值越小表示未被檢出的磨斑區(qū)域越少.其計算公式為
其中:Us為未被檢出的磨斑區(qū)域的像素數(shù).
兩種方法的分割精度、過分割率和欠分割率見表1.由表1可知:梯度法的欠分割率為0,說明該方法分割的磨斑區(qū)域比實際磨斑區(qū)域要大,對邊界的分割較差;而本文方法的分割精度均在90%以上,比梯度法要高,且過分割率也大大下降,說明本文方法的分割效果要好于梯度法.
表1 算法分割效果對比分析
此外,本文算法運行速度快,平均每幀耗時0.722 s,當(dāng)程序硬件化后,耗時還會進一步減少,適合開發(fā)為四球摩擦試驗機的分析處理軟件.
本文提出的磨斑圖像分割算法利用雙極值濾波度量像素的差異,區(qū)別于傳統(tǒng)的梯度差異度量法,能更好地獲得磨斑和背景區(qū)域的灰度差異性;基于灰度和距離雙約束的邊界細分處理可以更精細地捕獲磨斑區(qū)域的邊界輪廓,針對形態(tài)各異的磨斑圖像的凹凸區(qū)域均具有很好的分割效果,且算法運行速度快,適合開發(fā)為四球摩擦試驗機的分析處理軟件.然而,由于采集到的試驗圖像數(shù)據(jù)來自同一臺四球機,且由同型號設(shè)備采集,使得試驗數(shù)據(jù)較為單一,采集更豐富的試驗數(shù)據(jù)并校驗算法普適性是下一步工作的重點.