基于機器視覺的機械設備零件疲勞壽命檢測方法

胡代弟，李銳君

（鄭州西亞斯學院 電子信息工程學院，新鄭 451150）

0 引言

隨著現(xiàn)代科學技術以及工業(yè)技術的飛速發(fā)展，對機械設備零件疲勞壽命檢測精度提出了更高的要求，同時也進一步完善了智能化檢測發(fā)展的理論基礎和基礎，擴展了檢測技術的應用領域和方式。現(xiàn)階段，機械系統(tǒng)的零件越來越復雜，安全性明顯跟不上時代發(fā)展的步伐，由于機械零件失效而引發(fā)的安全事故日益增加。通常情況下，當機械設備零件的使用壽命達到極限需要及時更新零件，同時在使用過程中需要定期檢查和維修。但是由于實際情況和使用條件存在偏差，會導致使用壽命明顯低于預計使用壽命，假設繼續(xù)按照設定的條件使用或者更換，會導致事故的發(fā)生。為了有效解決上述問題，國內相關專家給出了一些較好的研究成果，例如王成等人[1]根據(jù)實車測試獲取主軸動態(tài)扭矩，同時組建有限元模型，對主軸疲勞壽命檢測。萬夫等人[2]組建油管壽命檢測模型，通過模型完成檢測。何景強等人[3]采用虛擬機技術在動力學軟件中構建剛柔耦合模型，對模型加載和求解，獲取應力載荷譜，對其統(tǒng)計和分析，同時實施正態(tài)分布擬合處理，獲取幅值和均值變化規(guī)律，得到工作機構疲勞壽命變化規(guī)律，最終實現(xiàn)壽命檢測。但是以上方法在監(jiān)測過程中，由于未對待檢測物體的圖像進行濾波處理，導致其圖像效果不佳，影響檢測結果的準確性。

因此，本文提出一種基于機器視覺的機械設備零件疲勞壽命檢測方法。經實驗測試證明，所提方法可以獲取高精度的檢測結果。

1 方法的設計

1.1 機械設備零件圖像的采集與預處理

由CCD攝像機、激光器以及采集卡等共同組成機器視覺系統(tǒng)，通過機器視覺系統(tǒng)采集機械設備零件圖像，在采集過程中，需要對設置函數(shù)實時調整，同時選擇合適的參數(shù)編程，將采集到的圖像展示在屏幕上，使采集結果具有可視性。

通過機器視覺系統(tǒng)采集到的零件圖像為彩色圖像，由于受到激光以及帶通濾光片等因素的影響，零件圖像中的疲勞損傷區(qū)域不同像素的紅色分量，明顯高于其他分量。提取機械設備零件圖像中的紅色分量作為疲勞特征，當圖像經過黑白化處理后，需要將彩色圖像的各個顏色分量轉換為一個數(shù)值，具體的轉換過程如式(1)所示：

式(1)中，F(xiàn)(x，y)代表經過轉換后得到的顏色分量；s、t和r分別代表不同顏色分量的權值。

機械設備零件圖像在采集或者傳輸過程中會受到一定程度噪聲干擾，所以濾波處理是不可缺少的重要環(huán)節(jié)。以下主要通過改進的中值濾波方法降噪，具體的操作過程如下所示：

1）設定濾波窗口大小為a×b，在窗口中，灰度級的最大、最小以及平均值分別為Hmax、Hmin、Hp，g(i，j)代表窗口中心值。通過自適應濾波器需求，調整窗口大小，同時將全部參數(shù)初始化處理，假設接收到擴大窗口的指令，則繼續(xù)步驟(2)；反之，重復步驟(1)。

2）中值濾波處理：

為了更好將機械設備零件中的圖像濾除[4]，需要將中值濾波器和均值濾波器兩者結合，組建一個全新的濾波窗口，確保零件圖像的疲勞區(qū)域細節(jié)信息得到有效保存。

在機械設備零件圖像濾波處理過程中，需要根據(jù)圖像大小對各個像素檢測。另外，在濾波過程中，全部像素的原始值均被中值替換，在后續(xù)計算中值的過程中可能會采用全新的像素值，形成一個完整的迭代過程。經過改進后，算法的詳細操作步驟如下：

(1）機械設備零件圖像在設定窗口內滑動，獲取窗口的中心像素；

(2）讀取窗口中的像素值；

(3）判斷像素中心的平均像素值；

(4）假設窗口內的像素值大于平均像素值，則搜索中值，同時使像素平均值等于像素灰度級的中值；反之，則保持機械設備零件圖像不變。

(5）輸出經過改進中值濾波處理的機械設備零件圖像，有效保留圖像細節(jié)信息，同時有效增加信息處理速度。

當圖像完成濾波處理后，無法在直接在圖像提取有利用價值的信息，需要進一步分析和處理。在實際操作過程中，通過邊緣檢測獲取機械設備零件圖像的疲勞特征。優(yōu)先需要確定激光條紋區(qū)域，然后尋找其他邊緣，有效降低信息提取工作量。當識別到目標的邊緣后，需要在邊緣中提取重要的特征，獲取零件疲勞的主要特征信息。

通過機械設備零件灰度圖的直方圖，可以得到圖像k(i，j)的灰度值變化情況。設定閾值的取值為S，將直方圖劃分為兩部分，具體如式(2)所示：

邊緣提取是一種比較常用的多尺度邊緣檢測方法，根據(jù)下采樣變換的平移不變特性，在不同尺度下分別實施梯度計算和邊緣特征提取，進而獲取零件圖像邊緣的頻率變化情況，最終提取到機械設備零件圖像的疲勞特征。

為了簡化計算過程，需要將含有符號的子帶系數(shù)取值全部設定為0，通過NCST將原始機械設備零件圖像劃分為4個不同的子帶，設定4個方向的矢量分別表示為G1(a，b)、G2(a，b)、G3(a，b)和G4(a，b)，則對應子帶圖像的位置可以表示為式(3)～式(6)的形式：

式(5)，式(6)中，G23(a，b)和G11(a，b)代表對應方向組成的合成矢量；α24和α14分別代表位于不同方位的矢量角。

合成全部梯度向量，最終提取機械設備零件圖像的特征m(x，y)，如式(7)所示：

1.2 機械設備零件疲勞特征融合處理

通過NSST逆變換將提取到的機械設備零件疲勞特征融合處理，詳細的操作步驟如圖1所示。

圖1 基于NSST逆變換的機械設備疲勞特征融合流程圖

對機械設備零件圖像中各個像素點和相鄰像素點之間的灰度值差異實施分析，全部刻畫圖像的梯度特征。同時引入一種全新的空間頻率指標Te，如式(8)所示：

式(8)中，h(i)、c(i)、mdf(i)和sdf(i)分別代表圖像在不同方向的梯度水平。

將尺寸為m×n的機械設備零件圖像作為研究對象，分別給出不同方向的梯度水平計算公式：

式(9)中，ωad代表距離權值；H(i,j)代表原始機械設備零件圖像。

通過式(9)可知，當c(i)的取值越大，代表機械設備零件圖像的梯度水平取值越大，和鄰近像素點之間的差距也就越顯著，并且包含的圖像細節(jié)信息也更加豐富完整。

也可以通過局部能量描述像素點特征，其中局部能量Damd(i,j)對應的計算式為：

在低頻子帶圖像系數(shù)的選擇方法可以表示為式(11)的形式：

通過以上操作，完成機械設備零件圖像低頻微觀子帶圖像融合，繼續(xù)實施高頻微觀子帶圖像融合，詳細的操作步驟如下：

將機械設備零件圖像平滑處理，獲取圖像對應的偏差陣列G(x,y)，如式(12)所示：

通過非極大值閾值圖像，同時增加雙閾值，對圖像的細節(jié)部分補充，最終達到圖像特征融合的目的。同時借助Canny算子有效保留機械設備零件圖像的細節(jié)信息。

1.3 機械設備零件疲勞壽命檢測

支持向量機（Support Vector Machine，SVM）[5]是統(tǒng)計模式識別領域中一項十分重要的技術，將SVM和模糊理論相結合，形成模糊SVM，基本操作思想為：

如果在“一對多”的情況第n類區(qū)域其他類，則對應的決策函數(shù)仍舊使用SVM，對應的判別函數(shù)Ei(n)表示為式(13)的形式：

其中，模糊隸屬度函數(shù)在整個模糊SVM中占據(jù)十分重要的地位，同時還會對算法的計算耗時以及分類結果準確性產生一定的影響。所以，需要針對實際情況，設計滿足需求的隸屬度函數(shù)，使其可以準確反映測試樣本的不確定性。

判定隸屬度取值大小的核心即為樣本所在序列的相對重要性或者貢獻大小。在模糊SVM中，設定k～代表類中信息，l代表半徑，則半徑可以采用式(14)計算得到：

通過上述分析，采用模糊SVM對機械設備零件疲勞壽命檢測，詳細的操作流程如圖2所示：

圖2 基于模糊SVM的機械設備零件疲勞壽命檢測流程圖

1）對SVM分類器訓練，同時獲取初始階段的支持向量，構建決策分類面；

2）計算樣本集合對應的中心向量；

3）通過以上兩個步驟獲取中心向量，同時計算2個球的半徑取值；

4）計算得到模糊隸屬度函數(shù)；

5）確定模糊訓練集；

6）訓練模糊點，同時建立最優(yōu)分類函數(shù)，最終得到模糊SVM分類器；

7）將樣本輸入到模糊SVM分類器中，輸出分類結果，最終實現(xiàn)機械設備零件疲勞壽命檢測。

2 實例驗證

為了驗證所提基于機器視覺的機械設備零件疲勞壽命檢測方法的有效性，采用文獻[1]方法和文獻[2]方法共同進行實驗，對盾構機螺旋輸送機螺旋軸滑動軸承（非主軸承）的疲勞壽命進行檢測，以此驗證本文設計方法的有效性和優(yōu)越性。該軸承型號為938/932CD，為可分離軸承，軸承鋼材質，公稱內徑200mm，公稱外徑300mm，公稱寬度100mm，重量70kg。盾構機輸送機螺旋軸滑動軸承實物圖如圖3所示。

圖3 輸送機螺旋軸滑動軸承

將該軸承安裝在盾構機螺旋輸送機螺旋軸中，使其正常運轉。在經過432h之后，該滑動軸承產生一定磨損，通過采集得到該軸承的磨損圖像，如圖4所示。

圖4 試驗軸承磨損圖像

以圖4的原始磨損圖像為基礎，采用文獻[1]方法、文獻[2]方法和本文方法，分別對圖像進行預處理，并對處理后的待檢測區(qū)域每個像素點的灰度值進行計算，并繪制不同方法處理后的灰度直方圖。如圖5所示。

圖5 不同方法處理后的灰度直方圖

通過圖5可以看出，文獻[1]方法在進行圖像預處理后待檢測目標區(qū)域最大灰度值為75；文獻[2]方法在進行圖像預處理后待檢測目標區(qū)域最大灰度值為90；而本文方法在進行圖像濾波處理后待檢測目標區(qū)域最大灰度值為120，相比另兩種方法的灰度值更高，說明本文方法采用的濾波處理效果更好。此時不同方法下，磨損圖像的空間頻率對比如圖6所示。

圖6 不同方法的圖像空間頻率對比

通過圖6可看出，相比另兩種文獻方法，本文方法的圖像空間頻率較為穩(wěn)定，能夠為滑動軸承的疲勞壽命檢測提供較好的基礎。

為了更好的驗證本文方法的實際應用性能，對滑動軸承的實際損傷值進行測試，針對滑動軸承運行120h～170h之間的損傷值進行檢測，對比不同方法檢測值與實際損傷值之間的差距。測試結果如圖7所示。

圖7 不同方法檢測到的損傷值測試結果

分析圖7中的實驗數(shù)據(jù)可知，文獻[1]方法和文獻[2]方法的檢測損傷值均高于測試滑動軸承的實際損傷值，這兩種方法的檢測結果與實際結果都具有一定的差距；而本文方法的檢測損傷值與測試滑動軸承的實際損傷值較為接近，與另外兩種方法相比，本文方法獲取的損傷值的準確性更高。

在完成損傷值檢測后，與兩種文獻方法一起對滑動軸承進行10次疲勞壽命檢測，實際運轉時間為432h，檢測結果如表1所示。

表1 不同方法的滑動軸承疲勞壽命檢測結果

分析表1中的實驗數(shù)據(jù)可知，本文方法的檢測結果與實際運轉432h最為接近，能夠實現(xiàn)對機械設備零件疲勞壽命的準確檢測，可以獲取和真實壽命值更加接近的檢測結果，說明所提方法在對機械設備零件疲勞壽命檢測中具有一定的優(yōu)越性能。

3 結語

針對傳統(tǒng)方法存在的一系列問題，設計并提出基于機器視覺的機械設備零件疲勞壽命檢測方法。經過實驗測試分析可知，在采用本文方法對圖像進行濾波處理后，圖像灰度值更高，空間頻率較為穩(wěn)定，對機械設備零件疲勞壽命檢測具有較好的準確性，可以被應用于不同工程中，為其提供一定的數(shù)據(jù)支撐。