CN105758862A - 一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法 - Google Patents

Abstract

一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法，对可能携带有氧化磨损磨粒的油液进行图像采集，针对采集到的磨粒图像出现模糊的状况，给出了图片清晰化的一种方法，基于此方法获得清晰的磨粒图片具有纯净背景，磨粒具有清晰的轮廓和颜色特征，之后提取磨粒的颜色特征，并给出了磨粒颜色特征与氧化磨损状态的对应关系模型，对于新采集到的磨粒根据对应关系模型判断发生的氧化磨损类型；本发明有效地解决了由于磨粒运动、油液颜色等原因导致图像模糊，进而无法准确获取磨粒的颜色信息的问题，为氧化磨损在线监测在工业现场的应用提供了理论依据和指导。

Description

一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法

技术领域

本发明属于装备摩擦学系统的磨损状态在线监测技术领域，特别涉及一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法。

背景技术

设备运行过程中，由于润滑条件的不足造成摩擦副金属的直接接触摩擦而产生大量的热，不仅造成润滑油的降解甚至失效，也会导致摩擦副发生氧化磨损，进而导致胶合、剥落等失效发生。因此，氧化磨损成为设备运行状态监测及故障预警的重要内容。

磨粒作为磨损过程中的直接产物，携带有大量的磨损信息。在氧化过程中产生的磨损颗粒则具有明显的颜色特征，因此可以通过颜色来区别在磨损过程中最常见的颗粒：低碳钢、氧化铁、四氧化三铁等。磨粒的颜色可以表示着不同的氧化程度，即磨粒的颜色信息能够很好的反应氧化磨损的严重性。

在离线的监测方法中，通常是采用光学显微镜来获取高清晰的磨粒图片，并以此提取磨粒的颜色，之后使用多尺度的分类方法，将磨粒按颜色进行鉴别、分类。比如，陈桂明等人提出了聚类树分析、模糊聚类技术与统计分析相结合的定量研究方法，使用光学显微镜获得不同光照条件下高清晰的铁谱图片，之后进行背景、磨粒区域分割，以获得可进行定量分析的磨粒。这样的方法虽然能够准确的获得磨粒的颜色信息，进而判断机器的氧化磨损情况，但是无法将显微镜应用于在线监测，因而无法在线获得同样高清晰的磨粒图像，这就使得上述方法无法应用于在线磨粒监测。张云强等人提出了一种简化脉冲耦合神经网络的磨粒图像颜色特征提取方法，但如果图像受到噪声的影响，对应的神经元点火行为也会随之发生改变，导致最终提取的颜色特征数值改变。因此针对离线铁谱分析提出的方法对所获取的磨粒图像清晰度有很高的要求。

西安交通大学发明了一种基于视频获取的润滑油磨粒在线监测探头(公开号：CN201310141314.9)，实现了在润滑油流动状态下的磨粒图像获取。然而由于在用润滑油的污染以及油中非金属杂质等的影响，在线磨粒图像具有难以避免的模糊性。因此，模糊磨粒图像的特征提取成为解决在线磨粒颜色特征提取的技术瓶颈。另一方面，在获取磨粒的颜色之后，应建立磨粒颜色特征与氧化磨粒类别的对应关系。殷勇辉提出了一种分类方法，通过选择适合的HSV获得不同磨粒的空间分布，设置分割线来识别不同颜色的磨粒，但是，针对不同的磨粒群，需要建立不同的空间模型及设置不同的分割线，尚无法满足在线监测的即时性要求。因此，如何建立磨粒颜色特征与氧化磨粒的对应关系仍然是磨损在线监测技术的难题。由于上述缺陷，当前的在线磨粒监测尚无法实现基于磨粒颜色的氧化磨损状态实时分析，其技术应用受到极大地限制。

发明内容

为了克服上述现有技术的缺点，本发明的目的在于提供一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法，通过图像传感器获得实时在线磨粒图像，由于采集到的磨粒图像很可能是模糊的，因此需要进行图像处理，获得清晰的图像，并进行磨粒分割，提取磨粒的颜色特征，最后建立磨粒颜色信息与氧化磨损颗粒的对应判别模型，实现在线油液监测系统中氧化磨损类型的实时判别。

为实现上述目的，本发明采用如下技术方案：

一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法，包括以下步骤：

步骤一、对油液中的磨粒进行实时可视监测，获得磨粒的图片及视频信息:由于在线氧化磨损状态监测应用于工业现场，且是一种即时的监测手段，所以由于油液特征、环境因素的影响，会使采集到的图像中，磨粒边缘颜色及轮廓变得模糊，因此需要对图像进行背景差分、滤波和模糊恢复等处理，以得到清晰的磨粒图像；模糊的磨粒图像中，模糊角度θ和模糊长度L通常能反映模糊区域的特点；通过傅立叶频谱分析的方法可得到模糊角度θ值；同时认为在极短的曝光时间内磨粒做匀速直线运动，由此得到模糊长度L值；得到模糊图片的模糊角度θ和模糊长度L后，使用维纳滤波的方法对运动磨粒的模糊图像进行处理，便可得到清晰的、轮廓及颜色分明的磨粒图像；

方法具体为：用函数f(x,y)代表清晰的图像，函数g(x,y)代表模糊的图像，在退化函数h(x,y)和噪声函数n(x,y)的作用下，他们之间的关系为：

g(x,y)＝f(x,y)*h(x,y)+n(x,y)

其中*表示一次卷积，x,y分别表示图像的横坐标和纵坐标；

根据维纳滤波方法去除噪声函数n(x,y)，并根据退化函数h(x,y)的表达式：

$h(x,y)=\left\{\begin{array}{cc}1/L,& \sqrt{x^2+y^2}\≤L/2,y/x=\tan \mathrm{\θ}\\ 0,& else\end{array}\right.,$

经过图像退化的反运算即可求得清晰的图像f(x,y)；θ表示磨粒运动的角度，L表示图片中模糊区域长度，在[0,T]的运动时间内，模糊区域长度L可通过L＝vt计算；

步骤二、用RGB模型和HSI模型描述一张彩色图片：RGB模型通过对红Red、绿Green、蓝Blue三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，HSI模型通过使用色调Hue、色饱和度Saturation和亮度Intensity来描述色彩，在描述图片时，RGB模型通过获得图片中每个像素点颜色的R、G、B值来描述图片的颜色特征；HSI模型由RGB模型转换得到，RGB模型中R、G、B的值与HSI模型中H、I的值的对应转化关系为：

$H=\left\{\begin{array}{ccc}\mathrm{\θ},& if& B\≤G\\ 360-\mathrm{\θ},& if& B>G\end{array}\right.$

$I=\frac{1}{3}(R+B+G),$

其中，

$\mathrm{\θ}=\arccos \left\{\frac{1/2\[(R-G)+(R-B)\]}{{\[{(R-G)}^2+(R-B)(G-B)\]}^{1/2}}\right\}$

得到图片HSI模型之后，采用基于支持向量数据描述(SVDD)的方法，提取其H、I值作为分类依据建立一种氧化磨粒鉴别的动态群聚模型；

步骤三、得到上述动态群聚模型后，对于新采集到的磨粒，根据磨粒H、I信息，在群聚模型中的位置进行颜色判定，也即氧化磨损类型的判定，判定方法为：比较磨粒在动态群聚模型中的位置与不同磨损类型对应的区域的距离，认为磨粒的氧化类型即它所在的或者离该磨粒距离最近的区域所对应的磨粒氧化类型，由此推断出发生的氧化磨损的类型，实现氧化磨损状态的在线实时监测。

本发明具有以下有益效果：

1、对于在线氧化磨损监测获得的模糊磨粒图片进行修复，处理后的磨粒图片具有纯白色背景，其中磨粒具有直观、清晰的轮廓和颜色特征，提高颜色识别的准确度。

2、建立了磨粒颜色与氧化磨损类型的对应模型，可以即时准确的通过磨粒的颜色信息来判断发生的氧化磨损类型，真正实现了在线监测中氧化磨损状态的实时判断。

3、提出了一整套完备的在线氧化磨损状态监测方法，实现了从磨粒图片获取到氧化磨损类型判断的完整方案，为氧化磨损在线监测在工业现场的应用提供了理论依据和指导。

附图说明

图1是一段视频流中提取的不同帧数的九张图像。

图2是图片处理后得到的图片背景。

图3是去除背景后得到的磨粒图像。

图4是转化函数。

图5(a)是模糊的磨粒图像，图5(b)是图5(a)的傅里叶频谱。

图6是对图5(a)修复后得到的磨粒图像。

图7是鉴别模型对应的训练结果。

具体实施方式

下面结合附图对本方法进行说明。

一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法，包括以下步骤：

步骤一、使用一种基于视频获取的润滑油磨粒在线监测探头(公开号：CN201310141314.9)进行磨粒图片及视频的在线获取，由于在线氧化磨损状态监测应用于工业现场，且是一种即时的监测手段，所以由于油液特征、环境因素的影响，会使采集到的图像中，磨粒边缘颜色及轮廓变得模糊，因此需要对图像进行背景差分、滤波和模糊恢复等处理，以得到清晰的磨粒图像。如图1所示的一段视频流中的九张图片，每张磨粒图片均由两部分组成，即磨粒和背景。使用背景差分法可以将一张磨粒图片中的磨粒部分与背景部分分开。将这九张不同图片分别进行背景差分，再将背景重新组合便可得到一张纯净的图片背景，如图2所示。再次进行背景差分即可得到如图3所示的磨粒图像，图像中磨粒具有清晰的轮廓以及颜色特征。

由于磨粒的运动、随机产生的噪声以及环境因素等的影响，捕捉到的磨粒图像会很模糊。模糊的磨粒图像中，模糊角度θ和模糊长度L通常能反映模糊区域的特点。通过傅立叶频谱分析的方法可得到模糊角度θ值。同时我们认为在极短的曝光时间内磨粒做匀速直线运动，由此得到模糊长度L值。得到模糊图片的模糊角度θ和模糊长度L后，使用维纳滤波的方法对运动磨粒的模糊图像进行处理，便可得到清晰的、轮廓及颜色分明的磨粒图像。采用维纳滤波的方法可以使修复后的图像与真实图片更加接近，选用此方法作为滤波的方法。如图4所示，用函数f(x,y)代表清晰的图像，函数g(x,y)代表模糊的图像，在退化函数h(x,y)和噪声函数n(x,y)的作用下，他们之间的关系为：

g(x,y)＝f(x,y)*h(x,y)+n(x,y)

其中*表示一次卷积，x,y分别表示图像的横坐标和纵坐标；

根据维纳滤波方法去除噪声函数n(x,y)，并根据退化函数h(x,y)的表达式：

$h(x,y)=\left\{\begin{array}{cc}1/L,& \sqrt{x^2+y^2}\≤L/2,y/x=\tan \mathrm{\θ}\\ 0,& else\end{array}\right.,$

经过图像退化的反运算即可求得清晰的图像f(x,y)；θ表示磨粒运动的角度，L表示图片中模糊区域的长度。因此参数θ和L对图像的恢复结果很重要。通常情况下在极短的曝光时间内，我们认为磨粒以速度v和角度θ做匀速直线运动。此时，在[0,T]的运动时间内，模糊长度L可以通过L＝vt计算。由图片的分辨率为640×480，经计算可得模糊处长度为32个像素点。

傅里叶频谱分析常用于获取图像的运动模糊角度。通过在谱线和横轴间顺时针旋转90°来确定模糊处的转角。基于这个理论，对运动磨粒图像的傅里叶变换结果如图5(b)所示。可以看出，在光谱图像的中间区域中几乎没有平行的谱线，原因是磨粒的运动方向平行于视频传感器的方向。因此在极短的曝光时间内，磨粒的运动方向可以看做是水平方向，即θ＝0°。对于模糊角度θ＝0°，模糊长度L＝32个像素点的运动磨粒图像，应用维纳滤波后处理结果如图所示。图6展示了更清晰的图像恢复后的磨粒。由于光线对磨粒图像颜色造成的干扰已经被很好的降低了，这也使得最后得到的图像能够更好的进行颜色提取。

步骤二、在获得了清晰的、以白色为背景的图片6之后，便可根据RGB模型提取磨粒的颜色特征，即RGB分量，RGB模型通过对红Red、绿Green、蓝Blue三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色。在描述图片时，RGB模型通过获得图片中每个像素点颜色的R、G、B值来描述图片的颜色特征，HSI模型通过使用色调Hue、色饱和度Saturation和亮度Intensity来描述色彩，RGB模型中R、G、B的值与HSI模型中H、I的值的对应转化关系为：

$H=\left\{\begin{array}{ccc}\mathrm{\θ},& if& B\≤G\\ 360-\mathrm{\θ},& if& B>G\end{array}\right.$

$I=\frac{1}{3}(R+B+G),$

其中，

$\mathrm{\θ}=\arccos \left\{\frac{1/2\[(R-G)+(R-B)\]}{{\[{(R-G)}^2+(R-B)(G-B)\]}^{1/2}}\right\}$

根据分析计算，将图片6中的磨粒基于H、I值进行分类，可分为三类：红色颗粒，黑色颗粒和其他颗粒。考虑到在氧化磨损中的磨粒主要有红色的氧化铁颗粒和黑色的四氧化三铁颗粒，根据颜色特征，应用支持向量数据描述的方法进行区别。此方法将所有的磨粒基于H、I值的不同被分为三类：氧化铁、四氧化三铁、其他磨粒，然后据此得出不同磨粒的边界取值，如图7所示。

步骤三、根据磨粒中的H、I信息，在群聚模型中的位置进行颜色判定，也即氧化磨损类型的判定，判定方法为比较磨粒在群聚模型中的位置与不同磨损类型对应的区域的距离，认为磨粒的氧化类型即它所在的或者离该磨粒距离最近的区域所对应的磨粒氧化类型，由此推断出发生的氧化磨损的类型，实现氧化磨损状态的在线实时监测。为了使结果更加的可信，可以通过训练更多样本的方式实现。

具体过程为：使用一种基于视频获取的润滑油磨粒在线监测探头(公开号：CN201310141314.9)，安装于需要监测的油路中，使潜在发生氧化磨损的摩擦副摩擦产生的磨粒图像能够通过闭合油路被该监测探头采集到，获得实时的磨粒图像信息，对于采集到的模糊磨粒图片，通过上述步骤一和步骤二的方法，得到磨粒的H、I信息；根据磨粒中的H、I信息，对应步骤二所得的动态群聚模型中的位置进行颜色判定，也即氧化磨损类型的判定，判定方法为比较磨粒在动态群聚模型中的位置与不同磨损类型对应的区域的距离，认为磨粒的氧化类型即它所在的或者离该磨粒距离最近的区域所对应的磨粒氧化类型，由此推断出发生的氧化磨损的类型，实现氧化磨损状态的在线实时监测。

Claims (1)

1.一种基于磨粒图像颜色提取的在线氧化磨损状态监测方法，其特征在于，包括以下步骤：

步骤一、对油液中的磨粒进行实时可视监测，获得磨粒的图片及视频信息；由于在线氧化磨损状态监测应用于工业现场，且是一种即时的监测手段，所以由于油液特征、环境因素的影响，会使采集到的图像中，磨粒边缘颜色及轮廓变得模糊，因此需要对图像进行背景差分、滤波和模糊恢复等处理，以得到清晰的磨粒图像；模糊的磨粒图像中，模糊角度θ和模糊长度L通常能反映模糊区域的特点；通过傅立叶频谱分析的方法可得到模糊角度θ值；同时认为在极短的曝光时间内磨粒做匀速直线运动，由此得到模糊长度L值；得到模糊图片的模糊角度θ和模糊长度L后，使用维纳滤波的方法对运动磨粒的模糊图像进行处理，便可得到清晰的、轮廓及颜色分明的磨粒图像；

方法具体为：用函数f(x,y)代表清晰的图像，函数g(x,y)代表模糊的图像，在退化函数h(x,y)和噪声函数n(x,y)的作用下，他们之间的关系为：

g(x,y)＝f(x,y)*h(x,y)+n(x,y)

其中*表示一次卷积，x,y分别表示图像的横坐标和纵坐标；

根据维纳滤波方法去除噪声函数n(x,y)，并根据退化函数h(x,y)的表达式：

$h(x,y)=\left\{\begin{array}{cc}1/L,& \sqrt{x^2+y^2}\≤L/2,y/x=\tan \mathrm{\θ}\\ 0,& else\end{array}\right.,$

经过图像退化的反运算即可求得清晰的图像f(x,y)；θ表示磨粒运动的角度，L表示图片中模糊区域的长度，在[0,T]的运动时间内，模糊区域的长度L可通过L＝vt计算；

步骤二、用RGB模型和HSI模型描述一张彩色图片，RGB模型通过对红Red、绿Green、蓝Blue三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，HSI模型通过使用色调Hue、色饱和度Saturation和亮度Intensity来描述色彩，在描述图片时，RGB模型通过获得图片中每个像素点颜色的R、G、B值来描述图片的颜色特征；HSI模型由RGB模型转换得到，RGB模型中R、G、B的值与HSI模型中H、I的值的对应转化关系为：

$H=\left\{\begin{array}{cc}\mathrm{\θ},& ifB\≤G\\ 360-\mathrm{\θ},& ifB>G\end{array}\right.$

$I=\frac{1}{3}(R+B+G),$

其中，

$\mathrm{\θ}=\arccos \left\{\frac{1/2\[(R-G)+(R-B)\]}{{\[{(R-G)}^2+(R-B)(G-B)\]}^{1/2}}\right\}$

得到图片HSI模型之后，采用基于支持向量数据描述(SVDD)的方法，提取其H、I值作为分类依据建立一种氧化磨粒鉴别的动态群聚模型；

步骤三、得到上述动态群聚模型后，对于新采集到的磨粒，根据磨粒H、I信息，在群聚模型中的位置进行颜色判定，也即氧化磨损类型的判定，判定方法为比较磨粒在动态群聚模型中的位置与不同磨损类型对应的区域的距离，认为磨粒的氧化类型即它所在的或者离该磨粒距离最近的区域所对应的磨粒氧化类型，由此推断出发生的氧化磨损的类型，实现氧化磨损状态的在线实时监测。