CN115063620B - 一种基于比特分层罗茨风机轴承磨损检测方法 - Google Patents

Abstract

本发明涉及缺陷检测技术领域，具体涉及一种基于比特分层罗茨风机轴承磨损检测方法。该方法通过光学相机获得轴承图像，通过对包含缺陷的光学特征的轴承图像进行分析，获得缺陷特征较为明显的最优模板，通过模板匹配实现缺陷检测目的。本发明实施例通过光学手段提取罗茨风机轴承表面的缺陷特征并构建最优模板，实现了快速准确的罗茨风机轴承的磨损缺陷检测。

Description

一种基于比特分层罗茨风机轴承磨损检测方法

技术领域

本发明涉及缺陷检测技术领域，具体涉及一种基于比特分层罗茨风机轴承磨损检测方法。

背景技术

随着科学技术的发展，高精度的工业生产设备的应用越来越普遍，其发生故障的频率和维修成本也越来越高。罗茨风机是一种工业邻域重要的动力机械，其轴承的磨损会使罗茨风机的运行出现故障。因此，罗茨风机轴承的磨损程度评估对罗茨风机的使用十分重要。

罗茨风机轴承的磨损程度检测通常是以人工进行肉眼检测，该类方法效率较低，人工成本较大，检测效率较低且容易造成误判。传统的机器视觉检测方法是通过模板匹配方法，在对整体图像进行扫描，分析模板与原图像之间的相似性，从而判定轴承的磨损区域，但该类方法速度较慢，算法的性能往往取决于模板的精度，不能快速的检测磨损缺陷。

发明内容

为了解决上述技术问题，本发明的目的在于提供一种基于比特分层罗茨风机轴承磨损检测方法，所采用的技术方案具体如下：

本发明提出了一种基于比特分层罗茨风机轴承磨损检测方法，所述方法包括：

获得罗茨风机轴承包含缺陷的轴承图像；对轴承图像进行比特平面分层，获得每层比特平面图像的灰度游程矩阵，根据灰度游程矩阵获得每层图像的贡献度；

选取贡献度最大的多个比特平面图像进行融合，获得多组融合方式获得的融合图像；统计融合图像中每个像素点邻域范围内与该像素点灰度相似度小于预设第一阈值的其他像素点数量，每个像素点的像素值与其他像素点数量构成第一二元组，获得融合图像中第一二元组的第一分布特征；统计融合图像中每个像素点邻域范围内与该像素点方向灰度相似度小于预设第二阈值的其他像素点数量，获得第二二元组，获得融合图像中第二二元组的第二分布特征；所述第一分布特征和所述第二分布特征加权求和获得融合优选度，根据融合优选度筛选获得最优融合图像；

根据最优融合图像建立缺陷模板图像，采集实时轴承图像，通过与缺陷模板图像进行模板匹配，检测轴承缺陷。

进一步地，所述获得罗茨风机轴承包含缺陷的轴承图像包括：

将相机采集到的图像输入预先处理好的语义分割网络中，获得轴承图像。

进一步地，所述根据灰度游程矩阵获得每层图像的贡献度包括：

贡献度的计算表达式为:

式中，表示第/>个灰度阶的像素点的游程大小为/>出现的频数；/>表示灰度阶的个数；/>表示灰度游程矩阵的列的个数。

进一步地，获得所述灰度相似度的方法包括：

式中，为中心像素点/>的灰度值，/>为中心像素点/>的邻域内第/>个像素点的灰度值。

进一步地，所述获得融合图像中第一二元组的第一分布特征包括：

利用图像熵作为第一二元组的分布混乱程度。

进一步地，获得方向灰度相似度的公式包括：

式中，表示方向/>上第/>个像素点的灰度值；/>表示方向/>上像素点的灰度均值；/>表示方向/>上像素点的数量。

进一步地，所述获得融合图像中第二二元组的第二分布特征的方法包括：

获得每个方向上的熵，以平均熵作为所述第二分布特征。

进一步地，所述根据最优融合图像建立缺陷模板图像包括：

利用边缘检测获得最优融合图像中的缺陷区域，以该缺陷区域作为缺陷模板图像。

本发明具有如下有益效果：

本发明实施例利用比特分层的思想，根据罗茨风机的具有磨损缺陷的先验图像的特征，根据灰度游程矩阵特征确定每一层比特分层图像的贡献度，并将贡献度高的比特分层图像进行融合，根据图像的特性计算融合优选度。根据最优的融合图像确定自适应的模板，并根据得到的自适应的模板对图像进行模板匹配。通过本案的方法，可以准确的具有代表性的模板图像，能够提高模板的匹配结果的准确性，避免了非磨损缺陷区域对结果的影响，能够达到快速、准确的识别罗茨风机磨损缺陷的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例所提供的一种基于比特分层罗茨风机轴承磨损检测方法流程图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于比特分层罗茨风机轴承磨损检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的一种基于比特分层罗茨风机轴承磨损检测方法的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于比特分层罗茨风机轴承磨损检测方法流程图，该方法包括：

步骤S1：获得罗茨风机轴承包含缺陷的轴承图像；对轴承图像进行比特平面分层，获得每层比特平面图像的灰度游程矩阵，根据灰度游程矩阵获得每层图像的贡献度。

布置罗茨风机轴承图像采集装置，用于采集罗茨风机轴承的图像。采集装置由工业CCD相机、支撑支架、相机数据传输系统、光源等组成。

在本发明实施例中，对相机采集的图像进行预处理，通过小波阈值方法进行去噪处理，并将图像进行灰度化。

将相机采集到的图像输入预先处理好的语义分割网络中，获得轴承图像。本发明实施例采用DNN语义分割网络的方法提取罗茨风机的轴承图像。DNN语义分割的网络内容如下：

（1） 经过预处理后的采集的图像作为DNN语义分割网络输入的图像集。

（2） 通过人工标注的方式，将经过预处理后的采集的图像分为两类，其中一类为罗茨风机的轴承类，人工标注为1；另一类属于背景类，人工标注为0；

（3） 本案中的DNN语义分割网络的目标是进行分类，因此采用交叉熵函数作为LOSS函数。

对于8位256灰度级的灰度图像来说，若灰度图像中每个像素点的灰度值用二进制，选择8个数字（0或者1）进行表示，则二维图像可以理解为8层的三维图像，每一层代表一个比特平面。因此本发明实施例中通过比特平面分层方法，将经过预处理后的图像分为8个比特平面图像。由于8个比特平面图像中，其所蕴含的信息量不同，因此通过计算每个比特平面图像中所蕴含的信息量计算比特平面图像的贡献度。对图像的比特平面分层技术为公知技术，在本案中不再赘述。

对每层比特平面图像建立灰度游程矩阵，并根据每层比特平面图像建立的灰度游程矩阵的特征计算该层的贡献度。对8层比特平面图像分别建立灰度游程矩阵，由于每一层的比特平面图像都为二值图像，因此在建立灰度游程矩阵时，不进行灰度阶的量化，灰度阶仅为0和1。其中灰度游程矩阵的每行代表一个灰阶，每列代表游程的大小。以0°、45°、90°和135°方向分别建立灰度游程矩阵，并将四个灰度游程矩阵求取均值，得到每一层的比特平面图像灰度游程矩阵。

当某一层的比特平面图像的内容越清晰，则对应的贡献度越高；当比特平面图像的内容越混乱，则对应的贡献度越低。因此通过每一层比特平面图像的灰度游程矩阵计算其对应层的比特平面图像的贡献度，贡献度的计算表达式为:

式中，表示第/>个灰度阶的像素点的游程大小为/>出现的频数；/>表示灰度阶的个数；/>表示灰度游程矩阵的列的个数。其中因为由于灰度阶只有0和1所以/>。

得到每层比特平面图像的贡献度值。

步骤S2：选取贡献度最大的多个比特平面图像进行融合，获得多组融合方式获得的融合图像；统计融合图像中每个像素点邻域范围内与该像素点灰度相似度小于预设第一阈值的其他像素点数量，每个像素点的像素值与其他像素点数量构成第一二元组，获得融合图像中第一二元组的第一分布特征；统计融合图像中每个像素点邻域范围内与该像素点方向灰度相似度小于预设第二阈值的其他像素点数量，获得第二二元组，获得融合图像中第二二元组的第二分布特征；第一分布特征和第二分布特征加权求和获得融合优选度，根据融合优选度筛选获得最优融合图像。

在本发明实施例中选取贡献度最大的3个比特平面图像进行融合，组合方式包括2个比特平面图像组合、3个比特平面图像组合，则对于选取的前三个贡献度值大的比特平面图像，共有4种组合结果：/>，/>，/>，/>。

在本发明实施例中，每组的融合方式为：通过组合中每个比特平面图像中像素点的像素值乘以常数后进行相加融合的，其中/>为组合中每个比特平面图像中所在层数。比如当前组合为第5层和第6层比特平面图像，第5层比特平面图像中每个像素点的像素值乘以/>，第6层比特平面图像中每个像素点的的像素值乘以/>，在将两个比特平面图像对应的像素点的像素值进行相加，得到融合后的图像。

通过上述步骤得到了4种组合融合生成的图像，记为。为了确定在不减少重要信息下，对于一些不重要的信息去除较多的最优融合图像，计算融合优选度用来确定最优的融合图像。

对于重要信息来说，比如磨损缺陷区域，该区域会存在大量的不均匀的纹理，其对应的像素点与该像素点邻域范围内的像素点的灰度值差异均较大，且它们之间的差异无规律性。因此，设置灰度相似度的第一阈值，统计中心像素点/>与其8邻域像素点之间的灰度相似度小于相似度阈值/>的像素点数量/>，与中心像素点的灰度值组成第一二元组/>，其中/>为中心像素点/>的灰度值。中心像素点/>与其邻域内第/>个像素点的灰度相似度/>的计算公式为：

式中，为中心像素点/>的灰度值，/>为中心像素点/>的邻域内第/>个像素点的灰度值。

根据第一二元组的分布概率可获得融合图像中第一二元组的第一分布特征，具体包括：利用图像熵作为第一二元组的分布混乱程度。需要说明的是，熵为本领域技术人员熟知的现有技术，具体计算公式为：，式中，/>为第/>个二元组的分布频率，由/>计算得到，其中/>为第/>个二元组/>的频数，/>为融合图像中像素点总数。

对于不重要信息来说，比如正常的轴承区域图像，会存在一些均匀的纹理，其对应的像素点与该像素点邻域范围内的像素点的灰度值差异呈现规律性变化，即朝着某些方向的像素点灰度差异较小。因此，同样设置方向灰度相似度的第二阈值，同样统计中心像素点/>与其8邻域像素点之间的方向灰度相似度小于相似度阈值/>的像素点数量/>，组成第二二元组/>，即对于一个像素点而言，每个方向对应一个第二二元组，其中/>为中心像素点/>的灰度值。在本发明实施例中方向灰度相似度/>主要由8邻域内4个方向组成（即0°-180°方向、45°-225°方向、90°-270°方向、135°-315°方向），则分别计算4个方向上像素点之间的差异性，从而计算出4个方向灰度相似度，获得方向灰度相似度的公式包括：

式中，表示方向/>上第/>个像素点的灰度值；/>表示方向/>上像素点的灰度均值；/>表示方向/>上像素点的数量。

根据第二二元组的分布概率可获得融合图像中第二二元组的第二分布特征，具体包括：获得每个方向上的熵，以平均熵作为所述第二分布特征，表达式为：，式中，/>为方向/>上第/>个二元组/>的分布概率，由计算得到，其中/>为方向/>上第/>个二元组/>的频数，/>为融合图像中像素点总数。

将第一分布特征和第二分布特征加权求和获得融合优选度，在本发明实施例中，第一分布特征的权重设置为0.6，第二分布特征的权重设置为0.4.

根据融合优选度筛选获得最优融合图像，即以最大融合优选度对应的融合图像作为最优融合图像。

步骤S3：根据最优融合图像建立缺陷模板图像，采集实时轴承图像，通过与缺陷模板图像进行模板匹配，检测轴承缺陷。

由于最优融合图像，保留了重要信息，去除了一些不重要的信息，因此，根据得到的最优融合图像建立的自适应模板更加具有代表性。因此对最优融合图像进行Canny边缘检测，确定当前融合图像的磨损区域的边缘点，将分割出来的磨损缺陷区域作为自适应的模板图像。

采集实时轴承图像，将模板图像对实时轴承图像从左到右，从上到下进行匹配，计算模板图像与轴承图像之间图像相似度，图像相似度采用相关性匹配，设置相关性阈值,将模板图像进行模板匹配的过程中，图像相似度大于相关性阈值/>的区域，该区域认定为磨损缺陷所在区域。其中/>可根据实施者具体实施情况而定，在本发明实施例中，/>=0.6。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，所述方法包括：

获得罗茨风机轴承包含缺陷的轴承图像；对轴承图像进行比特平面分层，获得每层比特平面图像的灰度游程矩阵，根据灰度游程矩阵获得每层图像的贡献度；

选取贡献度最大的多个比特平面图像进行融合，获得多组融合方式获得的融合图像；统计融合图像中每个像素点邻域范围内与该像素点灰度相似度小于预设第一阈值的其他像素点数量，每个像素点的像素值与其他像素点数量构成第一二元组，获得融合图像中第一二元组的第一分布特征；统计融合图像中每个像素点邻域范围内与该像素点方向灰度相似度小于预设第二阈值的其他像素点数量，获得第二二元组，获得融合图像中第二二元组的第二分布特征；第一分布特征和第二分布特征加权求和获得融合优选度，根据融合优选度筛选获得最优融合图像；

根据最优融合图像建立缺陷模板图像，采集实时轴承图像，通过与缺陷模板图像进行模板匹配，检测轴承缺陷；

选取贡献度最大的3个比特平面图像进行融合，组合方式包括2个比特平面图像组合、3个比特平面图像组合，则对于选取的前三个贡献度值大的比特平面图像，共有4种组合结果：/>，/>，/>，/>；

其中每组的融合方式为：通过组合中每个比特平面图像中像素点的像素值乘以常数后进行相加融合的，其中/>为组合中每个比特平面图像中所在层数，得到融合后的图像；

所述根据灰度游程矩阵获得每层图像的贡献度包括：

贡献度的计算表达式为:

式中，表示第/>个灰度阶的像素点的游程大小为/>出现的频数；/>表示灰度阶的个数；/>表示灰度游程矩阵的列的个数。

2.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，所述获得罗茨风机轴承包含缺陷的轴承图像包括：

将相机采集到的图像输入预先处理好的语义分割网络中，获得轴承图像。

3.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，获得所述灰度相似度的方法包括：

式中，为中心像素点/>的灰度值，/>为中心像素点/>的邻域内第/>个像素点的灰度值。

4.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，所述获得融合图像中第一二元组的第一分布特征包括：

利用图像熵作为第一二元组的分布混乱程度。

5.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，获得方向灰度相似度的公式包括：

式中，表示方向/>上第/>个像素点的灰度值；/>表示方向/>上像素点的灰度均值；/>表示方向/>上像素点的数量。

6.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，所述获得融合图像中第二二元组的第二分布特征的方法包括：

获得每个方向上的熵，以平均熵作为所述第二分布特征。

7.根据权利要求1所述的一种基于比特分层罗茨风机轴承磨损检测方法，其特征在于，所述根据最优融合图像建立缺陷模板图像包括：

利用边缘检测获得最优融合图像中的缺陷区域，以该缺陷区域作为缺陷模板图像。