近年來，我國汽車行業(yè)迅速發(fā)展，對齒輪的需求與日俱增，齒輪質(zhì)量檢測對汽車的安全行駛具有一定的作用。目前，磨齒技術(shù)已經(jīng)被大量運用于汽車齒輪生產(chǎn)中，它具有低傳動噪音、高傳動效率、高使用壽命等諸多優(yōu)勢。但是，如果采用不當?shù)臒崽幚砗湍X方法，容易出現(xiàn)磨削裂紋的情況。因此，有效識別汽車齒輪磨削裂紋圖像，對于提高齒輪傳動性能，提高變速和變矩效果，確保汽車行駛安全性具有重要意義。
機器視覺采用 CCD 照相機將被檢測的目標轉(zhuǎn)換成圖像信號，傳送給專用的圖像處理系統(tǒng)。根據(jù)像素分布、亮度及顏色等信息，轉(zhuǎn)變成數(shù)字化信號。圖像處理系統(tǒng)對數(shù)字化信號進行運算抽取目標特征，按照預(yù)設(shè)的允許度和其他條件輸出結(jié)果，實現(xiàn)自動識別。所以，機器視覺能夠降低光學性質(zhì)的影響，提高圖像處理能力，在多光路下完成汽車齒輪磨削裂紋圖像識別。文獻通過機器視覺系統(tǒng)獲取齒輪圖像，利用神經(jīng)網(wǎng)絡(luò)對灰度化、去噪、二值化處理后的圖像進行輪廓分類，運用最小二乘原理完成齒輪參數(shù)測量。該方法可以有效提高齒輪圖像分類準確性，但該方法需要大量的數(shù)據(jù)計算，容易產(chǎn)生冗余。文獻引入信息熵改進自適應(yīng)中值濾波器，改進 Retinex算法增強圖像整體效果，去除圖像混合噪聲，采用小波變換系數(shù)模極大值完成齒輪圖像邊緣檢測。該方法的圖像去噪效果較好，圖像邊緣檢測能力較強，但該方法識別檢測時間較長。文獻采用雙-K-交叉驗證方法提高支持向量回歸算法的參數(shù)尋優(yōu)，提升齒廓圖像的邊緣失真補償效果，提高齒輪視覺測量的精度。該方法齒廓圖像邊緣失真補償效果較好，但該方法的識別效率較低，無法在特定時間內(nèi)識別全部齒廓圖像。
因此，為了解決上述方法中存在的識別檢測時間較長及識別率較低的問題，提出應(yīng)用機器視覺的多光路下汽車齒輪磨削裂紋圖像識別方法。
一、齒輪磨削裂紋圖像的獲取及預(yù)處理
采集齒輪磨削裂紋圖像
齒輪磨削裂紋圖像的采集主要發(fā)生于汽車傳動系統(tǒng)的圖像獲取裝置，結(jié)合機器視覺常用的CCD工業(yè)相機，對目標齒輪進行樣本規(guī)模限制。要求磨削裂紋圖像滿足焦距5mm，光圈F2.1，鏡頭光軸與傳送轉(zhuǎn)盤的安裝高度比值不超過20mm，樣本數(shù)據(jù)的尺寸為(100×300)像素。CCD工業(yè)相機采用白熾LED燈作為環(huán)形光源，能夠有效避免光學性質(zhì)的影響，齒輪磨削裂紋圖像獲取裝置，如圖1所示。
預(yù)處理齒輪磨削裂紋圖像
齒輪磨削裂紋圖像在采集、提取過程中由于噪聲干擾、曝光過度、像素失真會導致齒輪磨削裂紋圖像的數(shù)據(jù)損失，這些發(fā)生數(shù)據(jù)損失的破損圖像參數(shù)與原數(shù)據(jù)參數(shù)存在無法調(diào)試的差異變化，進而影響后續(xù)圖像特征提取和識別。為了完整提取齒輪磨削裂紋圖像的特征數(shù)據(jù)，需要對采集到的齒輪磨削裂紋圖像進行預(yù)處理，處理內(nèi)容包括濾波降噪、灰度化。
濾波降噪：噪聲干擾存在于汽車傳動系統(tǒng)的各個設(shè)備運行階段，這些干擾信號容易導致原圖像數(shù)據(jù)特征損壞、特征提取率下降等問題。因此，圖像的濾波降噪是齒輪磨削裂紋識別中的重要環(huán)節(jié)。
濾波降噪的方法種類繁多，最常用于圖像數(shù)據(jù)降噪的方法是空域濾波法?？沼驗V波法可以進一步分為中值濾波法、領(lǐng)域濾波法和基于空域?qū)ο蟮南袼貓?zhí)行運算法，三種方法的操作差別較大，但基本原理相同，都是在二維空間內(nèi)利用低頻濾波器存在的高斯濾波消除高頻噪聲信號，實現(xiàn)數(shù)據(jù)的降噪處理。高斯濾波的表達式如下：
式中：δ—高斯方差系數(shù);
i—二維空間維數(shù);
j—高斯濾波離散頻率。
排除噪聲干擾后的磨削裂紋圖像數(shù)據(jù)通過差影法觀察，可見圖像仍存在少量細小雜質(zhì)點，這是因為濾波頻率對噪聲圖像數(shù)據(jù)做去噪處理的同時，還對正常數(shù)據(jù)實施了減法運算，導致正常圖像發(fā)生幀數(shù)位移，這些發(fā)生位移的幀數(shù)在人工判定中顯示為細小雜質(zhì)。為了消除圖像雜質(zhì)，需要計算破損圖像的信息熵校準幀數(shù)，信息熵計算公式如下：
式中：s—磨削裂紋圖像雜質(zhì)點位移幀數(shù);v—磨削裂紋圖像雜質(zhì)點位移幀數(shù);r—限制幀數(shù)位移的信息熵系數(shù);h—校準參數(shù)。
灰度化：CCD工業(yè)相機取色鏡頭的色彩捕捉以R、G、B三原色為主，能夠獲取到色彩豐富的圖像。但齒輪磨削裂紋圖像的識別與圖像顏色無關(guān)，色彩占比較大的圖像數(shù)據(jù)不僅會壓縮圖像的存儲空間，還會造成后續(xù)工作進度的緩慢。因此，需要對濾波降噪后的齒輪磨削裂紋圖像進行灰度化處理，降低多光路的影響范圍。
灰度化處理包括灰度單分量法和灰度閾值剪影法，首先利用灰度單分量法對色彩敏感度較高的圖像數(shù)據(jù)進行融權(quán)賦值，從而獲取R、G、B三原色均不敏感的圖像權(quán)值。再利用灰度閾值剪影法設(shè)定一個灰度閾值，將顏色分布不均且消除難度較大的圖像模塊限制在指定區(qū)域，對該區(qū)域的圖像數(shù)據(jù)反復進行剪影計算，直至色彩飽和度歸0。
灰度單分量法的表達式如下：
式中：x—圖像融權(quán)系數(shù);
yR 、tG和gB —三原色的最低求權(quán)敏感度。
剪影計算公式如下：
式中：w—剪影區(qū)域的齒輪中心;λ—圖像剪影的差影系數(shù); 
—區(qū)域剪影精度，其中r為色彩飽和度，當r = 0時，該區(qū)域的圖像數(shù)據(jù)剪影結(jié)束，得到灰度化的齒輪磨削裂紋圖像。
二、齒輪磨削裂紋圖像特征提取
選擇3D視覺傳感器，將預(yù)處理后的齒輪磨削裂紋圖像數(shù)據(jù)分割為齒輪本體、齒輪輔體和背景效果圖，以此獲取圖像直方峰值。根據(jù)圖像直方峰值相似度設(shè)定像素點閾值區(qū)間，利用二維激光雷達點云的圖像輪廓識別技術(shù)，提取齒輪磨削裂紋圖像的形狀、密度、面積特征。
圖像分割
經(jīng)過濾波降噪和灰度化處理的齒輪磨削裂紋圖像數(shù)據(jù)已經(jīng)得到全面優(yōu)化，在進入圖像特征提取之前，需要比較各圖像的直方峰值相似度，根據(jù)對比結(jié)果結(jié)合圖像閾值化原理，將齒輪磨削裂紋圖像通過3D視覺傳感器分割成閾值不同的齒輪本體、齒輪輔體和背景效果圖三大像素點閾值區(qū)間。直方峰值相似度計算公式如下：
式中：X0—圖像直方相似度最大取值;
Xe —圖像直方相似度最小取值。
圖像閾值化原理即通過設(shè)定不同閾值，將齒輪磨削裂紋圖像的整體數(shù)據(jù)分割成容易進行特征提取的像素點閾值區(qū)間。收集齒輪磨削裂紋圖像的直方峰值相似度對比結(jié)果作為圖像閾值化的啟動數(shù)據(jù)，在該數(shù)據(jù)集內(nèi)采用3D視覺傳感器的閾值分割方法，其表達式如下：
式中：A—圖像的相似度;U—分區(qū)節(jié)點;k—3D視覺傳感器分割后的閾值區(qū)間維數(shù);n—像素點閾值區(qū)間維數(shù)最大值。
多類型特征提取
齒輪磨削裂紋圖像通過圖像分割后成為能夠?qū)崿F(xiàn)區(qū)域特征準確提取的優(yōu)化數(shù)據(jù)。根據(jù)二維激光雷達點云的圖像輪廓識別技術(shù)，沿磨削裂紋圖像的縱向、橫向等多個角度提取該圖像的形狀特征、密度特征和面積特征，實現(xiàn)齒輪破損圖像整體特征的提取。
形狀特征：在三大像素點閾值區(qū)間內(nèi)做水平、垂直雙向投影，依靠投影坐標計算該磨削裂紋圖像的形狀特征。
式中：V—破損圖像的形狀周長;
θ—破損圖像參數(shù)。
密度特征：密度因子是一種頻率限額為d的非平穩(wěn)濾波算子，常用于識別圖像的密度特征。在三大像素點閾值區(qū)間內(nèi)分別加入限額相同的非平穩(wěn)濾波算子，觀察齒輪磨削裂紋圖像受非平穩(wěn)濾波算子影響后與像素值中心位置的距離，距離越近，說明該圖像灰度值越趨近于1，距離越遠，說明該圖像灰度值越趨近于0。將對比結(jié)果輸入卷積運算模型中，可以獲取到齒輪磨削裂紋圖像的密度特征。非平穩(wěn)濾波算子的表達式如下：
式中：η—濾波常數(shù);u—非平穩(wěn)濾波算子的頻率限額。
面積特征：計算三大像素點閾值區(qū)間內(nèi)單位齒輪磨削裂紋圖像面積，需要先鎖定圖像邊界，依靠邊界元素逐漸擴展，直至包圍整個圖像，獲得齒輪磨削裂紋圖像面積特征。鎖定破損圖像邊界的計算表達式如下：
式中：Lo —邊界參數(shù)。
通過上述所有公式完成齒輪磨削裂紋圖像特征提取，有利于后續(xù)的齒輪磨削裂紋圖像識別，極大程度提高了圖像識別的準確性和有效性。
三、齒輪磨削裂紋圖像識別
在提取齒輪磨削裂紋圖像特征的基礎(chǔ)上，利用支持向量機的方法提高齒輪磨削裂紋圖像的識別準確率和識別時間。支持向量機是一種兼具學習功能的分類算法，能夠解決多種線性參數(shù)和非線性參數(shù)問題，其基本操作原理與超平面間隔有關(guān)。支持向量機利用超平面間隔分割特征樣本，達到磨削裂紋圖像特征分類的目的。在特征樣本分割的過程中，計算各特征類別的權(quán)重向量，避免二維空間內(nèi)類別混淆或分類錯誤等問題。支持向量機關(guān)于磨削裂紋圖像的特征分割，如圖2所示。
齒輪磨削裂紋圖像的特征權(quán)重向量可以通過粒子群優(yōu)化算法迭代求解。設(shè)齒輪磨削裂紋圖像的特征決策變量為f，當目標權(quán)重維數(shù)為f (k) 時，特征決策空間為S = (s1，s2，?，sn ) ∈ k，根據(jù)k維決策空間的粒子群優(yōu)化算法，可以獲取齒輪磨削裂紋圖像的特征向量權(quán)重。將齒輪磨削裂紋圖像的特征最優(yōu)權(quán)重向量投入支持向量機中，獲取支持向量機關(guān)于齒輪磨削裂紋圖像的特征分類矩陣，以此完成磨削裂紋圖像識別。其分類函數(shù)式如下：
式中：C—特征類別總數(shù);αi —尺度系數(shù);βj —齒輪磨削裂紋圖像的特征分類值;S—決策空間在粒子群優(yōu)化算法中的迭代次數(shù)。根據(jù)分類矩陣結(jié)果可以實現(xiàn)齒輪磨削裂紋圖像的識別。
四、實驗與結(jié)果
實驗設(shè)置
為了驗證光學性質(zhì)影響的多光路下應(yīng)用機器視覺的齒輪磨削裂紋圖像識別方法的整體有效性，實驗對應(yīng)的測試環(huán)境中，硬件CPU為64GHz，內(nèi)存為128GB。同時，為了減少應(yīng)用系統(tǒng)對實驗結(jié)果帶來的影響，采用MatlabR 2019 b，在主頻為1的環(huán)境下對實驗結(jié)果進行仿真對比。
在上述基礎(chǔ)上，分別采用所提方法(多光路下汽車齒輪磨削裂紋圖像識別方法)、文獻方法(結(jié)合圖像增強的含噪齒輪圖像邊緣檢測方法)和文獻方法(基于SVR的齒廓圖像邊緣失真補償算法)對齒輪磨削裂紋圖像的識別容錯性、識別效率和識別時間進行對比分析。
實驗結(jié)果
識別容錯性分析：容錯性是指在齒輪磨削裂紋圖像識別過程中可以容忍的差錯程度，容錯性越強，表明方法效果越好。容錯性的程度判定需要借助準確率計算公式，通過獲取識別準確率得到容錯率，容錯率越高對識別效果影響越小，則容錯性越強。為了衡量不同方法的容錯性，采集600張齒輪磨削裂紋圖像作為實驗數(shù)據(jù)，分別利用所提方法、文獻方法和文獻方法對該實驗數(shù)據(jù)進行識別，獲取最終識別準確率。待第一次識別準確率獲取結(jié)束，繼續(xù)以該實驗數(shù)據(jù)為基礎(chǔ)，添加數(shù)據(jù)失效信號，繼續(xù)進行二次識別，獲取二次識別準確率，通過兩次識別率的計算即可得出容錯程度。根據(jù)相對衰減算法計算3種方法的兩次準確率的容錯率，相對衰減算法的表達式如下：
式中：Aoriginal —原始數(shù)據(jù)準確率;ρ—相對衰減系數(shù);Bnoise —容錯率取值范圍。各方法容錯率對比結(jié)果，如表1所示。
由表1可見，所提方法容錯率為97.3%，文獻方法的容錯率為95.7%，文獻方法的容錯率為96.8%，說明3種方法的識別容錯性都具有較好的程度。由于這里的方法通過3D視覺傳感器分割齒輪像素點閾值，所以在一定程度上提升了齒輪磨削裂紋圖像識別的準確性，因此所提方法可以減少數(shù)據(jù)冗余，容錯率結(jié)果較高于另外兩種方法。
識別效果分析：將采集到的600張齒輪磨削裂紋圖像經(jīng)過預(yù)處理后，隨機挑選3幅圖像，利用所提算法、文獻方法對每幅圖像中相同的齒輪磨削裂紋進行識別判別。識別出的齒輪磨削裂紋數(shù)量越多，表明識別效果越好，如圖3所示。
由圖3可見，所提方法可以準確識別齒輪磨削裂紋圖像，識別出的磨削裂紋多于文獻方法。這是因為所提方法在齒輪磨削裂紋圖像識別過程中，利用粒子群優(yōu)化算法獲取齒輪磨削裂紋圖像的特征向量權(quán)重，建立特征分類矩陣，實現(xiàn)精準識別齒輪磨削裂紋圖像，由此證明所提方法具有優(yōu)越性。
識別時間分析：將采集的600幅齒輪磨削裂紋圖像作為測試數(shù)據(jù)。通過對比測試所提方法與文獻方法的齒輪磨削裂紋圖像識別時間結(jié)果，如圖4所示。
由圖4可見，所提方法采用了機器視覺對含噪數(shù)據(jù)進行采集和預(yù)處理，使含噪數(shù)據(jù)能夠通過濾波降噪方法，利用二維空間內(nèi)低頻濾波器存載的高斯濾波消除高頻噪聲信號，獲得優(yōu)化的無噪數(shù)據(jù)，以此提升齒輪磨削裂紋圖像識別效果，故齒輪磨削裂紋圖像識別時間較短，僅用4s可以有效識別600幅不同齒輪磨削裂紋圖像，效率明顯高于另外兩種方法，具有較強應(yīng)用性。
五、結(jié)束語
齒輪磨削裂紋圖像作為汽車傳動系統(tǒng)故障信息的具體體現(xiàn)，其狀態(tài)特征的多尺度分析識別是解決汽車傳動系統(tǒng)故障問題的有效途徑。在考慮到光學性質(zhì)影響下的圖像識別存在光路多樣性和圖像處理復雜等情況，為了獲得安全系數(shù)更高、檢測效果更好的齒輪磨削裂紋圖像識別方法，提出多光路下汽車齒輪磨削裂紋圖像識別方法，能夠有效解決傳統(tǒng)方法中數(shù)據(jù)冗余、圖像識別時間較長及識別效率較低的問題。汽車傳動系統(tǒng)的重要零件眾多，除齒輪磨削裂紋圖像的識別外，下一步的研究工作重點應(yīng)放在其他零部件的故障識別檢測中，為安全運行汽車傳動系統(tǒng)作出貢獻。
參考文獻略.