汽車(chē)齒輪磨削裂紋具有裂紋短、裂紋淺、不易發(fā)現(xiàn)等特點(diǎn)，在光學(xué)性質(zhì)影響下存在成像光路多樣、圖像處理復(fù)雜等難點(diǎn)。因此，可以利用機(jī)器視覺(jué)方式對(duì)齒輪磨削裂紋進(jìn)行圖像識(shí)別，提出了多光路下汽車(chē)齒輪磨削裂紋圖像識(shí)別方法。利用機(jī)器視覺(jué)的CCD工業(yè)相機(jī)采集汽車(chē)齒輪磨削裂紋圖像，并對(duì)其進(jìn)行濾波降噪和灰度化處理，獲取無(wú)噪且色彩飽和度歸零的圖像數(shù)據(jù)。采用3D視覺(jué)傳感器對(duì)預(yù)處理后的齒輪磨削裂紋圖像數(shù)據(jù)進(jìn)行分割，以分割后的像素點(diǎn)閾值區(qū)間為基礎(chǔ)，提取齒輪磨削裂紋圖像的形狀、密度、面積特征。將齒輪磨削裂紋特征數(shù)據(jù)帶入支持向量機(jī)，獲取磨削裂紋圖像的特征分類(lèi)矩陣，根據(jù)特征分類(lèi)矩陣實(shí)現(xiàn)齒輪磨削裂紋圖像的識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提方法識(shí)別容錯(cuò)性強(qiáng)、識(shí)別效果較好、識(shí)別時(shí)間較短，具有一定的實(shí)用性。

　　近年來(lái)，我國(guó)汽車(chē)行業(yè)迅速發(fā)展，對(duì)齒輪的需求與日俱增，齒輪質(zhì)量檢測(cè)對(duì)汽車(chē)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(yùn)用于汽車(chē)齒輪生產(chǎn)中，它具有低傳動(dòng)噪音、高傳動(dòng)效率、高使用壽命等諸多優(yōu)勢(shì)。但是，如果采用不當(dāng)?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(shí)別汽車(chē)齒輪磨削裂紋圖像，對(duì)于提高齒輪傳動(dòng)性能，提高變速和變矩效果，確保汽車(chē)行駛安全性具有重要意義。

　　機(jī)器視覺(jué)采用 CCD 照相機(jī)將被檢測(cè)的目標(biāo)轉(zhuǎn)換成圖像信號(hào)，傳送給專(zhuān)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(hào)。圖像處理系統(tǒng)對(duì)數(shù)字化信號(hào)進(jìn)行運(yùn)算抽取目標(biāo)特征，按照預(yù)設(shè)的允許度和其他條件輸出結(jié)果，實(shí)現(xiàn)自動(dòng)識(shí)別。所以，機(jī)器視覺(jué)能夠降低光學(xué)性質(zhì)的影響，提高圖像處理能力，在多光路下完成汽車(chē)齒輪磨削裂紋圖像識(shí)別。文獻(xiàn)通過(guò)機(jī)器視覺(jué)系統(tǒng)獲取齒輪圖像，利用神經(jīng)網(wǎng)絡(luò)對(duì)灰度化、去噪、二值化處理后的圖像進(jìn)行輪廓分類(lèi)，運(yùn)用最小二乘原理完成齒輪參數(shù)測(cè)量。該方法可以有效提高齒輪圖像分類(lèi)準(zhǔn)確性，但該方法需要大量的數(shù)據(jù)計(jì)算，容易產(chǎn)生冗余。文獻(xiàn)引入信息熵改進(jìn)自適應(yīng)中值濾波器，改進(jìn) Retinex算法增強(qiáng)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(cè)。該方法的圖像去噪效果較好，圖像邊緣檢測(cè)能力較強(qiáng)，但該方法識(shí)別檢測(cè)時(shí)間較長(zhǎng)。文獻(xiàn)采用雙-K-交叉驗(yàn)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(bǔ)償效果，提高齒輪視覺(jué)測(cè)量的精度。該方法齒廓圖像邊緣失真補(bǔ)償效果較好，但該方法的識(shí)別效率較低，無(wú)法在特定時(shí)間內(nèi)識(shí)別全部齒廓圖像。

　　因此，為了解決上述方法中存在的識(shí)別檢測(cè)時(shí)間較長(zhǎng)及識(shí)別率較低的問(wèn)題，提出應(yīng)用機(jī)器視覺(jué)的多光路下汽車(chē)齒輪磨削裂紋圖像識(shí)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(chē)傳動(dòng)系統(tǒng)的圖像獲取裝置，結(jié)合機(jī)器視覺(jué)常用的CCD工業(yè)相機(jī)，對(duì)目標(biāo)齒輪進(jìn)行樣本規(guī)模限制。要求磨削裂紋圖像滿(mǎn)足焦距5mm，光圈F2.1，鏡頭光軸與傳送轉(zhuǎn)盤(pán)的安裝高度比值不超過(guò)20mm，樣本數(shù)據(jù)的尺寸為(100×300)像素。CCD工業(yè)相機(jī)采用白熾LED燈作為環(huán)形光源，能夠有效避免光學(xué)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(guò)程中由于噪聲干擾、曝光過(guò)度、像素失真會(huì)導(dǎo)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(wú)法調(diào)試的差異變化，進(jìn)而影響后續(xù)圖像特征提取和識(shí)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(duì)采集到的齒輪磨削裂紋圖像進(jìn)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(chē)傳動(dòng)系統(tǒng)的各個(gè)設(shè)備運(yùn)行階段，這些干擾信號(hào)容易導(dǎo)致原圖像數(shù)據(jù)特征損壞、特征提取率下降等問(wèn)題。因此，圖像的濾波降噪是齒輪磨削裂紋識(shí)別中的重要環(huán)節(jié)。

　　濾波降噪的方法種類(lèi)繁多，最常用于圖像數(shù)據(jù)降噪的方法是空域?yàn)V波法。空域?yàn)V波法可以進(jìn)一步分為中值濾波法、領(lǐng)域?yàn)V波法和基于空域?qū)ο蟮南袼貓?zhí)行運(yùn)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(hào)，實(shí)現(xiàn)數(shù)據(jù)的降噪處理。高斯濾波的表達(dá)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(guò)差影法觀察，可見(jiàn)圖像仍存在少量細(xì)小雜質(zhì)點(diǎn)，這是因?yàn)闉V波頻率對(duì)噪聲圖像數(shù)據(jù)做去噪處理的同時(shí)，還對(duì)正常數(shù)據(jù)實(shí)施了減法運(yùn)算，導(dǎo)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(xì)小雜質(zhì)。為了消除圖像雜質(zhì)，需要計(jì)算破損圖像的信息熵校準(zhǔn)幀數(shù)，信息熵計(jì)算公式如下：

　　式中：s—磨削裂紋圖像雜質(zhì)點(diǎn)位移幀數(shù);v—磨削裂紋圖像雜質(zhì)點(diǎn)位移幀數(shù);r—限制幀數(shù)位移的信息熵系數(shù);h—校準(zhǔn)參數(shù)。

　　灰度化：CCD工業(yè)相機(jī)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(shí)別與圖像顏色無(wú)關(guān)，色彩占比較大的圖像數(shù)據(jù)不僅會(huì)壓縮圖像的存儲(chǔ)空間，還會(huì)造成后續(xù)工作進(jìn)度的緩慢。因此，需要對(duì)濾波降噪后的齒輪磨削裂紋圖像進(jìn)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(duì)色彩敏感度較高的圖像數(shù)據(jù)進(jìn)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(gè)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(duì)該區(qū)域的圖像數(shù)據(jù)反復(fù)進(jìn)行剪影計(jì)算，直至色彩飽和度歸0。

　　灰度單分量法的表達(dá)式如下：

　　式中：x—圖像融權(quán)系數(shù);

　　y^R 、t^G和g^B —三原色的最低求權(quán)敏感度。

　　剪影計(jì)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(dāng)r = 0時(shí)，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(jué)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(diǎn)閾值區(qū)間，利用二維激光雷達(dá)點(diǎn)云的圖像輪廓識(shí)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(guò)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(jìn)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(duì)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(guò)3D視覺(jué)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(diǎn)閾值區(qū)間。直方峰值相似度計(jì)算公式如下：

　　式中：X₀—圖像直方相似度最大取值;

　　X_e —圖像直方相似度最小取值。

　　圖像閾值化原理即通過(guò)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(jìn)行特征提取的像素點(diǎn)閾值區(qū)間。收集齒輪磨削裂紋圖像的直方峰值相似度對(duì)比結(jié)果作為圖像閾值化的啟動(dòng)數(shù)據(jù)，在該數(shù)據(jù)集內(nèi)采用3D視覺(jué)傳感器的閾值分割方法，其表達(dá)式如下：

　　式中：A—圖像的相似度;U—分區(qū)節(jié)點(diǎn);k—3D視覺(jué)傳感器分割后的閾值區(qū)間維數(shù);n—像素點(diǎn)閾值區(qū)間維數(shù)最大值。

　　多類(lèi)型特征提取

　　齒輪磨削裂紋圖像通過(guò)圖像分割后成為能夠?qū)崿F(xiàn)區(qū)域特征準(zhǔn)確提取的優(yōu)化數(shù)據(jù)。根據(jù)二維激光雷達(dá)點(diǎn)云的圖像輪廓識(shí)別技術(shù)，沿磨削裂紋圖像的縱向、橫向等多個(gè)角度提取該圖像的形狀特征、密度特征和面積特征，實(shí)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(diǎn)閾值區(qū)間內(nèi)做水平、垂直雙向投影，依靠投影坐標(biāo)計(jì)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(zhǎng);

　　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(shí)別圖像的密度特征。在三大像素點(diǎn)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(shuō)明該圖像灰度值越趨近于1，距離越遠(yuǎn)，說(shuō)明該圖像灰度值越趨近于0。將對(duì)比結(jié)果輸入卷積運(yùn)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(dá)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(jì)算三大像素點(diǎn)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(kuò)展，直至包圍整個(gè)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(jì)算表達(dá)式如下：

　　式中：L^o —邊界參數(shù)。

　　通過(guò)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(shí)別，極大程度提高了圖像識(shí)別的準(zhǔn)確性和有效性。

　　三、齒輪磨削裂紋圖像識(shí)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(jī)的方法提高齒輪磨削裂紋圖像的識(shí)別準(zhǔn)確率和識(shí)別時(shí)間。支持向量機(jī)是一種兼具學(xué)習(xí)功能的分類(lèi)算法，能夠解決多種線(xiàn)性參數(shù)和非線(xiàn)性參數(shù)問(wèn)題，其基本操作原理與超平面間隔有關(guān)。支持向量機(jī)利用超平面間隔分割特征樣本，達(dá)到磨削裂紋圖像特征分類(lèi)的目的。在特征樣本分割的過(guò)程中，計(jì)算各特征類(lèi)別的權(quán)重向量，避免二維空間內(nèi)類(lèi)別混淆或分類(lèi)錯(cuò)誤等問(wèn)題。支持向量機(jī)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(guò)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(dāng)目標(biāo)權(quán)重維數(shù)為f (k) 時(shí)，特征決策空間為S = (s₁，s₂，?，s_n ) ∈ 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(jī)中，獲取支持向量機(jī)關(guān)于齒輪磨削裂紋圖像的特征分類(lèi)矩陣，以此完成磨削裂紋圖像識(shí)別。其分類(lèi)函數(shù)式如下：

　　式中：C—特征類(lèi)別總數(shù);αi —尺度系數(shù);β_j —齒輪磨削裂紋圖像的特征分類(lèi)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(lèi)矩陣結(jié)果可以實(shí)現(xiàn)齒輪磨削裂紋圖像的識(shí)別。

　　四、實(shí)驗(yàn)與結(jié)果

　　實(shí)驗(yàn)設(shè)置

　　為了驗(yàn)證光學(xué)性質(zhì)影響的多光路下應(yīng)用機(jī)器視覺(jué)的齒輪磨削裂紋圖像識(shí)別方法的整體有效性，實(shí)驗(yàn)對(duì)應(yīng)的測(cè)試環(huán)境中，硬件CPU為64GHz，內(nèi)存為128GB。同時(shí)，為了減少應(yīng)用系統(tǒng)對(duì)實(shí)驗(yàn)結(jié)果帶來(lái)的影響，采用MatlabR 2019 b，在主頻為1的環(huán)境下對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行仿真對(duì)比。

　　在上述基礎(chǔ)上，分別采用所提方法(多光路下汽車(chē)齒輪磨削裂紋圖像識(shí)別方法)、文獻(xiàn)方法(結(jié)合圖像增強(qiáng)的含噪齒輪圖像邊緣檢測(cè)方法)和文獻(xiàn)方法(基于SVR的齒廓圖像邊緣失真補(bǔ)償算法)對(duì)齒輪磨削裂紋圖像的識(shí)別容錯(cuò)性、識(shí)別效率和識(shí)別時(shí)間進(jìn)行對(duì)比分析。

　　實(shí)驗(yàn)結(jié)果

　　識(shí)別容錯(cuò)性分析：容錯(cuò)性是指在齒輪磨削裂紋圖像識(shí)別過(guò)程中可以容忍的差錯(cuò)程度，容錯(cuò)性越強(qiáng)，表明方法效果越好。容錯(cuò)性的程度判定需要借助準(zhǔn)確率計(jì)算公式，通過(guò)獲取識(shí)別準(zhǔn)確率得到容錯(cuò)率，容錯(cuò)率越高對(duì)識(shí)別效果影響越小，則容錯(cuò)性越強(qiáng)。為了衡量不同方法的容錯(cuò)性，采集600張齒輪磨削裂紋圖像作為實(shí)驗(yàn)數(shù)據(jù)，分別利用所提方法、文獻(xiàn)方法和文獻(xiàn)方法對(duì)該實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別，獲取最終識(shí)別準(zhǔn)確率。待第一次識(shí)別準(zhǔn)確率獲取結(jié)束，繼續(xù)以該實(shí)驗(yàn)數(shù)據(jù)為基礎(chǔ)，添加數(shù)據(jù)失效信號(hào)，繼續(xù)進(jìn)行二次識(shí)別，獲取二次識(shí)別準(zhǔn)確率，通過(guò)兩次識(shí)別率的計(jì)算即可得出容錯(cuò)程度。根據(jù)相對(duì)衰減算法計(jì)算3種方法的兩次準(zhǔn)確率的容錯(cuò)率，相對(duì)衰減算法的表達(dá)式如下：

　　式中：Ao_riginal —原始數(shù)據(jù)準(zhǔn)確率;ρ—相對(duì)衰減系數(shù);B_noise —容錯(cuò)率取值范圍。各方法容錯(cuò)率對(duì)比結(jié)果，如表1所示。

　　由表1可見(jiàn)，所提方法容錯(cuò)率為97.3%，文獻(xiàn)方法的容錯(cuò)率為95.7%，文獻(xiàn)方法的容錯(cuò)率為96.8%，說(shuō)明3種方法的識(shí)別容錯(cuò)性都具有較好的程度。由于這里的方法通過(guò)3D視覺(jué)傳感器分割齒輪像素點(diǎn)閾值，所以在一定程度上提升了齒輪磨削裂紋圖像識(shí)別的準(zhǔn)確性，因此所提方法可以減少數(shù)據(jù)冗余，容錯(cuò)率結(jié)果較高于另外兩種方法。

　　識(shí)別效果分析：將采集到的600張齒輪磨削裂紋圖像經(jīng)過(guò)預(yù)處理后，隨機(jī)挑選3幅圖像，利用所提算法、文獻(xiàn)方法對(duì)每幅圖像中相同的齒輪磨削裂紋進(jìn)行識(shí)別判別。識(shí)別出的齒輪磨削裂紋數(shù)量越多，表明識(shí)別效果越好，如圖3所示。

　　由圖3可見(jiàn)，所提方法可以準(zhǔn)確識(shí)別齒輪磨削裂紋圖像，識(shí)別出的磨削裂紋多于文獻(xiàn)方法。這是因?yàn)樗岱椒ㄔ邶X輪磨削裂紋圖像識(shí)別過(guò)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(lèi)矩陣，實(shí)現(xiàn)精準(zhǔn)識(shí)別齒輪磨削裂紋圖像，由此證明所提方法具有優(yōu)越性。

　　識(shí)別時(shí)間分析：將采集的600幅齒輪磨削裂紋圖像作為測(cè)試數(shù)據(jù)。通過(guò)對(duì)比測(cè)試所提方法與文獻(xiàn)方法的齒輪磨削裂紋圖像識(shí)別時(shí)間結(jié)果，如圖4所示。

　　由圖4可見(jiàn)，所提方法采用了機(jī)器視覺(jué)對(duì)含噪數(shù)據(jù)進(jìn)行采集和預(yù)處理，使含噪數(shù)據(jù)能夠通過(guò)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(hào)，獲得優(yōu)化的無(wú)噪數(shù)據(jù)，以此提升齒輪磨削裂紋圖像識(shí)別效果，故齒輪磨削裂紋圖像識(shí)別時(shí)間較短，僅用4s可以有效識(shí)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(qiáng)應(yīng)用性。

　　五、結(jié)束語(yǔ)

　　齒輪磨削裂紋圖像作為汽車(chē)傳動(dòng)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(shí)別是解決汽車(chē)傳動(dòng)系統(tǒng)故障問(wèn)題的有效途徑。在考慮到光學(xué)性質(zhì)影響下的圖像識(shí)別存在光路多樣性和圖像處理復(fù)雜等情況，為了獲得安全系數(shù)更高、檢測(cè)效果更好的齒輪磨削裂紋圖像識(shí)別方法，提出多光路下汽車(chē)齒輪磨削裂紋圖像識(shí)別方法，能夠有效解決傳統(tǒng)方法中數(shù)據(jù)冗余、圖像識(shí)別時(shí)間較長(zhǎng)及識(shí)別效率較低的問(wèn)題。汽車(chē)傳動(dòng)系統(tǒng)的重要零件眾多，除齒輪磨削裂紋圖像的識(shí)別外，下一步的研究工作重點(diǎn)應(yīng)放在其他零部件的故障識(shí)別檢測(cè)中，為安全運(yùn)行汽車(chē)傳動(dòng)系統(tǒng)作出貢獻(xiàn)。

　　參考文獻(xiàn)略.