刘文滨 丁传广 于 超 王 静

（浪潮集团有限公司，济南 250000）

发动机轴瓦磨损是常见的发动机设备故障。通过分析磨损区域与磨损程度，可以推断发动机故障形式与故障源。因此，对于轴瓦磨损区域的图像识别与磨损特征的提取是发动机故障诊断的一个重要技术。

轴瓦磨损的分析中，需要提取磨损特征，并对磨损信息进行数值化，以便用于专家系统与人工智能系统的分析。图像识别技术是磨损痕迹提取的重要方式，因此如何选用不同的图像识别方法是提取轴瓦磨损的关键。

1 轴瓦磨损图像特征提取方法

轴瓦磨损分析的目的是分析轴瓦的受力状态，因此可以通过磨损痕迹确认轴瓦的受力位置、受力面积以及受力程度，进而推断出发动机运行状态。通过图像处理提取轴瓦磨损的磨损参数，是现代磨损分析的一种有效方法。一般通过提取磨损特征为人工智能提供分析数据，以便判断磨损形式，因此图像处理的效果是后续分析的关键。磨损图像特征提取为图像提取的一种特例。绝大多数图像处理方法都能提取一部分轴瓦磨损图像特征，但每种方法提取特征的有效性不尽相同。在提取图像特征的算法中，现有的图像处理方法通常会采用增强算法计算磨损区域的灰度像素比值，以突出磨损的区域、位置等特征量[1]。这种方法是常用的且非常有效的。现在常用的图像特征提取的算法包括Hough 图像变换[2]、微分算子法[3]、拉普拉斯算子[4]以及Canny 边缘检测法[5]等。

1.1 Hough 图像变换

Hough 图像变换是提取轮廓边界特征法的经典方法之一[2]，基本思想是利用像素点线之间的对偶性，将图像的边缘像素连接形成区域的封闭边界。其中，广义的Hough 变换是通过对图像曲线边界的变换算法推广到检测任意图像形状区域的外边界，并通过均化周围像素灰度值来确定不规则区域的中心。因此，Hough 图像变换检测得到的图像边缘具有较好的边界形状复杂适应性，但精度不会很高，是此算法的缺点。

1.2 微分算子法

微分算子法为经典的边缘提取方法，基本思想是根据灰度值的变化量判断区域的边界。此方法突出了灰度值变化的作用，因此对图像运用导数算子，将图像的导数算子运算值称作边界强度，通过边界强度设置阈值提取边界点集。其中，一阶导数算子是最简单也是最实用的微分算子。

对每一个像素进行以上运算，运算量较大，因此常用小区域模板卷积进行近似运算，但计算量依然较大。后续的算法优化中，依次出现Sobel 算子[1]、Robert 算子以及Prewitt 算子，但此类算法的本质相同，不同点在于Prewitt 算子是加权平均算子，对噪声有抑制作用，对噪声的抑制同样会降低梯度值的敏感性。所以，Prewitt 算子对边缘的定位不太准确，甚至不如Robert 算子精确。

1.3 拉普拉斯算子

拉普拉斯高斯算子是一种二阶导数算子，将在边缘二阶梯度图像产生零交叉时的位置具有同向同性的特点，因此能对任何走向的界限和线条进行锐化，是相对微分算子的最大优点。

1.4 Canny 边缘检测法

Canny 边缘检测是一种比较新的边缘检测算子，具有很好的边缘检测性能，在图像处理中得到了越来越广泛的应用。Canny 边缘检测算法的优点在于使用两种不同的阈值分别检测强边缘和弱边缘，且当弱边缘和强边缘位置差符合一定误差时才将弱边缘包含在输出图像中。因此，如何界定强弱边缘的误差成为此算法的关键。

1.5 Robert 算子检测方法

Robert 算子是一种梯度算子。运用交叉的差分表示梯度，是一种利用局部差分算子寻找边缘的算子，对于具有陡峭的低噪声的图像效果最好。Robert 算子检测方法对具有陡峭的低噪声的图像处理效果较好，但是Robert 算子提取的结果比较粗糙，因此定位不是很准确。但是，Robert 算子检测方法具有自己的特点，即相对同等精度的其他算法，计算量要小得多。同时，此算法对于磨损边界提取效果只是在位置精度有所下降，磨损区域范围特征提取相当精确。

轴瓦磨损特征最主要的特征量是磨损位置和磨损程度。所涉及的图像识别量是磨损边界识别和磨损区域的灰度值。在磨损区域的图像处理中，灰度值的大小与磨损形式和磨损程度没有直接联系，在边缘位置的精确要求上并不高。因此，相对于其他算法，Robert 算子是轴瓦磨损图像特征提取前处理非常理想的算法。

2 基于Robert 算子提取磨损特征的方法

针对实际中轴瓦磨损层度与周围磨损区域的分析与运用，提出一种在Robert 算子基础上改进的位置判断方法，以便快速提取磨损特征。

步骤1：计算消除因子。选取通过Robert 算子的算法提取边界像素集，得到集合PL。提取磨损区域的边界，采用以边界像素的平均值为常数kP，记为消除因子kP。

式中：PL为所提取的磨损图像的边缘像素集。

步骤2：使用消除因子kP将图像像素比值化。将图像像素值与kP相比，并将比值单独自行进行n次方相乘，放大磨损区域的像素比值，同时消除非磨损区域的像素比值，形成新的像素点

将所有各像素比值进行求和，将和值作为磨损层度大小的判断值。

依次类推，可以得到纵轴的各区域的累加值Gyj。

得到轴瓦磨损图像的矩阵特征的元素为：

将X轴和Y轴上的各段叠加值作为矩阵元素形成特征矩阵，进而得到图像的磨损矩阵A、横向磨损向量B和纵向磨损向量C。

只要各个线域划分得足够细，磨损特征矩阵A可以清晰表达磨损的形状与位置。磨损特征向量B和特征向量C可以作为神经网络系统进行特征判断的向量。

3 磨损特征

磨损特征主要标定磨损的类型、程度与位置，为后续数值化处理磨损提供依据。在所有轴瓦的磨损特征表述中，像素直方图、灰度图等为详细的磨损数值特征，但数据较大，难以及时处理或在机械学习中实现在线泛化。因此，对于特征的压缩和另类等同特征为主要研究对象。

提取曲线将轴瓦各种典型磨损进行特征提取，作为磨损判断的专家数据库数据。通过分析所提取轴瓦磨损特征矩阵，判断磨损类型。

4 例证

根据基于Robert 算子提取磨损特征的方法提取磨损特征矩阵A、磨损特征向量B和特征向量C，将磨损特征向量B和特征向量C以曲线的形式放在灰度图的边缘，所得结果如图1 所示。相比于灰度图，磨损特征向量B和特征向量C将两维的面数据变为一维数列，可以在表示灰度图的同时为其他分析方法（如机械学习、人工智能）提供相应的分析数据。通过直观分析图1 可知，新的灰度值处理方法所得结果可以有效表示轴瓦磨损图像的灰度特征。

5 结语

（1）图像特征提取是在Robert 算子算法的基础上进行改进，充分利用了Robert 算子陡峭的低噪声图像处理效果，同时后续的算法对于结果的精度没有特别要求，因此避免了Robert 算子结果计算不准确的问题。

（2）经过提取图像特征的磨损特征向量B和特征向量C分别代表了磨损区域、强度在两个正交方向上的投影，因此可以快速估计磨损的位置与磨损区域的大小。因为轴瓦磨损的区域与轴瓦磨损的形式具有一一对应关系，所以可以通过特征向量B和特征向量C初步判断轴瓦磨损的形式。

（3）相比于灰度图，磨损特征向量B和特征向量C将两维的面数据变为一维的数列，可以在表示灰度图的同时为其他分析方法提供相应的分析数据。