K-均值聚类法在机械设备铁谱监测技术中的应用

铁谱分析技术是润滑油液分析技术的主导技术,是机械设备工况监测和故障诊断的主要技术手段之一。铁谱片上磨损颗粒间的区分是磨损颗粒识别和诊断的基础。针对铁谱图像中磨损颗粒形状和颜色分布的复杂性,利用数字图像处理技术,采用K-均值聚类法,对铁谱彩色图像进行了分割处理研究。试验结果表明,K-均值聚类法可以有效地分割彩色铁谱图像,将磨损颗粒提取出来,为铁谱图像的后续处理工作奠定了基础。     

基于量子行为的微粒群优化算法与模糊C均值聚类算法的磨粒图像分割

利用计算机图像处理技术实现铁谱图像诊断自动化是铁谱技术发展的目标.介绍了基于微粒群优化(PSO) 算法与模糊C均值 (FCM) 聚类算法相融合的图像分割方法并分析了其缺点,提出了一种基于量子行为的微粒群优化(QPSO)算法与FCM算法相融合的图像分割方法,并采用该方法对铁谱图像进行预处理.结果表明,该方法收敛速度快,设置参数少,具有更高的精确性和稳定性,是一种更有效的铁谱图像预处理方法.     

基于BP神经网络的铁谱磨粒图像识别方法研究

在磨粒识别过程中,铁谱磨粒图像预处理和特征参数提取是关键。应用图像形态学的处理方法对磨粒图像进行预处理,结果表明,利用开运算、闭运算的图像形态学处理方法对铁谱磨粒图像进行预处理,可以消除图像二值化后留下的孤立小碎点、孔洞以及边界断点。通过磨粒图像的统计特征参数和傅里叶特征参数建立BP神经网络,并对磨粒进行识别,结果表明:采用该方法能正确识别磨粒图像,辨别磨损机制。     

图像可视在线铁谱传感器的图像数字化处理技术

为实现图像可视在线铁谱传感器的磨粒图像自动辨识,建立数字图像获取系统,探讨铁谱图像数字化处理方法。研究了铁谱图像的预处理方法,对比在RGB和YUV颜色空间对铁谱图像的灰度化处理效果,采用不同的微分模板对平滑后图像进行锐化处理;探讨减背景法和自动阈值法在铁谱图像磨粒分割中的应用效果;给出适用于在线铁谱图像的定量描述方法。研究表明,采用YUV颜色空间的明视度分量可以得到平滑的灰度图像,合理的模板选择可以使微分法在锐化磨粒边缘的同时保持整体图像的平滑;铁谱图像的磨粒分割结果表明,减背景法由于采用人工选取门限值而难以适用于在线铁谱图像的处理,而自动阈值法可以根据铁谱图像自动选取合适的阈值以达到良好的分割效果;采用磨粒百分覆盖面积作为定量指标可反应良好分割的铁谱图像中的磨粒统计质量分数。     

自动阈值法在铁谱图像磨粒分割中的应用

铁谱图像处理、分析的目的就是要通过对图像中磨粒信息的研究来判断机械磨损形式及故障原因,而磨粒信息的获取依赖于铁谱图像磨粒的分割和磨粒特征的提取。本文将数学形态学中的自动阈值算法引入铁谱磨粒图像的分割中,利用MATLAB程序成功地完成了磨粒图像的分割,有助于实现铁谱磨粒的自动识别。     

图像颜色特征提取在铁谱图像分类及磨粒识别中的应用研究

铁谱图像所包含的彩色信息对磨粒识别、磨损形式分析非常重要。对图像分类技术进行研究，主要对铁谱图像的颜色特征进行研究，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，对铁谱图像进行背景、磨粒区域分割，以获得可进行定量分析的磨粒。计算的颜色特征为铁谱图像的进一步处理和识别以及磨粒的机器自动识别、磨损形式分析奠定了基础。     

计算机图像处理在铁谱分析中的应用

本文以铁谱磨粒图像的预处理为应用背景，介绍了计算机图像处理在铁谱分析中的应用，为后续的研究工作奠定基础。     

自动阈值法在铁谱图像磨粒分割中的应用

铁谱图像处理、分析的目的就是要通过对图像中磨粒信息的研究来判断机械磨损形式及故障原因，而磨粒信息的获取依赖于铁谱图像磨粒的分割和磨粒特征的提取。本文将数学形态学中的自动阈值算法引入铁谱磨粒图像的分割中，利用MATLAB程序成功地完成了磨粒图像的分割，有助于实现铁谱磨粒的自动识别。     

计算机辅助铁谱图像处理的制谱规范研究

提出了计算机铁谱图像分析系统对谱片质量的要求,并以KTP旋转式铁谱仪为主,分析了影响制谱质量的几个因素。通过大量的实验制定了适合计算机铁谱图像分析系统的制谱规范。     

基于不同自适应阈值法的铁谱图像分割效果比较

最大方差法、最大熵值法和最小误差法是3种常用的自适应阈值法,它们对铁谱图像的分割结果有着较大的差异。为了探究形成这种差异的原因和探讨阈值法对铁谱图像分割的适应性,分析这3种常用的自适应阈值法的基本原理,比较3种方法对30组铁谱图像的分割实验结果。得出如下结论:3种方法之所以会输出3种不同的分割阈值,是因为它们采用了不同目标函数;对于双峰分布的铁谱图像,3种方法有着相似的分割效果,最大方差法准确性略高;对于近似单峰分布的铁谱图像,最小误差法的分割结果最优,最大方差法则不能正确分割出磨粒。因此,在铁谱图像分析过程中,应该根据铁谱图像的灰度分布特点选择相应的阈值分割算法。     

铁谱图像的彩色纹理特征提取与识别

纹理是铁谱图像的特征之一,但大部分的铁谱图像的纹理研究是以灰度图像为基础的,这样就丢失图像的彩色纹理信息。对铁谱图像的彩色纹理特征进行了提取,运用支持向量机的方法,对铁谱图像的磨粒颗粒进行了识别,试验结果表明,所提取的特征值,有利于磨损颗粒纹理的识别。     

一种图像信息处理机的图像预处理方法

针对图像信息处理机信号进行图像处理,相比于传统的图像预处理技术,提出了一种新的通过阈值去噪及基于八连通域和链码跟踪的边缘检测的图像处理方法,该算法可以进一步改善图像处理效果,提高了边缘检测的质量,有利于后续处理如性能评估等。     

Intelligent identification of wear mechanism via on-line ferrograph images

Condition based maintenance（CBM） issues a new challenge of real-time monitoring for machine health maintenance. Wear state monitoring becomes the bottle-neck of CBM due to the lack of on-line information acquiring means. The wear mechanism judgment with characteristic wear debris has been widely adopted in off-line wear analysis; however, on-line wear mechanism characterization remains a big problem. In this paper, the wear mechanism identification via on-line ferrograph images is studied. To obtain isolated wear debris in an on-line ferrograph image, the deposition mechanism of wear debris in on-line ferrograph sensor is studied. The study result shows wear debris chain is the main morphology due to local magnetic field around the deposited wear debris. Accordingly, an improved sampling route for on-line wear debris deposition is designed with focus on the self-adjustment deposition time. As a result, isolated wear debris can be obtained in an on-line image, which facilitates the feature extraction of characteristic wear debris. By referring to the knowledge of analytical ferrograph, four dimensionless morphological features, including equivalent dimension, length-width ratio, shape factor, and contour fractal dimension of characteristic wear debris are extracted for distinguishing four typical wear mechanisms including normal, cutting, fatigue, and severe sliding wear. Furthermore, a feed-forward neural network is adopted to construct an automatic wear mechanism identification model. By training with the samples from analytical ferrograph, the model might identify some typical characteristic wear debris in an on-line ferrograph image. This paper performs a meaningful exploratory for on-line wear mechanism analysis, and the obtained results will provide a feasible way for on-line wear state monitoring.     

基于阈值分割和形态学相结合的金属废料 X 射线图像轮廓提取方法

针对金属废料 X 射线透射图像中废料之间距离较近时图像可能相互粘连,导致不能有效提取单个物料轮廓的问题,提出了一种基于阈值分割和形态学相结合的金属废料 X 射线图像轮廓提取方法。首先分析图像噪声信息分布,利用约束灰度值范围的 Otsu 阈值分割算法获得全局最优阈值对图像进行滤波;然后采用动态阈值分割方法得到二值化图像,在此基础上采取一种改进的形态学处理策略实现对各单物料区域的连通区标记;最后对各连通区进行轮廓提取以获得单个物料区域的轮廓。经实验表明,该方法有效地提高了在物料粘结情况下图像轮廓提取的准确率和成功率。     

在线图像可视铁谱成像系统的像面照度均匀性

为了定量评价在线图像可视铁谱(OLVF)成像系统的像面照度均匀性,建立了一种像面照度模型。以像方参数及放大倍率表征物方视场,将物方视场区域离散化,采用朗伯余弦理论建立入瞳模式的像面照度模型,实现了像面照度的计算与均匀性评价。利用Matlab进行了物面照度仿真分析,确定了OLVF成像系统环形阵列光源的发光二极管(LED)数量,基于像面照度分析确定了最佳成像焦距和放大倍率。计算了油腔通油情况下成像系统中的光能量损耗以及磨粒沉积面的照度分布,建立了油液吸光系数与CCD像面轴上像点照度的关系。结果显示:LED发光强度已知时,仿真计算的像面不均匀度约为5.60%,实际测试的像面不均匀度为8%~9%,满足不均匀度≤10%的要求。开展了磨粒铁谱图像采集实验,结果表明:图像中磨粒清晰可辨,便于图像分割与视觉特征提取。提出的模型可定量描述OLVF成像系统的像面照度,可作为优化系统结构,提高系统成像性能的依据。     

油液监测分析应用系统数据库的研究

针对油液测试和分析的过程中，所产生的大量原始数据及一系列中间结果数据，为油燃监测技术的实施带来困难这一问题。本文建立了完整的油液监测数据库构架，并在数据库维护实践中，着重介绍了铁谱磨粒图像的采集、存储及提取磨粒图谱特征的方法。     

基于图象处理测量的轮对轮缘形状的研究

本文提出一种善于数字图象处理的轮对故障检测技术。该技术采用半导体激光器为光源通过高精度CCD传感器获取轮对踏面的图象．并将图象进行二值化和细化处理,分析踏面参数与系统参数的几何关系．从而得到踏面的几何参数值。现场检测的结果表明：本方法是可行的,具有测量精度高和稳定性好的特点,测量精度可达0.1mm。     

棉花异性纤维的动态识别技术研究

针对棉花异性纤维含量检验过程中手工挑拣方法存在的效率低、误差大等实际问题,研制了一种棉花异性纤维分析仪.该仪器利用皮棉开松机对皮棉进行充分开松,形成不间断均匀棉层,利用线扫描相机对流动棉层进行图像采集.首先对棉花异性纤维原始图像进行灰度处理;再采用自适应阈值技术和滤波技术完成棉花异性纤维图像分割和增强处理,得出清晰的二值化图像;然后采用挖空内点法和邻域搜索法进行轮廓提取,得出异性纤维的特征参数;最后以粗糙集理论为基础,完成了异性纤维的分类识别与重量统计.实验结果表明,该仪器的棉层检测速度达到40 m/h,识别精度达到90%.