近年来，我国汽车行业迅速发展，对齿轮的需求与日俱增，齿轮质量检测对汽车的安全行驶具有一定的作用。目前，磨齿技术已经被大量运用于汽车齿轮生产中，它具有低传动噪音、高传动效率、高使用寿命等诸多优势。但是，如果采用不当的热处理和磨齿方法，容易出现磨削裂纹的情况。因此，有效识别汽车齿轮磨削裂纹图像，对于提高齿轮传动性能，提高变速和变矩效果，确保汽车行驶安全性具有重要意义。
机器视觉采用 CCD 照相机将被检测的目标转换成图像信号，传送给专用的图像处理系统。根据像素分布、亮度及颜色等信息，转变成数字化信号。图像处理系统对数字化信号进行运算抽取目标特征，按照预设的允许度和其他条件输出结果，实现自动识别。所以，机器视觉能够降低光学性质的影响，提高图像处理能力，在多光路下完成汽车齿轮磨削裂纹图像识别。文献通过机器视觉系统获取齿轮图像，利用神经网络对灰度化、去噪、二值化处理后的图像进行轮廓分类，运用最小二乘原理完成齿轮参数测量。该方法可以有效提高齿轮图像分类准确性，但该方法需要大量的数据计算，容易产生冗余。文献引入信息熵改进自适应中值滤波器，改进 Retinex算法增强图像整体效果，去除图像混合噪声，采用小波变换系数模极大值完成齿轮图像边缘检测。该方法的图像去噪效果较好，图像边缘检测能力较强，但该方法识别检测时间较长。文献采用双-K-交叉验证方法提高支持向量回归算法的参数寻优，提升齿廓图像的边缘失真补偿效果，提高齿轮视觉测量的精度。该方法齿廓图像边缘失真补偿效果较好，但该方法的识别效率较低，无法在特定时间内识别全部齿廓图像。
因此，为了解决上述方法中存在的识别检测时间较长及识别率较低的问题，提出应用机器视觉的多光路下汽车齿轮磨削裂纹图像识别方法。
一、齿轮磨削裂纹图像的获取及预处理
采集齿轮磨削裂纹图像
齿轮磨削裂纹图像的采集主要发生于汽车传动系统的图像获取装置，结合机器视觉常用的CCD工业相机，对目标齿轮进行样本规模限制。要求磨削裂纹图像满足焦距5mm，光圈F2.1，镜头光轴与传送转盘的安装高度比值不超过20mm，样本数据的尺寸为(100×300)像素。CCD工业相机采用白炽LED灯作为环形光源，能够有效避免光学性质的影响，齿轮磨削裂纹图像获取装置，如图1所示。
预处理齿轮磨削裂纹图像
齿轮磨削裂纹图像在采集、提取过程中由于噪声干扰、曝光过度、像素失真会导致齿轮磨削裂纹图像的数据损失，这些发生数据损失的破损图像参数与原数据参数存在无法调试的差异变化，进而影响后续图像特征提取和识别。为了完整提取齿轮磨削裂纹图像的特征数据，需要对采集到的齿轮磨削裂纹图像进行预处理，处理内容包括滤波降噪、灰度化。
滤波降噪：噪声干扰存在于汽车传动系统的各个设备运行阶段，这些干扰信号容易导致原图像数据特征损坏、特征提取率下降等问题。因此，图像的滤波降噪是齿轮磨削裂纹识别中的重要环节。
滤波降噪的方法种类繁多，最常用于图像数据降噪的方法是空域滤波法。空域滤波法可以进一步分为中值滤波法、领域滤波法和基于空域对象的像素执行运算法，三种方法的操作差别较大，但基本原理相同，都是在二维空间内利用低频滤波器存在的高斯滤波消除高频噪声信号，实现数据的降噪处理。高斯滤波的表达式如下：
式中：δ—高斯方差系数;
i—二维空间维数;
j—高斯滤波离散频率。
排除噪声干扰后的磨削裂纹图像数据通过差影法观察，可见图像仍存在少量细小杂质点，这是因为滤波频率对噪声图像数据做去噪处理的同时，还对正常数据实施了减法运算，导致正常图像发生帧数位移，这些发生位移的帧数在人工判定中显示为细小杂质。为了消除图像杂质，需要计算破损图像的信息熵校准帧数，信息熵计算公式如下：
式中：s—磨削裂纹图像杂质点位移帧数;v—磨削裂纹图像杂质点位移帧数;r—限制帧数位移的信息熵系数;h—校准参数。
灰度化：CCD工业相机取色镜头的色彩捕捉以R、G、B三原色为主，能够获取到色彩丰富的图像。但齿轮磨削裂纹图像的识别与图像颜色无关，色彩占比较大的图像数据不仅会压缩图像的存储空间，还会造成后续工作进度的缓慢。因此，需要对滤波降噪后的齿轮磨削裂纹图像进行灰度化处理，降低多光路的影响范围。
灰度化处理包括灰度单分量法和灰度阈值剪影法，首先利用灰度单分量法对色彩敏感度较高的图像数据进行融权赋值，从而获取R、G、B三原色均不敏感的图像权值。再利用灰度阈值剪影法设定一个灰度阈值，将颜色分布不均且消除难度较大的图像模块限制在指定区域，对该区域的图像数据反复进行剪影计算，直至色彩饱和度归0。
灰度单分量法的表达式如下：
式中：x—图像融权系数;
yR 、tG和gB —三原色的最低求权敏感度。
剪影计算公式如下：
式中：w—剪影区域的齿轮中心;λ—图像剪影的差影系数; 
—区域剪影精度，其中r为色彩饱和度，当r = 0时，该区域的图像数据剪影结束，得到灰度化的齿轮磨削裂纹图像。
二、齿轮磨削裂纹图像特征提取
选择3D视觉传感器，将预处理后的齿轮磨削裂纹图像数据分割为齿轮本体、齿轮辅体和背景效果图，以此获取图像直方峰值。根据图像直方峰值相似度设定像素点阈值区间，利用二维激光雷达点云的图像轮廓识别技术，提取齿轮磨削裂纹图像的形状、密度、面积特征。
图像分割
经过滤波降噪和灰度化处理的齿轮磨削裂纹图像数据已经得到全面优化，在进入图像特征提取之前，需要比较各图像的直方峰值相似度，根据对比结果结合图像阈值化原理，将齿轮磨削裂纹图像通过3D视觉传感器分割成阈值不同的齿轮本体、齿轮辅体和背景效果图三大像素点阈值区间。直方峰值相似度计算公式如下：
式中：X0—图像直方相似度最大取值;
Xe —图像直方相似度最小取值。
图像阈值化原理即通过设定不同阈值，将齿轮磨削裂纹图像的整体数据分割成容易进行特征提取的像素点阈值区间。收集齿轮磨削裂纹图像的直方峰值相似度对比结果作为图像阈值化的启动数据，在该数据集内采用3D视觉传感器的阈值分割方法，其表达式如下：
式中：A—图像的相似度;U—分区节点;k—3D视觉传感器分割后的阈值区间维数;n—像素点阈值区间维数最大值。
多类型特征提取
齿轮磨削裂纹图像通过图像分割后成为能够实现区域特征准确提取的优化数据。根据二维激光雷达点云的图像轮廓识别技术，沿磨削裂纹图像的纵向、横向等多个角度提取该图像的形状特征、密度特征和面积特征，实现齿轮破损图像整体特征的提取。
形状特征：在三大像素点阈值区间内做水平、垂直双向投影，依靠投影坐标计算该磨削裂纹图像的形状特征。
式中：V—破损图像的形状周长;
θ—破损图像参数。
密度特征：密度因子是一种频率限额为d的非平稳滤波算子，常用于识别图像的密度特征。在三大像素点阈值区间内分别加入限额相同的非平稳滤波算子，观察齿轮磨削裂纹图像受非平稳滤波算子影响后与像素值中心位置的距离，距离越近，说明该图像灰度值越趋近于1，距离越远，说明该图像灰度值越趋近于0。将对比结果输入卷积运算模型中，可以获取到齿轮磨削裂纹图像的密度特征。非平稳滤波算子的表达式如下：
式中：η—滤波常数;u—非平稳滤波算子的频率限额。
面积特征：计算三大像素点阈值区间内单位齿轮磨削裂纹图像面积，需要先锁定图像边界，依靠边界元素逐渐扩展，直至包围整个图像，获得齿轮磨削裂纹图像面积特征。锁定破损图像边界的计算表达式如下：
式中：Lo —边界参数。
通过上述所有公式完成齿轮磨削裂纹图像特征提取，有利于后续的齿轮磨削裂纹图像识别，极大程度提高了图像识别的准确性和有效性。
三、齿轮磨削裂纹图像识别
在提取齿轮磨削裂纹图像特征的基础上，利用支持向量机的方法提高齿轮磨削裂纹图像的识别准确率和识别时间。支持向量机是一种兼具学习功能的分类算法，能够解决多种线性参数和非线性参数问题，其基本操作原理与超平面间隔有关。支持向量机利用超平面间隔分割特征样本，达到磨削裂纹图像特征分类的目的。在特征样本分割的过程中，计算各特征类别的权重向量，避免二维空间内类别混淆或分类错误等问题。支持向量机关于磨削裂纹图像的特征分割，如图2所示。
齿轮磨削裂纹图像的特征权重向量可以通过粒子群优化算法迭代求解。设齿轮磨削裂纹图像的特征决策变量为f，当目标权重维数为f (k) 时，特征决策空间为S = (s1，s2，⋯，sn ) ∈ k，根据k维决策空间的粒子群优化算法，可以获取齿轮磨削裂纹图像的特征向量权重。将齿轮磨削裂纹图像的特征最优权重向量投入支持向量机中，获取支持向量机关于齿轮磨削裂纹图像的特征分类矩阵，以此完成磨削裂纹图像识别。其分类函数式如下：
式中：C—特征类别总数;αi —尺度系数;βj —齿轮磨削裂纹图像的特征分类值;S—决策空间在粒子群优化算法中的迭代次数。根据分类矩阵结果可以实现齿轮磨削裂纹图像的识别。
四、实验与结果
实验设置
为了验证光学性质影响的多光路下应用机器视觉的齿轮磨削裂纹图像识别方法的整体有效性，实验对应的测试环境中，硬件CPU为64GHz，内存为128GB。同时，为了减少应用系统对实验结果带来的影响，采用MatlabR 2019 b，在主频为1的环境下对实验结果进行仿真对比。
在上述基础上，分别采用所提方法(多光路下汽车齿轮磨削裂纹图像识别方法)、文献方法(结合图像增强的含噪齿轮图像边缘检测方法)和文献方法(基于SVR的齿廓图像边缘失真补偿算法)对齿轮磨削裂纹图像的识别容错性、识别效率和识别时间进行对比分析。
实验结果
识别容错性分析：容错性是指在齿轮磨削裂纹图像识别过程中可以容忍的差错程度，容错性越强，表明方法效果越好。容错性的程度判定需要借助准确率计算公式，通过获取识别准确率得到容错率，容错率越高对识别效果影响越小，则容错性越强。为了衡量不同方法的容错性，采集600张齿轮磨削裂纹图像作为实验数据，分别利用所提方法、文献方法和文献方法对该实验数据进行识别，获取最终识别准确率。待第一次识别准确率获取结束，继续以该实验数据为基础，添加数据失效信号，继续进行二次识别，获取二次识别准确率，通过两次识别率的计算即可得出容错程度。根据相对衰减算法计算3种方法的两次准确率的容错率，相对衰减算法的表达式如下：
式中：Aoriginal —原始数据准确率;ρ—相对衰减系数;Bnoise —容错率取值范围。各方法容错率对比结果，如表1所示。
由表1可见，所提方法容错率为97.3%，文献方法的容错率为95.7%，文献方法的容错率为96.8%，说明3种方法的识别容错性都具有较好的程度。由于这里的方法通过3D视觉传感器分割齿轮像素点阈值，所以在一定程度上提升了齿轮磨削裂纹图像识别的准确性，因此所提方法可以减少数据冗余，容错率结果较高于另外两种方法。
识别效果分析：将采集到的600张齿轮磨削裂纹图像经过预处理后，随机挑选3幅图像，利用所提算法、文献方法对每幅图像中相同的齿轮磨削裂纹进行识别判别。识别出的齿轮磨削裂纹数量越多，表明识别效果越好，如图3所示。
由图3可见，所提方法可以准确识别齿轮磨削裂纹图像，识别出的磨削裂纹多于文献方法。这是因为所提方法在齿轮磨削裂纹图像识别过程中，利用粒子群优化算法获取齿轮磨削裂纹图像的特征向量权重，建立特征分类矩阵，实现精准识别齿轮磨削裂纹图像，由此证明所提方法具有优越性。
识别时间分析：将采集的600幅齿轮磨削裂纹图像作为测试数据。通过对比测试所提方法与文献方法的齿轮磨削裂纹图像识别时间结果，如图4所示。
由图4可见，所提方法采用了机器视觉对含噪数据进行采集和预处理，使含噪数据能够通过滤波降噪方法，利用二维空间内低频滤波器存载的高斯滤波消除高频噪声信号，获得优化的无噪数据，以此提升齿轮磨削裂纹图像识别效果，故齿轮磨削裂纹图像识别时间较短，仅用4s可以有效识别600幅不同齿轮磨削裂纹图像，效率明显高于另外两种方法，具有较强应用性。
五、结束语
齿轮磨削裂纹图像作为汽车传动系统故障信息的具体体现，其状态特征的多尺度分析识别是解决汽车传动系统故障问题的有效途径。在考虑到光学性质影响下的图像识别存在光路多样性和图像处理复杂等情况，为了获得安全系数更高、检测效果更好的齿轮磨削裂纹图像识别方法，提出多光路下汽车齿轮磨削裂纹图像识别方法，能够有效解决传统方法中数据冗余、图像识别时间较长及识别效率较低的问题。汽车传动系统的重要零件众多，除齿轮磨削裂纹图像的识别外，下一步的研究工作重点应放在其他零部件的故障识别检测中，为安全运行汽车传动系统作出贡献。
参考文献略.