油液監(jiān)測(cè)技術(shù)中磨粒圖像處理的研究進(jìn)展

閆建穎，曹蔚，韓昭，陳子琦，王棟，瞿金秀，張曼

(1.西安工業(yè)大學(xué)機(jī)電工程學(xué)院，陜西西安 710021；2.陜西省水利電力勘測(cè)設(shè)計(jì)研究院，陜西西安 710001)

0 前言

長(zhǎng)久以來(lái)，機(jī)械作為基礎(chǔ)產(chǎn)業(yè)在工業(yè)化生產(chǎn)和人類生活中起到了至關(guān)重要的作用，而機(jī)械的磨損也一直是關(guān)乎機(jī)械使用功能及年限的重要問題。油液監(jiān)測(cè)是一種用來(lái)判斷機(jī)械設(shè)備磨損狀態(tài)的方法，能夠通過對(duì)油的特性和磨損粒子的分析來(lái)判斷機(jī)械的磨損情況，并對(duì)機(jī)械設(shè)備、部件的健康狀態(tài)進(jìn)行評(píng)估，進(jìn)一步預(yù)測(cè)設(shè)備在實(shí)驗(yàn)過程中可能發(fā)生的故障，以此來(lái)分析如何延長(zhǎng)設(shè)備的壽命。其中通過觀察和分析油液中磨粒的形態(tài)特征、數(shù)量、面積、顏色等來(lái)表征磨損過程的方法，能夠充分了解磨損機(jī)制。計(jì)算機(jī)技術(shù)與油液監(jiān)測(cè)技術(shù)的結(jié)合更加推動(dòng)油液監(jiān)測(cè)技術(shù)走向了新的階梯。

1 油液監(jiān)測(cè)技術(shù)

分散于油液中的磨粒作為機(jī)械零部件表面相對(duì)運(yùn)動(dòng)的產(chǎn)物，蘊(yùn)含了豐富的機(jī)器狀態(tài)的信息。通常，使用油液監(jiān)測(cè)技術(shù)的兩種方法即在線監(jiān)測(cè)和離線監(jiān)測(cè)來(lái)觀察磨粒。離線監(jiān)測(cè)中主要技術(shù)有光譜、鐵譜、能譜分析和自動(dòng)顆粒計(jì)數(shù)。其中鐵譜分析技術(shù)在1977年被引入中國(guó)，隨后大大增進(jìn)了對(duì)磨損機(jī)制的了解。但總體來(lái)說離線油液監(jiān)測(cè)是在實(shí)驗(yàn)過程中采集樣品后進(jìn)行分析，這個(gè)過程中存在大量人為因素，將導(dǎo)致實(shí)時(shí)性較差。在線監(jiān)測(cè)將傳感器或傳感探頭安裝在系統(tǒng)內(nèi)，可實(shí)時(shí)采集信息。故離線監(jiān)測(cè)相對(duì)而言比在線監(jiān)測(cè)稍有劣勢(shì)。在線監(jiān)測(cè)由于其實(shí)時(shí)性、連續(xù)性以及與被監(jiān)測(cè)對(duì)象健康狀態(tài)的同步性成為研發(fā)熱點(diǎn)，得到迅速發(fā)展。在線監(jiān)測(cè)的主要技術(shù)有電學(xué)在線監(jiān)測(cè)儀、光學(xué)測(cè)量、磁性測(cè)量。電學(xué)在線監(jiān)測(cè)儀分為電阻式和電容式兩種。電阻式監(jiān)測(cè)儀是依靠油液中各種物質(zhì)電阻率的不同來(lái)反映油液中的物質(zhì)類型，但其缺點(diǎn)是需要油液中存在大量的磨粒。電容式監(jiān)測(cè)儀是采用各種不同物質(zhì)介電常數(shù)的變化幅度與曲線對(duì)磨粒類型和數(shù)量進(jìn)行預(yù)測(cè)，但其缺點(diǎn)是檢測(cè)后儀器表面留下的油膜將影響實(shí)驗(yàn)的精度。光學(xué)測(cè)量技術(shù)對(duì)油液品質(zhì)要求較高，且對(duì)相似物質(zhì)的分辨率不高。目前大多研究者使用的是磁性測(cè)量技術(shù)，它采用磁場(chǎng)的磁力來(lái)采集磨損過程中產(chǎn)生的鐵磁性磨粒。為進(jìn)一步改進(jìn)該技術(shù)，文獻(xiàn)[6-7]中加入微流控技術(shù)來(lái)簡(jiǎn)單化采集過程，如圖1所示。把鐵譜片更換為微流控芯片，就可不再受磁場(chǎng)強(qiáng)弱的影響，直接觀察流道內(nèi)的磨粒，提高了檢測(cè)速度。但因在線監(jiān)測(cè)中的潤(rùn)滑油顆粒是運(yùn)動(dòng)的，故捕捉到的動(dòng)態(tài)圖像大多是模糊的，這給之后的圖像研究以及磨粒特征提取帶來(lái)了困難，所以需進(jìn)一步研究磨粒模糊圖像的恢復(fù)。

圖1 磨粒在線檢測(cè)[6]

2 磨粒模糊圖像的處理

在圖像的模糊恢復(fù)中，文獻(xiàn)[6-8]中先計(jì)算出模糊尺度后應(yīng)用維納濾波算法恢復(fù)模糊圖像。維納濾波算法計(jì)算簡(jiǎn)單且可避免模糊粒子的過度恢復(fù)及出現(xiàn)一些偽影。處理后的圖像清晰度已有所提升，但磨粒邊界處有一些虛影，磨粒的表面紋理仍不夠清晰。在這方面，PENG、MA等也使用維納濾波算法進(jìn)行圖像恢復(fù)，但PENG等主要研究局部模糊的圖像恢復(fù)，用背景相減法將模糊粒子與靜態(tài)背景分離后，利用功率倒譜確定模糊的方向和長(zhǎng)度，最后采用維納濾波算法對(duì)分割后的圖像進(jìn)行恢復(fù)。處理后的圖像如圖2所示，可看出圖像的清晰度相對(duì)原圖已有很大的提升，圖像的邊緣輪廓比較清楚，大致能看出磨粒表面的部分紋理。但是主要是處理了圖像中的大磨粒，小磨粒大多被分割為兩部分，且有一些變形。另外還有部分細(xì)節(jié)在以后的實(shí)驗(yàn)中需進(jìn)一步改善：由于受噪聲的影響，分割后的圖像中可能會(huì)產(chǎn)生粒子和偽影的孔洞，應(yīng)通過實(shí)時(shí)的背景更新來(lái)降低背景圖像中的不相關(guān)噪聲，所以該方法相對(duì)較適合高信噪比的圖像。WU等針對(duì)低信息量磨粒圖像的復(fù)原進(jìn)行研究，用階梯邊緣模型來(lái)描述磨粒邊界，提取兩側(cè)的局部?jī)?nèi)核來(lái)進(jìn)行修復(fù)，試驗(yàn)了不同的運(yùn)動(dòng)特征，皆可得到更清晰的磨粒邊界輪廓，最后根據(jù)最大的局部銳度對(duì)恢復(fù)的輪廓進(jìn)行融合。在此過程中深入研究磨粒的形狀和形態(tài)分析，提高了基于視頻的磨粒分析的魯棒性。

圖2 PENG等模糊圖像的恢復(fù)[9]

3 磨粒圖像去噪

部分機(jī)械設(shè)備因摩擦、攪動(dòng)等原因?qū)?dǎo)致油液溫度的上升，隨之油液中會(huì)產(chǎn)生很多的氣泡。另外，由于設(shè)備光線強(qiáng)弱、通信連接等原因?qū)⑹沟貌杉膱D像中包含很多的背景噪聲。為消除這種噪聲對(duì)圖像質(zhì)量和信息提取的影響，在采集到磨粒圖像后，江良洲等對(duì)圖像先進(jìn)行小波變換，再使用二維小波分解重構(gòu)來(lái)構(gòu)造低頻與高頻4組圖像分別進(jìn)行處理，最后對(duì)低頻圖再進(jìn)行小波變換往復(fù)構(gòu)造直到去噪完成。這種方法考慮了圖像的細(xì)節(jié)信息，但是小波去噪主要適用于處理高斯噪聲，適應(yīng)性不夠全面。

CAO等將輸入信號(hào)分解成離散的子信號(hào)模式，使用完全非遞歸的2D變分模型來(lái)分解模型(2D-VMD)，采用同時(shí)提取的方式，尋找2D模式及其各自的中心頻率，分解的子模態(tài)能夠更好地保留磨粒圖像的邊緣信息等細(xì)節(jié)信息，較好地去除了圖像左右兩邊的邊緣噪聲。

4 磨粒圖像分割

模糊圖像恢復(fù)提升了視頻采集圖像中磨粒的整體清晰度，圖像去噪去除了靜態(tài)磨粒圖像中的背景噪聲，在以上基礎(chǔ)下之后的處理更方便。又因磨粒在油液中流動(dòng)及磁場(chǎng)的磁力等原因使得磨粒沉積，最終采集到的大多是沉積在一起的磨粒，這樣不便于分析磨粒的一些特征。因此，在嘗試提取磨損部件的特征參數(shù)進(jìn)行形貌分析和識(shí)別之前，需將磨粒進(jìn)行分割，同時(shí)也為下一步的特征提取做好準(zhǔn)備工作。磨粒圖像分割的方法大致有閾值分割、聚類分割、分水嶺分割、邊緣分割等。

4.1 閾值分割

文獻(xiàn)[14-16]對(duì)自動(dòng)閾值分割進(jìn)行過研究。張學(xué)麗等通過比較像素點(diǎn)顏色飽和度與設(shè)定閾值的大小來(lái)自動(dòng)分割磨粒圖像，小于的轉(zhuǎn)換為白色圖像，即為磨粒圖像，大于或等于的轉(zhuǎn)換為黑色圖像。但在這種設(shè)定下處理圖像時(shí)，可能會(huì)誤分割像素點(diǎn)顏色飽和度大的磨粒，且不能有效辨識(shí)圖像中可能產(chǎn)生的氣泡等，影響了分割的效果。

在磨粒的分割中存在一種區(qū)域劃分時(shí)誤分割的問題。為嘗試解決該問題，吳文藝等設(shè)定兩次閾值，完成兩次直方圖閾值分割。第一次可消除較小結(jié)構(gòu)暗細(xì)節(jié)，再進(jìn)行第二次。但因?yàn)樵O(shè)備等外界因素將導(dǎo)致大多數(shù)磨粒圖像中磨粒邊界和背景間有一些模糊虛影。在改進(jìn)該問題的研究中，樊紅衛(wèi)等提出一種三段式閾值分割方案。閾值分割相對(duì)比較簡(jiǎn)單，但是磨粒與背景之間的灰度值及每個(gè)磨粒的亮度均不同，閾值的選擇可能會(huì)導(dǎo)致圖像中的部分信息丟失或者劃分不夠準(zhǔn)確。

4.2 聚類分割和分水嶺分割

圖像的聚類分割是基于顏色和特征空間的分類問題，常用的方法有K均值聚類算法(K-means)和模糊C均值聚類(FCM)算法。其中文獻(xiàn)[19-22]中使用模糊C均值聚類算法進(jìn)行處理。模糊C均值聚類算法能夠較好地處理初始參數(shù)和噪聲及灰度的不均勻，但不關(guān)注圖像中的空間信息。研究者同樣也采用了多種方法對(duì)K均值聚類算法進(jìn)行研究，其中邱麗娟等提出選取各種形態(tài)和顏色的彩色圖像，在顏色特征的基礎(chǔ)上進(jìn)行聚類分析與最大類間方差閾值分割，在圖像分割后得到單個(gè)完整的磨粒，但在光線較弱或磨粒相對(duì)亮度低的區(qū)域中磨粒會(huì)與背景融合，這樣就損失了部分磨粒信息，導(dǎo)致顆粒提取不完全，最終也將導(dǎo)致分割不完全。

為解決圖像區(qū)域亮度分布不均勻或各個(gè)磨粒的顏色有差別的情況下磨粒沒有完全被提取的問題，濮亞男、陳閩杰為把磨粒從背景中完全提取出來(lái)，提出在CIELab顏色空間(使用歐氏距離定量來(lái)表示不同顏色的差異)對(duì)a、b通道采用兩次K-means聚類的方法；在分離磨粒與背景后，采用改進(jìn)的分水嶺算法及距離變換、擴(kuò)展極大值變換把磨粒分割為單個(gè)，分割結(jié)果如圖3所示。受該方法啟發(fā)，在以后的研究中可根據(jù)磨粒提取的復(fù)雜程度來(lái)增加聚類的次數(shù)從而更準(zhǔn)確地提取磨粒。此方法在圖像背景純凈的前提下磨粒提取效果更佳，其中采用的改進(jìn)的分水嶺算法只對(duì)前景進(jìn)行了標(biāo)記。由文獻(xiàn)[27]可知前景標(biāo)記的分水嶺分割方法能夠較好地分割出含有嚴(yán)重不規(guī)則特征的圖像。雖然在這個(gè)過程中減少了一些誤分割，但在部分小磨粒中仍然可能出現(xiàn)一些誤分割的現(xiàn)象。

為進(jìn)一步改進(jìn)分水嶺算法在圖像分割中的效果， KWOK等提出一種基于圖像的磨粒顆粒分離方法，使用遞歸尺度分水嶺分割。利用標(biāo)記內(nèi)外部分水嶺算法對(duì)單個(gè)粒子進(jìn)行分離，之后利用多尺度的形態(tài)腐蝕和膨脹操作進(jìn)行二次處理，進(jìn)一步分割粒子圖像。如圖4所示,采用的多尺度形態(tài)學(xué)與單一的形態(tài)學(xué)方法相比較，提高了粒子圖像提取的完全性。

上述研究中磨粒鏈誤分割的問題仍不能完全解決。為進(jìn)一步實(shí)現(xiàn)磨粒的精確分段，WANG等嘗試將兩種分割方法相結(jié)合：即分水嶺算法和改進(jìn)蟻群聚類算法。在實(shí)驗(yàn)過程中提出兩種方案。第一種是在改進(jìn)的蟻群算法中輸入磨粒的初始邊緣點(diǎn)進(jìn)行分割，分割結(jié)果如圖5所示。實(shí)驗(yàn)結(jié)果表明：該方法可以提取出大部分磨粒的邊緣，但假邊緣和未閉合邊緣的出現(xiàn)限制了該方法的應(yīng)用。第二種方法是先采用標(biāo)記-分水嶺法對(duì)磨粒進(jìn)行第一次分離，此時(shí)就出現(xiàn)了一些過度分割的區(qū)域，再利用改進(jìn)的蟻群聚類算法來(lái)合并這些區(qū)域。在此過程中，將顏色特征和每個(gè)區(qū)域的位置特征作為啟發(fā)式信息，同時(shí)對(duì)不滿足聚類條件的磨粒沉積鏈區(qū)域不進(jìn)行處理，如圖6所示。該方法可適用于各種類型的磨粒，特別是較大的異常磨粒和顆粒鏈。

圖3 磨粒與背景分割圖對(duì)比[25]

圖4 用在線圖像演示完全集成的分離程序[28]

圖5 方案一分割結(jié)果[29]

圖6 方案二分割結(jié)果[29]

4.3 磨粒圖像邊緣檢測(cè)

邊緣是磨粒最重要的特征之一，能從中獲取磨粒邊界上的一些重要的信息，同時(shí)也可更加全面地考慮磨粒的分割問題。 HAMBLIN和STACHOWIAK研究過在多尺度上對(duì)磨損碎片邊界的描述來(lái)提取磨粒的特征參數(shù)。FENG等使用形態(tài)黑帽來(lái)突出與背景顏色相近的磨粒，如圖7所示。實(shí)際環(huán)境中，大多數(shù)鐵譜圖像的形狀、顏色和噪聲差異很大，極大地增加了邊緣檢測(cè)的復(fù)雜性，邊緣根據(jù)磨損顆粒的類型及具體圖像的形狀而變化，邊緣可能模糊、稀疏或缺少。通常使用Sobel、LoG和Canny檢測(cè)器進(jìn)行邊緣檢測(cè)。但使用Sobel時(shí)，對(duì)于表面有紋理的顆粒，會(huì)產(chǎn)生若干條假邊，磨損顆粒的邊緣不是單像素寬。在使用LoG時(shí)，將導(dǎo)致部分邊緣丟失，同時(shí)產(chǎn)生一些假邊緣。使用Canny時(shí)，邊緣檢測(cè)為單像素寬，但模糊的邊緣將丟失，導(dǎo)致磨粒輪廓不連續(xù)、不閉合。在研究對(duì)比多種圖像邊緣分割方法基礎(chǔ)上，左云波、谷玉海提出用改進(jìn)的Sobel 算法從圖像的8個(gè)方向來(lái)提取圖像的邊緣梯度，定義值，處理完所有的像素點(diǎn)后，選擇大于值的面積區(qū)域?yàn)榉指顓^(qū)域。該方法有效解決了可能出現(xiàn)若干條假邊的問題且提取的圖像也較完整。

但到目前為止，若使用單一的檢測(cè)算法來(lái)處理鐵譜圖像則無(wú)法出現(xiàn)高質(zhì)量的邊緣。為對(duì)各種檢測(cè)算法進(jìn)行優(yōu)缺點(diǎn)分析，WANG等提出了一種邊緣評(píng)價(jià)綜合指標(biāo),由三部分組成，包括重構(gòu)相似度、置信度、邊緣形態(tài)。該方法能夠從邊緣的各個(gè)角度及處理后的結(jié)果對(duì)磨粒邊緣檢測(cè)進(jìn)行客觀合理的評(píng)價(jià)，為研究者提供了一些數(shù)據(jù)上的參考。

圖7 FENG等邊緣分割圖像對(duì)比[31]

5 磨粒的特征提取

對(duì)磨粒的研究歸根到底是為了通過磨粒來(lái)分析機(jī)械設(shè)備的磨損程度。而在磨粒分割后，即可提取磨粒的特征。目前越來(lái)越多的研究者使用數(shù)值參數(shù)來(lái)提取磨損顆粒的特征，具體的數(shù)學(xué)描述使得對(duì)磨損狀態(tài)的評(píng)價(jià)更加客觀，進(jìn)一步可以判斷機(jī)器的運(yùn)行狀態(tài)、預(yù)測(cè)機(jī)器的使用壽命等。本文作者介紹的磨損顆粒的特征包括顏色、形狀、形貌、面積等各個(gè)方面。其中磨損的嚴(yán)重程度可以通過分析磨粒顏色、面積參數(shù)來(lái)評(píng)估，但對(duì)于產(chǎn)生顆粒的磨損機(jī)制，形狀分析是必需的。同時(shí)磨粒的表面信息也有助于對(duì)磨損程度進(jìn)行分類。

5.1 磨粒的顏色特征提取

陳桂明等曾研究獲得磨粒的顏色特征集，這些顏色特征集可用來(lái)分類實(shí)驗(yàn)過程中采集到的圖像。當(dāng)然，運(yùn)用顏色特征也可以來(lái)識(shí)別磨粒的成分，包括鐵質(zhì)類磨粒、金屬類磨粒和氧化物磨粒。而氧化物磨粒的顏色與氧化磨損的嚴(yán)重程度對(duì)應(yīng)，即磨粒的顏色是氧化物磨粒識(shí)別的關(guān)鍵信息。文獻(xiàn)[38]認(rèn)為可以應(yīng)用圖像的顏色來(lái)區(qū)分氧化物磨粒類型，但是由于光線等因素，直觀看到的色彩可能會(huì)存在一些誤差。為此PENG等提出了一種用于在線氧化監(jiān)測(cè)的磨粒顏色提取方法。彩色圖像可以通過RGB和HSI兩種模型來(lái)表示， R、G和B表示彩色圖像的相應(yīng)顏色通道中的像素，HSI模型可以從RGB模型轉(zhuǎn)換而來(lái)。用R、G、B可以算出H、I，根據(jù)圖8的對(duì)比標(biāo)記，顆粒被分為3組，分別命名為黑色、紅色或其他，即利用HSI模型的色相和強(qiáng)度分量進(jìn)行氧化磨粒的分類。

圖8 分割后的磨粒[39]

但是在線鐵譜圖像中的磨粒，特別是有色金屬磨粒的弱顏色不可避免地與大量噪聲融合。提取圖像中的弱顏色是文獻(xiàn)[40]討論的問題。針對(duì)采樣過程中不均勻光引起的噪聲，從背景圖像中減去色相和強(qiáng)度的分布，通過色相與強(qiáng)度分布的結(jié)合來(lái)表征磨粒的顏色。當(dāng)在線監(jiān)測(cè)圖像清晰后，還可通過在線圖像提取銅、鐵、鋁等典型金屬顆粒的顏色。隨著對(duì)顏色的深入研究，對(duì)磨損過程中可能發(fā)生的狀況有了更加深入的了解，在實(shí)驗(yàn)初期可預(yù)測(cè)所使用的機(jī)械設(shè)備及環(huán)境下可能發(fā)生的磨損。

5.2 磨粒形貌特征提取

隨著磨損模式的變化，磨損顆粒的形貌也將發(fā)生相應(yīng)的變化。在磨粒形貌的研究中，想使用規(guī)則的數(shù)學(xué)模型描述特定的圖像是困難的。PODSIADLO、STACHOWIAK提出PIFS(把磨損顆粒圖像用一組分段定義的收縮仿射變換來(lái)表示)方法可以有效地表征磨損顆粒的形貌。

5.2.1 磨粒表面紋理的提取

磨粒的表面紋理顯示了機(jī)械零件在摩擦過程中的磨損痕跡。磨粒表面紋理的產(chǎn)生與磨損機(jī)制、實(shí)驗(yàn)材料、實(shí)驗(yàn)過程等都有密切關(guān)系?；诩y理的分類方法在機(jī)械狀態(tài)監(jiān)測(cè)領(lǐng)域有很大的發(fā)展?jié)摿?。文獻(xiàn)[44-46]用分形分析描述磨損顆粒表面的紋理，但分形分析不適合描述球體或切削磨粒的邊界。文獻(xiàn)[47-49]采用激光掃描共焦顯微鏡獲得粒子圖像表面信息。文獻(xiàn)[50]研究的方法模仿了人眼在分析磨損顆粒圖像時(shí)所看到的東西，用Canny檢測(cè)器獲取初始紋理種子圖像，之后應(yīng)用改進(jìn)的隨機(jī)霍夫變換來(lái)提取紋理基元，如線或圓，如圖9所示。通過對(duì)這些紋理基元的統(tǒng)計(jì)，分析紋理圖案的規(guī)律性和隨機(jī)性，從而可有效地區(qū)分嚴(yán)重滑動(dòng)、疲勞磨損顆粒和黑色氧化物。

圖9 提取磨粒表面紋理基元[50]

5.2.2 磨粒形狀特征提取

在磨損機(jī)制、接觸方式、載荷等不同因素的影響下會(huì)產(chǎn)生各異的磨粒形態(tài)，形態(tài)也關(guān)系著磨損的嚴(yán)重程度。根據(jù)采集到的各異磨粒的形態(tài)特征可以劃分為：正?；瑒?dòng)磨粒、嚴(yán)重滑動(dòng)磨粒、切削磨粒、疲勞剝塊磨粒、層狀磨粒、球狀磨粒等。嚴(yán)重滑動(dòng)磨粒、疲勞剝塊磨粒和層狀磨粒相似度較高。文獻(xiàn)[52]對(duì)不同來(lái)源的大量磨粒進(jìn)行了分析，以確定其形狀特征。KIRK等提出形狀圓度的特征，圓形的圓度為一，其他不規(guī)則形狀的圓度都較小。采用數(shù)字化粒子輪廓的傅里葉分析可測(cè)量粒子與圓度的偏差，從而統(tǒng)計(jì)磨粒的種類，分析磨損的狀態(tài)。有學(xué)者曾嘗試用各種諧波的振幅來(lái)代表不同的形狀描述符，例如，三次諧波是粒子三角形的度量，而四次諧波是塊狀或方形的度量。文獻(xiàn)[54]認(rèn)為識(shí)別切削磨損的一個(gè)形狀描述符是長(zhǎng)寬比，對(duì)于長(zhǎng)而薄的切削磨粒其長(zhǎng)寬比的值應(yīng)更大，通過比值的大小來(lái)統(tǒng)計(jì)切削磨粒的數(shù)量，推測(cè)磨損的嚴(yán)重程度。

5.2.3 磨粒三維特征提取

磨粒沉積后容易聚集，所以從單視圖圖像中提取的磨粒特征并不全面，通常提取的是磨粒的面積、周長(zhǎng)等，而不規(guī)則的磨損顆粒的部分信息將因無(wú)法觀察而丟失，如層狀磨粒、嚴(yán)重滑動(dòng)顆粒，它們?cè)诙S圖像中均顯示相似的形狀和邊緣特征，而層狀粒子在三維圖像中均顯示出孔、皺紋和其他表面缺陷，嚴(yán)重滑動(dòng)顆粒在表面顯示平行的裂縫。文獻(xiàn)[57-60]研究了三維磨粒圖的構(gòu)建。文獻(xiàn)[61]通過從多個(gè)視圖提取二維特征以構(gòu)建三維特征。WU等提出了一種基于三維多視圖的方法，提取粒子的展弦比、空間直徑、高度展弦比、外球面等參數(shù)來(lái)拓展磨粒各個(gè)方位的觀察，從而更好地識(shí)別粒子的類型。

6 總結(jié)與展望

油液監(jiān)測(cè)系統(tǒng)中的磨粒圖像處理技術(shù)在眾多研究者的努力下越來(lái)越成熟，磨粒圖像對(duì)于分析機(jī)器磨損程度和磨損機(jī)制起到了一定的作用。模糊圖像恢復(fù)后基本呈現(xiàn)出清晰的圖像，圖像分割技術(shù)從在背景中分割單個(gè)磨粒圖像發(fā)展到能夠?qū)Τ练e磨粒鏈中的大小磨粒進(jìn)行有效的分割，考慮了磨粒邊緣的重要信息，對(duì)磨粒的精確表達(dá)提供了很大的幫助。但磨粒圖像處理仍有很多的挑戰(zhàn)值得深入研究：

(1)目前運(yùn)動(dòng)模糊圖像恢復(fù)后磨粒的表面紋理仍不夠清晰，光照的反射可能會(huì)影響磨粒整體的呈現(xiàn)，可進(jìn)一步研究新方法或嘗試結(jié)合多種方法來(lái)提高清晰度。

(2)因?qū)嶒?yàn)環(huán)境等因素圖像中也有可能夾雜加性噪聲，區(qū)分噪聲與磨粒至關(guān)重要。另外，應(yīng)進(jìn)一步考慮去除背景噪聲時(shí)是否同時(shí)去除了磨粒上的噪聲?？蛇M(jìn)一步通過借鑒稀疏矩陣方法再結(jié)合磨粒的特性，研究更加精確的磨粒圖像去噪算法。

(3)目前在磨粒鏈的分割中，比較大的磨粒鏈分割效果較好。在磨粒鏈的分割過程中如何保留全部磨粒的有效信息，對(duì)磨粒圖像中一些比較小的磨粒鏈，精準(zhǔn)判斷磨粒沉積的分割點(diǎn)且不產(chǎn)生過度分割，值得研究。

(4)充分利用磨粒三維視圖提取更多的表面特征、空間特征等，拓展磨粒特征提取思路，從而更加全面地分析磨粒，進(jìn)一步區(qū)分相近磨粒類型的不同特征，探索在不同工況磨損下可能出現(xiàn)的多種磨粒，最后結(jié)合磨損機(jī)制分析磨粒特征與健康狀態(tài)之間的關(guān)系。