基于圖像處理的金屬帶鋸床故障診斷檢測

盧勇波

（浙江鋸力煌工業科技股份有限公司 浙江麗水 321404）

1 引言

精準的鋸切技術決定了金屬加工企業在生產中的效率，隨著國內金屬加工技術的進步，國內金屬帶鋸床需求也隨之增加。但金屬帶鋸床內部的元件復雜，出現故障的比例也比金屬砂輪切割機、金屬激光切割機發生故障的比例大。針對金屬帶鋸床進行完整的檢測與故障診斷是當下金屬加工工業生產的關鍵點[1]。在早期，由于技術手段的限制，檢測只能通過肉眼探測，定時查驗設備，以一個月為周期進行故障檢測。這種故障診斷的效果并不理想，這是因為傳統的檢測方法效率低，而損耗的時間成本和人力成本均超出標準值。圖像處理技術能保存圖像的細節，即使是細微的鏈條破損也能及時檢測出來。不僅加強了檢測的解決速率，還能降低設備維護成本。運用圖像處理技術，能有針對性地操作，科學合理地對金屬帶鋸床進行故障診斷。圖像處理技術主要是對采集的高精度圖像進行整合，消除背景以及其他噪點影響的冗余區域，讓故障點能夠更好地顯示[2]?；趫D像處理技術的故障診斷可以對要檢測的元件或者部件進行圖像采集、數據預處理和目標提取等技術操作，保證金屬帶鋸床平穩運行。

2 金屬帶鋸床故障診斷檢測方法

2.1 基于圖像處理的圖像采集及預處理

圖像采集是圖像處理技術的第一步，也是最關鍵的步驟。這決定后續針對金屬帶鋸床的檢測效果和最后故障判斷的正確率[3]。圖像采集根據工程實際需求，判斷光源位置，這樣才能將光信號轉換為電信號。攝像頭與被測金屬帶鋸床的底面之間需要有一定的距離，要根據測量要求達到的精度和攝像頭的精度來確定，金屬帶鋸床圖像采集設置如圖1所示。

圖1 金屬帶鋸床圖像采集示意圖

考慮到采集的金屬帶鋸床圖像的分辨率和圖像的質量問題，設置攝像頭的鏡頭垂直于被測金屬帶鋸床元件的底面，測量距離大約在200 ～500 mm范圍內。圖像采集完畢后開始對圖像進行灰度化處理，圖像灰度化操作一般選擇最大值法測定，其中，采集的金屬帶鋸床圖像為(r,g) ，(r,g) 為R ，綠色分量為 G，藍色分量為B ，則(r,g) 的灰度值I(r,g)的具體計算式如下：

采集的金屬帶鋸床圖像三種分量的最大值為采集圖像的灰度值[4]。采集的金屬帶鋸床僅僅進行灰度處理是不夠的，由于拍攝現場環境及光影角度的影響，灰度處理后的圖像質量達不到標準。采集的金屬帶鋸床的表面存在嚴重的模糊，造成無法識別的問題。因此，在對金屬帶鋸床的故障進行診斷時，需要對采集的圖像進行增強的預處理操作。

圖像增強的預處理操作主要為圖像灰度修正。圖像灰度修正將圖像動態擴大化，滿足更清晰的圖像對比度，捕捉了圖像亮度的關鍵性特征?？紤]圖像的像素位置進行處理，再加強采集的金屬帶鋸床圖像的空間區域?；叶葓D像f(x,y) 修正前的灰度值范圍為(a,b) ，那么圖像更改后q(x,y)的灰度值范圍為(c,d) ，其表達式為：

如果圖像中只有很小部分像素的灰度值超出了修正前的灰度值范圍(a,b) ，而其他像素的灰度值就分布在此區間內，那么就可以用下列的表達式來改善式（2）的效果：

在式（3）中，f(x,y) 要滿足三種限制條件，才能完成對金屬帶鋸床灰度圖像的變換。具體如下：

其中，Fmax表示金屬帶鋸床圖像最大灰度值。圖像經過灰度處理后提高了整體的對比度，這樣識別的金屬帶鋸床的故障就能更突出，更直接判斷裂縫、斷面的位置和特征。經過預處理的圖像能夠更好地實現后續對故障的識別提取以及分類。

2.2 金屬帶鋸床圖像目標分割及故障特征提取

金屬帶鋸床圖像進行預處理后，還需要對金屬帶鋸床進行分割操作。這是因為采集的區域需要再度精進分類識別，這樣才能讓采集到的金屬帶鋸床的圖像數據直接應用到故障診斷中。傳輸的金屬帶鋸床圖像控制在構建可視化的界面，目標分割采用最大類間方差法，這種方法能夠適用于全局的金屬帶鋸床圖像處理，使用最大類間方差方法可以減少分割出錯的概率[5]。具體計算公式如式(5)。

其中，f 代表分割圖像的焦距，v 代表目標在可視化圖層上的成像寬度，D代表圖像長度，V代表分割圖像的寬度。如果金屬帶鋸床故障目標與圖像背景受到干擾不能進行分割處理的操作，那么必須對原始圖像進行降除操作，以目標圖像中被分割的背景和缺陷目標為主，若相鄰目標的灰度差值在計算的范圍內，則視為相同屬性，可以進行分割處理。若超過計算范圍，則需要重新對目標進行分割。

目標分割完畢后開始準備對金屬帶鋸床目標圖像進行故障點特征提取。故障點進行特征提取前需要對其進行邊緣檢測，邊緣檢測的目的是讓采集的金屬帶鋸床圖像在故障診斷中保持更低的錯誤率，所有的邊緣都被檢測到[6]。圖像邊緣點定位距離與真實邊緣點距離差越小越精確，將圖像的邊緣點一一對應，邊緣點處灰度值為極限值，對像素臨近點區域的灰度值進行加權后再檢測。在實際應用中，輸出圖像的邊緣點應該是那些待測邊緣大于某一閾值的像素交叉點，這樣就能避免檢測出并非顯著的邊緣。邊緣檢測的基本流程如圖2所示。

圖2 邊緣檢測流程圖

根據圖2所示，首先，提取待測金屬帶鋸床圖像的邊緣，通過分析此邊緣圖像的像素點進行對比判斷，在判斷中保留邊緣金屬帶鋸床圖像數據；最后，顯示符合條件的目標圖像，分析此金屬帶鋸床圖像目標得到匹配標準，從而達到目標的邊緣檢測。

邊緣檢測完畢后開始對故障特征進行提取，但若金屬帶鋸床目標圖像的噪點較大，沒辦法正常提取，需要對金屬帶鋸床進行圖像處理，去除最小閾值面積的連通區域。設邊緣檢測后的圖像為I，定義域區間為(m,n)∈Z2，其中L∈[I,R] 為圖像的整數空間，得到：

設L是圖像灰度的閾值水平，L∈[1,R] ，則

BL為連通區域圖像，{bL(m,n)} 是連通區域的最小外接空間位置的坐標系。確定金屬帶鋸床連通區域圖像后，將其剔除，達成消除噪點的目標[7]。金屬帶鋸床目標經過上述操作，已經可以完整表達出金屬帶鋸床的故障點信息。根據不同區域的特征將完整的金屬帶鋸床的故障進行連接，實現故障特征的提取。

2.3 基于圖像特征的故障診斷

如上文所述，分割采集的金屬帶鋸床圖像的目標區域，再根據金屬帶鋸床圖像分割結果，對特征向量進行提取，從而完成對故障特征的提取。最后根據提取的特征以圖像形式進行故障診斷。診斷節點利用SVM分類器，訓練不同的SVM樣本，然后對向量進行統一化處理?？紤]到不同金屬帶鋸床圖像的完整性和冗余性，在分析金屬帶鋸床圖像基礎上，針對特征向量進行幾何分類。在特征提取區域進行連接，連接形成的軸心軌跡反映了故障的原因，具體情況如表1所示。

表1 軸心軌跡形狀特征及潛在故障原因對應關系

圖像處理對故障診斷是基于已建立的特征提取區域的走向狀態，通過特征分析檢測出不同特征向量的故障原因，最后達到對金屬帶鋸床故障診斷的要求。

3 對比實驗

為了驗證引入圖像處理技術，針對金屬帶鋸床故障檢測新設計的方法的有效性，以同批次的金屬帶鋸床為樣本，將傳統方法與新設計的方法進行對比，測試檢測的故障點的數量，哪種方法檢測到故障點的數量越多，哪種方法越好。

3.1 實驗準備

所測物體的直徑約Φ300 mm。影像采集與工業相機配套應用，并在存放物料、檢測設備，處理廢棄物的應用內容中，保持整個過程的完好狀態。設計參數時應把工作視距范圍確定在 250～1500 mm范圍內，并在工作人員站立或操作的情況下，在操作臺之間保持合理的間距。但這種工作視距累計誤差，又會在不同的工作條件環境中，體現為明顯的不同情況。因此在控制操作與參數的瞄準線設計中，對視距與視野上限進行控制。應將材料視角直徑限制在 400～600 mm之間，并將視距要求維持在250～350 mm之間。但為了防止材料的視野直徑變化，也就必須穩定在800 mm以上，并將500 mm作為最大視距累積差準則，使之用作實操視距累積差的最大限制。此外，在對監視機器和搬運廢料過程的監控中，也相對地比較寬松，可以在確定了最低距離要求的基礎上，按照作業人員的實際狀況，對視距范圍和視線距離上限加以控制。軸心軌跡測定采用 10mm×10mm、15mm×15mm、20mm×20mm這3種型號的尺寸規格，完成對不同分屬目標區域的測定。金屬帶鋸床的缺陷統計樣本識別結果如表2所示。

表2 金屬帶鋸床樣本數據表

準備就緒后，開始對金屬帶鋸床進行對比實驗。

3.2 實驗結果

測試5組不同批次的金屬帶鋸床，將本文設計圖像處理技術的故障診斷方法得出的數據，與傳統的方法相比較，故障檢測最終結果如表3所示。

表3 故障檢測結果（個）

本文設計的結合圖像處理技術的金屬帶鋸床故障檢測方法檢測的各批次的故障點數值都大于傳統的金屬帶鋸床故障檢測方法，因此可以得出結論，本文設計的方法，在故障檢測上的效果更好，檢測的故障點數量更多，能更好應用于金屬切割工藝中。

4 結語

本文結合圖像處理技術，針對金屬帶鋸床的故障進行了系統地檢測。圖像處理技術能提升金屬帶鋸床故障點位置采集的效率，增強對目標的提取和檢測效果。本文所使用的根據圖像分析金屬帶鋸床故障點的檢測方法經過對比實驗的數據，得出結論，結合圖像處理技術的金屬帶鋸床故障檢測方法在精確度上取得的效果更好，更能夠滿足工程對金屬帶鋸床故障檢測的要求。