CN112669305B - 一种金属表面抗锈性能测试台及抗锈性能测评方法 - Google Patents

Abstract

本发明提供了本发明提出了一种金属表面抗锈性能测试台和抗锈性能测评方法。测试平台能够实现金属试样表面进行加速锈蚀实验，数据采集平台能能够对测试平台的金属试样进行图像数据的采集。针对于由测试台得到的图像数据进行分析，构建了一套锈蚀区域分割方法能够从图像中分割出金属表面的锈蚀区域，计算锈蚀比指标并与预先设定的阈值进行比较，判定该金属试样此时是否达到了实验终止条件。当金属试样的锈蚀比指标超过预设的阈值时，该试样的抗锈性能测试试验即已完成。在整个实验完成后，统计每个金属试样从测试平台第一次开始运行到其最后一次被取出的时间，两者的时间差即为金属试样抗锈性能测试的量化指标，时间差越长表示其抗锈的性能越好。

Description

一种金属表面抗锈性能测试台及抗锈性能测评方法

技术领域

本发明涉及金属表面抗锈性能测试，图像分割及质量检测评估领域，特别涉及一种金属表面抗锈性能测试台和抗锈性能测试试验中锈蚀区域的分割及抗锈性能测评方法。

背景技术

金属构件被广泛使用在各类工程设施中，而由于金属表面受到各种环境因素的作用，锈蚀已然成为其失效的重要因素。因此，金属表面抗锈性能直接关乎到整个设备的安全运行状态。搭建一套金属表面抗锈性能测试台和测试评价方法对其抗锈性能进行测试实验，分析产品的抗锈质量，有助于更清晰地了解并量化金属试样的抗锈性能状况，同时据此制定更为完善合理的检修更换计划，降低因锈蚀带来的零部件失效故障，保障设备安全稳定的运行。

目前，传统的抗锈性能检测与评价主要是依赖于人工目测，由盐雾箱加速锈蚀并通过检修人员结合主观经验对金属表面锈蚀进行综合判定。然而由于金属表面在锈蚀形成初期锈蚀区域特征不显著，因此利用人工目测方法对于金属表面抗锈性能的检测与评估难以保证测评结果的准确性和客观性。而近年来，随着机器视觉和图像处理技术的快速发展，图像作为一种记录和描述信息的载体在金属锈蚀检测领域展现出强大的应用潜力。利用机器视觉和图像处理技术进行锈蚀区域检测与分割，结合盐雾箱和相机等试验设备获取到水工钢表面锈蚀的分布状况、锈蚀面积和锈蚀比等参数指标，由此对金属表面抗锈性能进行相对客观的测评，检测方式更为灵活，抗锈性能评价更为客观合理。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出一种金属表面抗锈性能测试台及抗锈性能测评方法。对于本发明，其研究内容主要涉及图像处理、机器视觉技术、材料学、电气控制、传感与检测技术、数据挖掘、计算机技术，其主要方法是通过搭建的金属表面抗锈性能测试台加速锈蚀，通过采集平台采集其表面图像，通过融合超像素分割SLIC、主成分分析和模糊C均值等构建金属表面锈蚀分割方法提取锈蚀区域，计算锈蚀比指标并通过与阈值的比较作为终止条件，在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能。

为了实现上述的技术特征，本发明的目的是这样实现的：一种金属表面抗锈性能测试台，其特征在于：它包括用于搭载金属试样锈蚀过程环境的执行装置；所述执行装置与输入装置相配合，并对金属试样锈蚀过程中的数据进行采集；所述输入装置和执行装置整体设置在空间环境罩内部；

所述输入装置与控制装置的信号输入端相连，所述控制装置的信号输出端与输出装置相连，所述输出装置与执行装置相连；

还包括用于对锈蚀之后的金属试样进行数据采集和分析的数据采集平台。

所述执行装置根据控制装置指令控制空间环境罩中的温湿度、气压、PH值和水位信息，用于辅助加速金属试样表面产生锈蚀，包括试验箱、空间环境罩、V型架、支撑杆、喷雾塔、盐雾收集漏斗以及待检测的金属试样；所述试验箱内部设置有支撑杆，所述支撑杆上固定有V型架，所述V型架上放置有金属试样，所述试验箱的内部设置有用于控制湿度的喷雾塔，所述试验箱的内部设置有盐雾收集漏斗。

所述输入装置包括PH检测传感器、温度传感器、湿度传感器、气压传感器和水位检测传感器，所述输入装置中的各类传感器分别连接到PLC控制器的输入端，用于采集环境信息，方便空间环境数据的集中监控，感知设备的运行状态。

所述输出装置包括进水开关、喷雾开关、空气压缩机、加热器、报警灯和蜂鸣器，所述输出装置连接到PLC控制器的输出端，用于模拟金属在设备所处的各类环境，所述报警灯和蜂鸣器用于当***产生故障时起警示作用。

所述控制装置包括PLC控制器和HMI触摸屏，所述HMI触摸屏采用网线通过ROFINET接口与PLC控制器中的端口相连接从而实现与PLC控制器的通讯。

所述数据采集平台包括光源、相机、相机支架和计算机；在数据采集平台中：将待测试的金属试样置于面光源下，通过相机配合相机支架采集图像数据信息，并通过USB串口将其连接到计算机的信号输入端，至此完成图像数据的采集。

采用所述金属表面抗锈性能测试台对金属试样表面的抗锈性能测试的方法，包括以下步骤：

先统一将金属试样表面擦拭干净并用丙酮清洗吹干，在测试金属表面抗锈性能时将同一规格不同型号的金属试样放入V型架和支撑杆上，其中每一个金属试样在测试时被选用的总面积是固定且相等的；待所有测试试样放置完成后，关闭空间环境罩；通过HMI交互界面输入环境参数信息，PLC控制器通过输出装置和执行装置加速金属试样的锈蚀以开始测试；由于空间环境罩中存在盐雾，这会严重损坏相机的精度与寿命，难以实现实时监控，因此本方法中采用定期停机检查的方式采集数据，每隔一段时间将测试平台停机依次取出金属试样并在数据采集平台中完成数据的采集，之后按顺序放回测试平台中再次开机运行，直到待测试的所有金属试样锈蚀比指标达到预设的阈值时即已完成试验。

对所述金属表面抗锈性能测试台所制备的金属试样进行金属表面抗锈性能测评方法，对数据采集平台所采集到的图像数据进行检测，根据金属表面图像分割出锈蚀区域并统计试样整体像素点数量和锈蚀区域像素点数量，通过像素点数量得到两者之间的锈蚀比指标，与预定的阈值进行比较，如果锈蚀比大于预先设定的阈值则判定此时达到实验终止条件，即该试样的性能测试实验完成，在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能，每一种金属试样从开始进行试验到锈蚀比达到阈值的时间间隔可反映出金属锈蚀的抗锈蚀性能，时间差越长表示其抗锈的性能越好。

述金属表面抗锈性能测评方法，具体包括以下步骤：

步骤1：采集金属试样表面的图像数据；将金属表面抗锈性能测试台中的金属试样取出，置于数据采集平台中采集到图像数据并传输到计算机中，等待后续的操作处理；

步骤2：对图像进行预处理操作；由于采集到的图像中存在小部分的背景干扰以及噪声的影响，应当在预处理阶段可以采用滤波和去噪的方法排除这部分的干扰，并裁剪掉多余的背景部分，使得图像中仅含有金属试样部分；此外，通过增强算法对于细节进行增强，加强锈蚀部分的细节信息凸显锈蚀区域与非锈蚀区域的差异，以此提高检测的准确率；

步骤3：超像素分割SLIC算法对图像进行粗分割；对于预处理之后的图像划分网格，采用SLIC方法对其进行粗分割，将待处理图像分割成多个同质子区域即超像素，对于采集到的彩色图像，将其从传统的RGB空间转化为CIELAB颜色空间；对于每一个像素点而言，其空间位置XY坐标信息和lab三个颜色空间分量组成5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类得到紧凑、近似均匀的超像素块；其距离度量的公式如下：

式中：d_c代表颜色距离，l_i、a_i、b_i分别代表像素点i的lab空间颜色值，l_j、a_j、b_j分别代表像素点j的lab空间颜色值；d_s代表空间距离，x_i,y_i是像素点i的坐标位置，x_j,y_j是像素点j的坐标位置；D′表示距离度量；N_c表示最大颜色距离，通常采用固定值代替，用于控制超像素的紧密度；

是类内最大空间距离，N(f)为图像中像素点总数，n为划分的网格数量；

步骤4：构建特征指标建立特征矩阵；对于每一个超像素块，通过统计其区域内像素点的颜色信息和纹理特征描述区域的信息；

设超像素为f(x,y)，x＝1,2,...,M；y＝1,2,...,N，其灰度级为L，采用梯度算子提取超像素区域的梯度图像g(x,y)，将梯度图像进行灰度级离散化，灰度级数目为L_g，建立灰度-梯度共生矩阵，其表达式为：

{H_ij,i＝0,1,...,L-1；j＝0,1,...,L_g-1}

式中：H_ij表示集合{(x,y)|f(x,y)＝i,G(x,y)＝j}中元素的数目；L_g为灰度级数目；x＝1,2,...,M；y＝1,2,...,N中M为图像的像素宽度，N为图像的像素高度；

利用灰度-梯度共生矩阵，建立如下17个常用的纹理特征参量：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、灰度平滑度、梯度平滑度、相关性、灰度熵、梯度熵、混合熵、惯性和逆差矩；

由于采集到的均为彩色图像，因此应分别对每个超像素块的3个颜色通道计算上述特征指标，因此，共计能够得到3×17＝51个特征参数，建立的特征矩阵大小为n×51，其中n为超像素块的数量；

步骤5：主成分分析对指标数据进行降维；由步骤4得到51个用于描述超像素块的特征参数，如若直接采用这些参数来联合表示超像素区域的信息会使得问题的计算复杂度骤然上升，此外这51个参数之间并不是相互独立的，相反这些参数往往是相互影响、相互关联的，它们之间存在着许多的重叠部分，所以需要首先采用主成分分析的方法对于这些指标进行降维处理，从而在减小工作量的同时又保留这些指标所代表的绝大部分信息；

所述步骤5，其具体的流程包括构建原始数据矩阵，数据标准化，计算相关系数矩阵，计算特征值和特征向量，计算主成分贡献率，计算累积贡献率，计算主成分值详细步骤；

认为当累计贡献率α_t≥85％时，这部分的主成分就包含了代表原始指标的绝大多数信息，取出这部分即可计算主成分值，用于后续的锈蚀图像分割的初始数据；

步骤6：模糊C均值聚类算法分割锈蚀区域；将降维之后的主成分作为特征指标对于超像素块进行聚类分析，将主成分值相近的超像素块聚成一类；由于金属表面锈蚀往往呈现凹凸不平、锈皮泛起等特征形貌，其颜色也往往呈现暗红色甚至褐色，与金属表面为锈蚀区域的颜色区别较大，因此通过主成分值构成的指标对锈蚀区域与非锈蚀区域进行分类；由于数字图像中，像素值为0表示黑色，255表示白色，而锈蚀特征往往是呈现出暗红色甚至褐色，因此其像素值往往接近黑色的0，即锈蚀区域的特征指标数值往往较小，锈蚀区域的主成分值也往往更小，所以在分好的每一类中计算该区域的最大主成分平均值，通常情况下筛选最大主成分平均值最小的类别即为锈蚀区域；

对于步骤6，其具体的流程包括初始化参数，初始化超像素块的隶属度矩阵和聚类中心，更新隶属度矩阵和聚类中心，循环迭代，得到最终的隶属度矩阵，筛选锈蚀区域类别等详细步骤。

步骤7：计算锈蚀比，判定是否达到阈值；在步骤2预处理之后的图像中统计出金属试样的像素点总数，由在步骤6分割后筛选得到的锈蚀区域图像统计锈蚀区域的像素点数量，据此计算金属试样的锈蚀比；针对每个测试的金属试样分别计算出他们的锈蚀比指标，与预先设定的阈值进行比较，如果锈蚀比大于阈值，则判定该金属试样此时达到了实验终止条件，该金属试样的抗锈性能测试完成；如果锈蚀比小于阈值，则判定该金属试样未达到实验终止条件，仍需将其放回测试平台，等待后续继续进行测试；

步骤8：性能测试试验结束，评价抗锈性能；当所有金属试样的锈蚀比指标均超过预设的阈值时，性能测试试验即已完成。在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能，即统计从测试平台第一次开始运行到每一个金属试样最后一次被取出所实验的时间，两者的时间差即为金属试样抗锈性能测试的结果，时间差越长表示其抗锈的性能越好。

所述步骤2～步骤7中基于图像处理的金属表面锈蚀分割方法为：采用超像素分割算法对预处理之后的图像进行粗分割，灰度-梯度共生矩阵构建特征矩阵，借助主成分分析法对于指标进行降维处理，使用模糊C均值算法对超像素块进行精确的聚类分析，形成一套结合超像素分割算法、主成分分析法和模糊C均值算法的锈蚀区域分割方法。

至此，即完成了金属表面抗锈性能测试台的设计，锈蚀区域分割和抗锈性能测试评估的全过程。本发明设计的金属表面抗锈性能测试台和锈蚀区域检测识别方法，采用上述技术方案可以取得如下技术效果：

1、本测试台适用于金属表面抗锈性能的测试，能够较好的反应不同金属试样表面抗锈的能力。测试平台采用多种传感器监测空间环境罩内的环境信息，通过PLC控制器结合HMI交互界面控制输入输出模块，通过执行装置加速待测试金属试样表面产生锈蚀；数据采集平台中采用使用工业相机采集金属表面图像并传输到计算机，由此形成一体化的金属表面抗锈性能测试实验平台。

2、超像素分割SLIC算法可以极大地减少算法的计算量，同时基于超像素块提取区域特征信息受到图像中噪声的干扰较小，具有计算量小、运行速度快和分割效率高等优点，主成分分析法可以在尽可能代表特征矩阵信息的前提下，通过线性变换将高维空间中的数据样本投影到低维空间，避免了计算时众多特征指标带来的“维度灾难”问题，模糊C均值聚类算法融合了模糊理论，相较于k-means的硬聚类，模糊C均值聚类提供了更加灵活的聚类结果。本发明中结合超像素分割算法(SLIC)、主成分分析法(PCA)和模糊C均值算法(FCM)构建一套锈蚀区域分割方法，能够从采集到的图像中较为准确地分割出锈蚀区域，弥补了传统图像处理中在锈蚀区域分割时分割精度低、运行速度慢、处理效率不高的缺陷。

3、量化分割出的锈蚀区域计算锈蚀比指标，通过与预设的阈值的比较判定是否达到实验终止条件，每一个试样的实验时间长短能够在一定程度上反映出其表面在盐雾环境中的抗锈性能，由此可以作为产品质量检测中抗锈性能检测的一个测试环节。

综上所述，本发明基于设计的金属表面抗锈性能测试台，通过测试平台加速锈蚀，通过数据采集平台采集金属表面图像，结合超像素分割算法(SLIC)、主成分分析法(PCA)和模糊C均值算法(FCM)构建一套锈蚀区域分割方法，从图像中分割出锈蚀区域，并计算锈蚀比指标作为试验结束的判定条件，统计出金属试样进行试验的总时长即可反映出其抗锈性能，形成了由“测试平台加速锈蚀实验→数据采集平台采集图像→融合多方法分割锈蚀区域→计算锈蚀比指标→统计实验时长评定抗锈性能”构建的一体化金属表面抗锈性能测评方法，同时在性能测试中能够借助机器视觉和图像处理技术自动分割锈蚀区域并计算锈蚀比，避免了传统接触式测量方法主观性强、可靠性低和定量困难等缺陷，为金属构件表面抗锈性能的检测与质量评估提供了一种新的思路方法。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明金属表面抗锈性能测试台的安装布置及区域划分示意图。

图2是本发明中金属表面抗锈性能测试实验的步骤流程图。

图3是本发明中PLC控制器的模块及其与HMI界面的连接方式。

图4是本发明中金属构件在测试平台中的安装位置和摆放方式示意图。

图5是本发明中金属表明抗锈性能测试中锈蚀区域的分割原理示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如附图1所示，一种金属表面抗锈性能测试台主要由测试平台和数据采集平台组成。其中测试平台用于对金属试样表面的抗锈性能进行测试，通过控制环境因素加速金属试样表面锈蚀的产生，其包括输入装置、控制装置、输出装置以及执行装置四个模块；数据采集平台用于对测试平台的金属试样进行图像数据的采集，通过锈蚀区域的分割与锈蚀比指标判定试样是否达到实验终止条件，其主要包括光源、相机、相机支架和计算机。整个金属表面抗锈测试实验的步骤流程如附图2所示。

输入装置中包括PH检测传感器、温度传感器、湿度传感器、气压传感器和水位检测传感器，分别用于检测空间环境罩内环境的PH参数、温湿度值、压力值以及是否达到限定水位高度，输入装置均连接到PLC控制器的输入模块上；

控制装置采用PLC控制器和HMI触摸屏，如附图3所示，图中PLC控制器部分：模块0为额定功率70W的电源模块；模块1为CPU模块，采用西门子S7-1500系列的1516-3PN/DP；模块2为16位的数字量输入模块；模块3为4位模拟量输入模块；模块4、5分别为16位数字量输出模块和4位模拟量输出模块；模块6暂未使用，后续可以根据实际需要补充其它模块。HMI触摸屏采用与PLC控制器配套的KTP700 Basic PN，其可以通过网线将HMI的PROFINET接口与PLC中接口1的1端口相连接，从而实现PLC控制器与HMI交互界面的通讯。

输出装置中包括进水开关、喷雾开关、空气压缩机、加热器、报警灯和蜂鸣器等，可以用于调整环境的温湿度、气压，监控水位变化，检测并预警故障等，输出装置均连接到PLC控制器的输出模块上；

执行装置由试验箱、空间环境罩、V型架、支撑杆、喷雾塔、盐雾收集漏斗以及待检测的金属试样等共同组成，主要用于抗锈性能测试中辅助实验更好的执行。其中空间环境罩能够将外部环境与测试平台的内部工作环境间隔开，避免实验台在运行过程中外部环境对实验造成的干扰，方便实验环境的监测与控制；V型架和支撑杆用于摆放待测试的金属试样，其安装位置和摆放方式如附图4所示；喷雾塔依据喷雾开关的状态向空间环境罩中执行喷洒配置好的盐雾；盐雾收集器用于收集空间环境中的盐雾，方便***监测环境中盐雾量而实时调整喷雾状态，其亦属于输入装置，连接到PLC控制器的模拟量输入模块。

下面结合附图1和附图2对本发明金属表面抗锈性能测试台的实施例作详细说明。首先，将尺寸相同且规格统一的待测金属试样表面擦拭洗净并用丙酮清洗吹干，将其按照附图4依次摆放在测试平台中；然后，将测试平台中的输入装置、输出装置与PLC控制器按照连接好，同时将HMI触摸屏与PLC控制器连接，其具体连接方式如附图3所示。最后，关闭空间环境罩并在交互界面设定好预置的环境参数，通过输入、输出模拟盐雾环境加速金属试样表面锈蚀，定时(具体时长可以根据待测试金属试样的具体类型与数量设定)依次取出金属试样置于数据采集平台，采集平台通过相机采集图像数据传输到计算机中，等待后续的检测与评价步骤。至此，完成了一个定时周期内金属表面抗锈性能测试台的实验操作与流程。

下面结合附图2和附图5对本发明金属表面抗抗锈性能测评方法的实施例作详细说明。本实施例的主要目的是依据上述实验台采集到的图像数据，分割图像中金属表面的锈蚀区域，计算锈蚀比指标，并通过与锈蚀比阈值(根据实际的测试工况特性自设定)的比较判定该金属试样是否达到了实验终止条件。对于达到实验终止条件的金属试样，统计其实验时长作为抗锈性能的量化指标；对于未达到终止条件的金属试样，将其再次放回实验台的测试平台中继续进行实验，直到满足终止条件。最后，依据金属试样的总实验时长即可评价其抗锈蚀性能，每一种金属试样从开始进行试验到锈蚀比达到阈值的时间间隔可反映出金属锈蚀的抗锈蚀性能，时间差越长表示其抗锈的性能越好。该实施例包括如下具体步骤：

步骤1：采集金属试样表面的图像数据；将金属表面抗锈性能测试台中的金属试样取出，置于数据采集平台中采集到图像数据并传输到计算机中，等待后续的操作处理；

步骤2：对图像进行预处理操作；由于采集到的图像中存在小部分的背景干扰以及噪声的影响，应当在预处理阶段可以采用滤波和去噪的方法排除这部分的干扰，并裁剪掉多余的背景部分，使得图像中仅含有金属试样部分；此外，通过增强算法对于细节进行增强，加强锈蚀部分的细节信息凸显锈蚀区域与非锈蚀区域的差异，以此提高检测的准确率；

步骤3：超像素分割SLIC算法对图像进行粗分割；对于预处理之后的图像划分网格，采用SLIC方法对其进行粗分割，将待处理图像分割成多个同质子区域即超像素，对于采集到的彩色图像，将其从传统的RGB空间转化为CIELAB颜色空间；对于每一个像素点而言，其空间位置XY坐标信息和lab三个颜色空间分量组成5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类得到紧凑、近似均匀的超像素块；其距离度量的公式如下：

式中：d_c代表颜色距离，l_i、a_i、b_i分别代表像素点i的lab空间颜色值，l_j、a_j、b_j分别代表像素点j的lab空间颜色值；d_s代表空间距离，x_i,y_i是像素点i的坐标位置，x_j,y_j是像素点j的坐标位置；D′表示距离度量；N_c表示最大颜色距离，通常采用固定值代替，用于控制超像素的紧密度；

是类内最大空间距离，N(f)为图像中像素点总数，n为划分的网格数量；

步骤4：构建特征指标建立特征矩阵；对于每一个超像素块，通过统计其区域内像素点的颜色信息和纹理特征描述区域的信息；

设超像素为f(x,y)，x＝1,2,...,M；y＝1,2,...,N，其灰度级为L,采用梯度算子提取超像素区域的梯度图像g(x,y)，将梯度图像进行灰度级离散化，灰度级数目为L_g，建立灰度-梯度共生矩阵，其表达式为：

{H_ij,i＝0,1,...,L-1；j＝0,1,...,L_g-1}

式中：H_ij表示集合{(x,y)|f(x,y)＝i,G(x,y)＝j}中元素的数目；L_g为灰度级数目；x＝1,2,...,M；y＝1,2,...,N中M为图像的像素宽度，N为图像的像素高度；

利用灰度-梯度共生矩阵，建立如下17个常用的纹理特征参量：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、灰度平滑度、梯度平滑度、相关性、灰度熵、梯度熵、混合熵、惯性和逆差矩；

由于采集到的均为彩色图像，因此应分别对每个超像素块的3个颜色通道计算上述特征指标，因此，共计能够得到3×17＝51个特征参数，建立的特征矩阵大小为n×51，其中n为超像素块的数量；

步骤5：主成分分析对指标数据进行降维；由步骤4得到51个用于描述超像素块的特征参数，如若直接采用这些参数来联合表示超像素区域的信息会使得问题的计算复杂度骤然上升，此外这51个参数之间并不是相互独立的，相反这些参数往往是相互影响、相互关联的，它们之间存在着许多的重叠部分，所以需要首先采用主成分分析的方法对于这些指标进行降维处理，从而在减小工作量的同时又保留这些指标所代表的绝大部分信息；

所述步骤5，其具体的流程包括构建原始数据矩阵，数据标准化，计算相关系数矩阵，计算特征值和特征向量，计算主成分贡献率，计算累积贡献率，计算主成分值详细步骤；

认为当累计贡献率α_t≥85％时，这部分的主成分就包含了代表原始指标的绝大多数信息，取出这部分即可计算主成分值，用于后续的锈蚀图像分割的初始数据；

步骤6：模糊C均值聚类算法分割锈蚀区域；将降维之后的主成分作为特征指标对于超像素块进行聚类分析，将主成分值相近的超像素块聚成一类；由于金属表面锈蚀往往呈现凹凸不平、锈皮泛起等特征形貌，其颜色也往往呈现暗红色甚至褐色，与金属表面为锈蚀区域的颜色区别较大，因此通过主成分值构成的指标对锈蚀区域与非锈蚀区域进行分类；由于数字图像中，像素值为0表示黑色，255表示白色，而锈蚀特征往往是呈现出暗红色甚至褐色，因此其像素值往往接近黑色的0，即锈蚀区域的特征指标数值往往较小，锈蚀区域的主成分值也往往更小，所以在分好的每一类中计算该区域的最大主成分平均值，通常情况下筛选最大主成分平均值最小的类别即为锈蚀区域；

对于步骤6，其具体的流程包括初始化参数，初始化超像素块的隶属度矩阵和聚类中心，更新隶属度矩阵和聚类中心，循环迭代，得到最终的隶属度矩阵，筛选锈蚀区域类别等详细步骤。

步骤7：计算锈蚀比，判定是否达到阈值；在步骤2预处理之后的图像中统计出金属试样的像素点总数，由在步骤6分割后筛选得到的锈蚀区域图像统计锈蚀区域的像素点数量，据此计算金属试样的锈蚀比；针对每个测试的金属试样分别计算出他们的锈蚀比指标，与预先设定的阈值进行比较，如果锈蚀比大于阈值，则判定该金属试样此时达到了实验终止条件，该金属试样的抗锈性能测试完成；如果锈蚀比小于阈值，则判定该金属试样未达到实验终止条件，仍需将其放回测试平台，等待后续继续进行测试；

步骤8：性能测试试验结束，评价抗锈性能；当所有金属试样的锈蚀比指标均超过预设的阈值时，性能测试试验即已完成。在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能，即统计从测试平台第一次开始运行到每一个金属试样最后一次被取出所实验的时间，两者的时间差即为金属试样抗锈性能测试的结果，时间差越长表示其抗锈的性能越好。

其中，步骤1用于采集图像数据；步骤2-步骤6用于检测并分割图像中的锈蚀区域；步骤7为判定试验终止条件；步骤8即对测试金属试样进行抗锈性能量化评估。由此即完成了对于金属表面锈蚀区域分割和抗锈性能的测试评估。

至此，即完成了金属表面抗锈性能测试台的设计，锈蚀区域分割和抗锈性能测试评估的全过程。

本发明并不限于上文描述的金属表面抗锈测试台和抗锈性能测试方法，值得说明的是在测试过程中结合超像素分割算法(SLIC)、主成分分析法(PCA)和模糊C均值算法(FCM)构建了一套锈蚀区域分割方法亦是本发明的主要内容。以上对具体实施方式的描述旨在描述和说明本发明的技术方案，上述的具体实施方式仅仅是示意性的，并不是限制性的。

Claims (8)

1.采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，所述金属表面抗锈性能测试台包括用于搭载金属试样锈蚀过程环境的执行装置；所述执行装置与输入装置相配合，并对金属试样锈蚀过程中的数据进行采集；所述输入装置和执行装置整体设置在空间环境罩内部；

所述输入装置与控制装置的信号输入端相连，所述控制装置的信号输出端与输出装置相连，所述输出装置与执行装置相连；

还包括用于对锈蚀之后的金属试样进行数据采集和分析的数据采集平台；

所述执行装置根据控制装置指令控制空间环境罩中的温湿度、气压、PH值和水位信息，用于辅助加速金属试样表面产生锈蚀，包括试验箱、空间环境罩、V型架、支撑杆、喷雾塔、盐雾收集漏斗以及待检测的金属试样；所述试验箱内部设置有支撑杆，所述支撑杆上固定有V型架，所述V型架上放置有金属试样，所述试验箱的内部设置有用于控制湿度的喷雾塔，所述试验箱的内部设置有盐雾收集漏斗；

其特征在于，所述抗锈性能测评的方法包括以下步骤：

先统一将金属试样表面擦拭干净并用丙酮清洗吹干，在测试金属表面抗锈性能时将同一规格不同型号的金属试样放入V型架和支撑杆上，其中每一个金属试样在测试时被选用的总面积是固定且相等的；待所有测试试样放置完成后，关闭空间环境罩；通过HMI交互界面输入环境参数信息，PLC控制器通过输出装置和执行装置加速金属试样的锈蚀以开始测试；由于空间环境罩中存在盐雾，这会严重损坏相机的精度与寿命，难以实现实时监控，因此本方法中采用定期停机检查的方式采集数据，每隔一段时间将测试平台停机依次取出金属试样并在数据采集平台中完成数据的采集，之后按顺序放回测试平台中再次开机运行，直到待测试的所有金属试样锈蚀比指标达到预设的阈值时即已完成试验。

2.根据权利要求1所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于：所述输入装置包括PH检测传感器、温度传感器、湿度传感器、气压传感器和水位检测传感器，所述输入装置中的各类传感器分别连接到PLC控制器的输入端，用于采集环境信息，方便空间环境数据的集中监控，感知设备的运行状态。

3.根据权利要求1所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于：所述输出装置包括进水开关、喷雾开关、空气压缩机、加热器、报警灯和蜂鸣器，所述输出装置连接到PLC控制器的输出端，用于模拟金属在设备所处的各类环境，所述报警灯和蜂鸣器用于当***产生故障时起警示作用。

4.根据权利要求1所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于：所述控制装置包括PLC控制器和HMI触摸屏，所述HMI触摸屏采用网线通过ROFINET接口与PLC控制器中的端口相连接从而实现与PLC控制器的通讯。

5.根据权利要求1所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于：所述数据采集平台包括光源、相机、相机支架和计算机；在数据采集平台中：将待测试的金属试样置于面光源下，通过相机配合相机支架采集图像数据信息，并通过USB串口将其连接到计算机的信号输入端，至此完成图像数据的采集。

6.对权利要求1-5任意一项所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于：对数据采集平台所采集到的图像数据进行检测，根据金属表面图像分割出锈蚀区域并统计试样整体像素点数量和锈蚀区域像素点数量，通过像素点数量得到两者之间的锈蚀比指标，与预定的阈值进行比较，如果锈蚀比大于预先设定的阈值则判定此时达到实验终止条件，即该试样的性能测试实验完成，在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能，每一种金属试样从开始进行试验到锈蚀比达到阈值的时间间隔可反映出金属锈蚀的抗锈蚀性能，时间差越长表示其抗锈的性能越好。

7.根据权利要求6所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于，具体包括以下步骤：

步骤1：采集金属试样表面的图像数据；将金属表面抗锈性能测试台中的金属试样取出，置于数据采集平台中采集到图像数据并传输到计算机中，等待后续的操作处理；

步骤2：对图像进行预处理操作；由于采集到的图像中存在小部分的背景干扰以及噪声的影响，应当在预处理阶段可以采用滤波和去噪的方法排除这部分的干扰，并裁剪掉多余的背景部分，使得图像中仅含有金属试样部分；此外，通过增强算法对于细节进行增强，加强锈蚀部分的细节信息凸显锈蚀区域与非锈蚀区域的差异，以此提高检测的准确率；

步骤3：超像素分割SLIC算法对图像进行粗分割；对于预处理之后的图像划分网格，采用SLIC方法对其进行粗分割，将待处理图像分割成多个同质子区域即超像素，对于采集到的彩色图像，将其从传统的RGB空间转化为CIELAB颜色空间；对于每一个像素点而言，其空间位置XY坐标信息和lab三个颜色空间分量组成5维特征向量，然后对5维特征向量构造距离度量标准，对图像像素进行局部聚类得到紧凑、近似均匀的超像素块；其距离度量的公式如下：

式中：d_c代表颜色距离，l_i、a_i、b_i分别代表像素点i的lab空间颜色值，l_j、a_j、b_j分别代表像素点j的lab空间颜色值；d_s代表空间距离，x_i,y_i是像素点i的坐标位置，x_j,y_j是像素点j的坐标位置；D′表示距离度量；N_c表示最大颜色距离，通常采用固定值代替，用于控制超像素的紧密度；

是类内最大空间距离，N(f)为图像中像素点总数，n为划分的网格数量；

步骤4：构建特征指标建立特征矩阵；对于每一个超像素块，通过统计其区域内像素点的颜色信息和纹理特征描述区域的信息；

设超像素为f(x,y)，x＝1,2,...,M；y＝1,2,...,N，其灰度级为L,采用梯度算子提取超像素区域的梯度图像g(x,y)，将梯度图像进行灰度级离散化，灰度级数目为L_g，建立灰度-梯度共生矩阵，其表达式为：

{H_ij,i＝0,1,...,L-1；j＝0,1,...,L_g-1}

式中：H_ij表示集合{(x,y)|f(x,y)＝i,G(x,y)＝j}中元素的数目；L_g为灰度级数目；x＝1,2,...,M；y＝1,2,...,N中M为图像的像素宽度，N为图像的像素高度；

利用灰度-梯度共生矩阵，建立如下17个常用的纹理特征参量：小梯度优势、大梯度优势、灰度分布不均匀性、梯度分布不均匀性、能量、灰度平均、梯度平均、灰度均方差、梯度均方差、灰度平滑度、梯度平滑度、相关性、灰度熵、梯度熵、混合熵、惯性和逆差矩；

由于采集到的均为彩色图像，因此应分别对每个超像素块的3个颜色通道计算上述特征指标，因此，共计能够得到3×17＝51个特征参数，建立的特征矩阵大小为n×51，其中n为超像素块的数量；

步骤5：主成分分析对指标数据进行降维；由步骤4得到51个用于描述超像素块的特征参数，如若直接采用这些参数来联合表示超像素区域的信息会使得问题的计算复杂度骤然上升，此外这51个参数之间并不是相互独立的，相反这些参数往往是相互影响、相互关联的，它们之间存在着许多的重叠部分，所以需要首先采用主成分分析的方法对于这些指标进行降维处理，从而在减小工作量的同时又保留这些指标所代表的绝大部分信息；

所述步骤5，其具体的流程包括构建原始数据矩阵，数据标准化，计算相关系数矩阵，计算特征值和特征向量，计算主成分贡献率，计算累积贡献率，计算主成分值详细步骤；

认为当累计贡献率α_t≥85％时，这部分的主成分就包含了代表原始指标的绝大多数信息，取出这部分即可计算主成分值，用于后续的锈蚀图像分割的初始数据；

步骤6：模糊C均值聚类算法分割锈蚀区域；将降维之后的主成分作为特征指标对于超像素块进行聚类分析，将主成分值相近的超像素块聚成一类；由于金属表面锈蚀往往呈现凹凸不平、锈皮泛起特征形貌，其颜色也往往呈现暗红色甚至褐色，与金属表面为锈蚀区域的颜色区别较大，因此通过主成分值构成的指标对锈蚀区域与非锈蚀区域进行分类；由于数字图像中，像素值为0表示黑色，255表示白色，而锈蚀特征往往是呈现出暗红色甚至褐色，因此其像素值往往接近黑色的0，即锈蚀区域的特征指标数值往往较小，锈蚀区域的主成分值也往往更小，所以在分好的每一类中计算该区域的最大主成分平均值，通常情况下筛选最大主成分平均值最小的类别即为锈蚀区域；

对于步骤6，其具体的流程包括初始化参数，初始化超像素块的隶属度矩阵和聚类中心，更新隶属度矩阵和聚类中心，循环迭代，得到最终的隶属度矩阵，筛选锈蚀区域类别的详细步骤；

步骤7：计算锈蚀比，判定是否达到阈值；在步骤2预处理之后的图像中统计出金属试样的像素点总数，由在步骤6分割后筛选得到的锈蚀区域图像统计锈蚀区域的像素点数量，据此计算金属试样的锈蚀比；针对每个测试的金属试样分别计算出他们的锈蚀比指标，与预先设定的阈值进行比较，如果锈蚀比大于阈值，则判定该金属试样此时达到了实验终止条件，该金属试样的抗锈性能测试完成；如果锈蚀比小于阈值，则判定该金属试样未达到实验终止条件，仍需将其放回测试平台，等待后续继续进行测试；

步骤8：性能测试试验结束，评价抗锈性能；当所有金属试样的锈蚀比指标均超过预设的阈值时，性能测试试验即已完成；在实验完成后统计每个金属试样的实验总时长作为抗锈性能的量化指标用于评价其表面抗锈性能，即统计从测试平台第一次开始运行到每一个金属试样最后一次被取出所实验的时间，两者的时间差即为金属试样抗锈性能测试的结果，时间差越长表示其抗锈的性能越好。

8.根据权利要求7所述采用金属表面抗锈性能测试台对金属试样表面的抗锈性能测评的方法，其特征在于，所述步骤2～步骤7中基于图像处理的金属表面锈蚀分割方法为：采用超像素分割算法对预处理之后的图像进行粗分割，灰度-梯度共生矩阵构建特征矩阵，借助主成分分析法对于指标进行降维处理，使用模糊C均值算法对超像素块进行精确的聚类分析，形成一套结合超像素分割算法、主成分分析法和模糊C均值算法的锈蚀区域分割方法。

Images