王鐵軍
摘 要:針對(duì)礦用輸送帶運(yùn)行過(guò)程中容易出現(xiàn)縱向撕裂的工程背景,計(jì)算縱向長(zhǎng)度、橫向?qū)挾?,?jì)算長(zhǎng)寬比等特征參數(shù)判定礦用輸送帶縱撕圖像。礦用輸送帶縱撕圖像的縱向長(zhǎng)度、橫向?qū)挾瘸^(guò)一定的閾值,自動(dòng)識(shí)別判定發(fā)生了縱撕故障。圖像質(zhì)量識(shí)別度高,檢測(cè)準(zhǔn)確,有效解決了解決礦用輸送帶縱撕圖像檢測(cè)和縱撕故障識(shí)別的問(wèn)題。
關(guān)鍵詞:縱向撕裂;故障識(shí)別;圖像質(zhì)量
中圖分類(lèi)號(hào):TB 文獻(xiàn)標(biāo)識(shí)碼:Adoi:10.19311/j.cnki.1672-3198.2018.24.095
1 引言
輸送帶作為現(xiàn)代化大生產(chǎn)的重要運(yùn)輸設(shè)備已經(jīng)廣泛應(yīng)用于我國(guó)的電力、化工、、港口、煤炭、礦山、冶金等領(lǐng)域。由于礦用輸送帶在使用過(guò)程中經(jīng)常出現(xiàn)縱向撕裂、斷帶等故障,從而造成設(shè)備損壞、材料損耗、人員傷亡、停產(chǎn)等事故嚴(yán)重制約了企業(yè)的安全生產(chǎn)。所以非常有必要對(duì)輸送帶縱撕圖像進(jìn)行檢測(cè)、識(shí)別出縱撕故障以保障輸送帶的運(yùn)行安全。對(duì)礦用輸送帶縱撕圖像的檢測(cè),目前除人工檢測(cè)外,研究者們還提出了激光發(fā)射器檢測(cè)、差影法檢測(cè)和面積法檢測(cè)等方法。目前應(yīng)用的基于機(jī)器視覺(jué)的縱撕故障檢測(cè)方法主要還是停留在實(shí)驗(yàn)室研究階段距離廣泛應(yīng)用還有好長(zhǎng)的一段路要走。由于各個(gè)企業(yè)的現(xiàn)場(chǎng)具體應(yīng)用條件千差萬(wàn)別,所以還沒(méi)有統(tǒng)一、可靠的縱撕檢測(cè)技術(shù)和方法,國(guó)內(nèi)外在這個(gè)領(lǐng)域的研究還處于探索研究階段。魏濤等人提出的檢測(cè)輸送帶裂紋的算法的數(shù)學(xué)形態(tài)學(xué)方法還處于試驗(yàn)研究階段,無(wú)法廣泛地應(yīng)用現(xiàn)場(chǎng)實(shí)際。
2 輸送帶圖像分割
通常我們把具有相同性質(zhì)的區(qū)域和有意義的部分從圖像中提取出來(lái)稱(chēng)為圖像分割。這種方法通常是作為高層計(jì)算機(jī)視覺(jué)處理例如圖像理解和圖像識(shí)別等活動(dòng)的基礎(chǔ)來(lái)應(yīng)用的。它具有以下特點(diǎn):(1)以明顯差異的性質(zhì)作為相鄰區(qū)域分割的依據(jù);(2)以相似性作為分割出來(lái)的各區(qū)域的某種特性(如灰度和紋理),必須保持內(nèi)部的連通性并且沒(méi)有過(guò)多的小孔作為區(qū)域的主要特征;(3)以明確的邊界作為區(qū)域劃分的標(biāo)準(zhǔn)。
作為計(jì)算機(jī)視覺(jué)、圖像分析、圖像理解研究的經(jīng)典難題圖像分割目前可以分為三大類(lèi)型:即閾值分割、區(qū)域分割、邊緣分割。邊緣分割首先探測(cè)局部不連續(xù)性,然后形成邊界;基于區(qū)域的分割將具有同類(lèi)屬性的區(qū)域連接起來(lái)形成邊界;而基于閾值的分割通過(guò)設(shè)置閾值來(lái)區(qū)分物體與背景。基于閾值的分割具有簡(jiǎn)單高效的特點(diǎn),由于不需要圖像的先驗(yàn)知識(shí)而適合應(yīng)用于模式識(shí)別的無(wú)監(jiān)督?jīng)Q策。目前盡管在國(guó)內(nèi)外有種類(lèi)繁多的圖像分割算法,可是迄今為止沒(méi)有一個(gè)統(tǒng)一有效、普遍適用的圖像分割算法。本論文采用的輸送帶圖像分割的方法是閾值圖像分割法。
針對(duì)輸送帶分割的方法有邊緣檢測(cè)、閾值分割、差影圖像分割法等。在現(xiàn)場(chǎng)實(shí)踐中通常的普遍的圖像分割是依據(jù)像素的灰度值來(lái)進(jìn)行的。針對(duì)輸送帶的跑偏和表面裂紋故障,我們提出了灰度平均法和先驗(yàn)閾值法用于輸送帶跑偏圖像的分割這兩種方法都是全局閾值法。還提出了列局部閾值法用于輸送帶縱向撕裂故障圖像的分割。
2.1 圖像閾值法分割技術(shù)分析
恰當(dāng)?shù)拈撝凳情撝捣ǚ指畹年P(guān)鍵。通常出現(xiàn)斑點(diǎn)、條紋、物體丟失等現(xiàn)象都是因?yàn)椴捎貌贿m當(dāng)?shù)拈撝翟斐傻?,?yán)重地影響對(duì)物體的識(shí)別。最常用的閾值分割方法是Otsu法,Otsu法具有實(shí)時(shí)性好、運(yùn)算速度快等優(yōu)點(diǎn),并且Otsu法是基于灰度直方圖的一階統(tǒng)計(jì)特性,在現(xiàn)場(chǎng)應(yīng)用非常廣泛。但是,對(duì)噪聲比較敏感是Otsu法的一大缺點(diǎn),在類(lèi)間方差為單峰的圖像的時(shí)候Otsu法才會(huì)有較好效果,而對(duì)灰度直方圖雙峰特性的要求,限制了Otsu法的應(yīng)用范圍。實(shí)際上,閾值的設(shè)置有很多方法,我們先介紹一下最新的閾值分割研究方向,再詳細(xì)分析基于直方圖的閾值分割方法及其研究進(jìn)展。
多級(jí)閾值是圖像分割的一個(gè)研究方向。比如利用遺傳算法和小波變換自動(dòng)計(jì)算閾值個(gè)數(shù)和值的多級(jí)閾值法。Yan等人提出了一種基于統(tǒng)計(jì)特性的多級(jí)自適應(yīng)閾值法。Sathya等人則提出了一個(gè)基于細(xì)菌覓食算法(bacterial foraging algorithm)的多級(jí)閾值法。
神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于圖像的分割也是圖像分割的一個(gè)研究方向。Bhattacharyya等人研究了基于神經(jīng)網(wǎng)絡(luò)的圖像分割技術(shù),分析了基于自監(jiān)督多層自組織神經(jīng)網(wǎng)絡(luò)、監(jiān)督金字塔神經(jīng)網(wǎng)絡(luò)和雙向自組織神經(jīng)網(wǎng)絡(luò)的多級(jí)圖像分割。Chen等人則提出了一種基于自適應(yīng)參數(shù)調(diào)整的簡(jiǎn)化型脈沖耦合神經(jīng)網(wǎng)絡(luò)(simplified pulse coupled neural network,SPCNN)閾值分割算法。
閾值分割的另外一個(gè)重要研究方向是模仿人類(lèi)視覺(jué)的功能來(lái)分隔圖像。比如,人類(lèi)及其他靈長(zhǎng)目動(dòng)物一個(gè)非常重要的內(nèi)在屬性是視覺(jué)注意機(jī)制,視覺(jué)注意機(jī)制的最主要的功能是當(dāng)人類(lèi)運(yùn)用視覺(jué)信息搜索時(shí)能夠在大量視覺(jué)信息中迅速地找到感興趣的或顯著的物體,同時(shí)能夠省略掉許多不重要的內(nèi)容,從而減少了信息處理的計(jì)算量。王兆虎等人提出了一種基于視覺(jué)特性的圖像分割方法。將數(shù)學(xué)上的部分和問(wèn)題與圖像分割相融合是閾值分割技術(shù)未來(lái)的一個(gè)研究方向。
有文獻(xiàn)曾提出了最佳閾值法,直接根據(jù)圖像的像素值進(jìn)行閾值分割。由于和我們直接根據(jù)圖像進(jìn)行分割的方法具有相同之處,這里詳細(xì)介紹一下該方法。在實(shí)踐中通常最理想的閾值計(jì)算過(guò)程為:首先初始閾值的確定方法是求出圖像中的最大和最小灰度值的平均值,再將圖像分割成背景和目標(biāo)兩部分,然后求出背景和目標(biāo)各自的灰度平均值,再將背景和目標(biāo)的灰度平均值的均值作為新閾值進(jìn)行圖像分割,繼續(xù)計(jì)算新的閾值來(lái)分割圖像直到閾值滿(mǎn)足要求。
另外,對(duì)圖像進(jìn)行閾值分割的研究還有:Kim等人提出了一種基于模糊聚類(lèi)的模糊閾值分割方法用于PET/CT圖像的實(shí)時(shí)處理;Zhang等人提出了一種利用小波變換和貝葉斯分類(lèi)方法來(lái)設(shè)置閾值的圖像分割方法;針對(duì)醫(yī)學(xué)的斷面X光投影圖像(tomograhpic projection data),曾提出了投影距離最小化方法來(lái)尋找圖像分割閾值。
2.2 灰度平均法
在輸送帶圖像中,輸送帶和背景在像素灰度值上存在明顯的差別,利用該差別可以將輸送帶和背景分開(kāi)。灰度平均法就是基于此認(rèn)識(shí)而提出的,其設(shè)計(jì)思想是根據(jù)一定的準(zhǔn)則將圖像平均灰度值調(diào)整到合適的位置來(lái)設(shè)置圖像分割的閾值。
為了驗(yàn)證灰度平均法的有效性,將灰度平均法與Otsu法、邊緣分割法進(jìn)行對(duì)比。圖像分割效果的兩個(gè)對(duì)比結(jié)果分別如圖1所示。通過(guò)對(duì)比圖1可以發(fā)現(xiàn),灰度平均法比邊緣分割法的分割效果好,雖然與Otsu法的分割效果相當(dāng),但計(jì)算量卻遠(yuǎn)小于Otsu法。由此可知,灰度平均法適合于輸送帶圖像分割的在線處理。
灰度平均法可以將輸送帶和背景分開(kāi),故該方法可以用于輸送帶跑偏圖像的分割。另外,灰度平均法適合圖像的實(shí)時(shí)處理,因此該方法可用于輸送帶圖像的在線處理。
2.3 先驗(yàn)閾值法
如果能夠事先確定待分割圖像中目標(biāo)和背景分布的大致區(qū)域,那么就可以采集目標(biāo)和背景各自所在區(qū)域的像素值,進(jìn)而利用采集的像素值來(lái)設(shè)置圖像分割閾值。由于該方法基于圖像的一些先驗(yàn)知識(shí),故命名為先驗(yàn)閾值法。
先驗(yàn)閾值法可以用于跑偏故障檢測(cè)的輸送帶圖像分割。通常情況下,在輸送帶圖像中,位于圖像中央的是輸送帶,而位于圖像兩個(gè)邊緣的是背景。針對(duì)輸送帶的跑偏故障,先驗(yàn)閾值法的閾值計(jì)算依據(jù)為:選取要提取像素值的圖像區(qū)域,設(shè)寬度為k列,計(jì)算圖像左右邊界附近k列像素平均值的最大值,再計(jì)算圖像中間區(qū)域k列像素平均值的最大值,最后根據(jù)這三個(gè)值來(lái)設(shè)置閾值。輸送帶和背景像素提取的示意圖如圖2所示。
對(duì)于輸送帶比背景暗的圖像,輸送帶就用“1”來(lái)表示,背景用“0”來(lái)表示,而對(duì)于背景比輸送帶暗的圖像只需對(duì)b(i,j)取反即可。
為了驗(yàn)證先驗(yàn)閾值法的有效性,用輸送帶視覺(jué)監(jiān)測(cè)系統(tǒng)測(cè)取的三幀輸送帶進(jìn)行測(cè)試,并與Otsu法、邊緣分割法進(jìn)行對(duì)比。原始圖像及分割對(duì)比結(jié)果如圖3所示。通過(guò)對(duì)比圖3可以發(fā)現(xiàn),先驗(yàn)閾值法比邊緣分割法的分割效果好,雖然先驗(yàn)閾值法的分割結(jié)果與Otsu法的分割效果相當(dāng),但先驗(yàn)閾值法的計(jì)算量遠(yuǎn)小于Otsu法。由此可知,先驗(yàn)閾值法可以用于輸送帶跑偏故障檢測(cè)的圖像分割,而且該方法尤其適合于輸送帶圖像分割的在線處理。
對(duì)比圖3和圖2可知,灰度平均法和先驗(yàn)閾值法的分割結(jié)果相差很小。這兩種方法都可以用于輸送帶跑偏圖像分割。但是,先驗(yàn)閾值法的物理意義更明確,它更接近人類(lèi)視覺(jué)對(duì)圖像的分割。
2.4 列局部閾值法
灰度平均法和先驗(yàn)閾值法可以用于跑偏故障檢測(cè)的輸送帶圖像分割,直方圖閾值法可以用于裂紋圖像的分割,他們都是全局閾值法。很顯然,直方圖閾值法和灰度平均法也可以用于輸送帶縱向撕裂圖像的分割,但根據(jù)輸送帶縱向撕裂的特點(diǎn),可以用局部閾值來(lái)分割圖像。這里提出一種列局部閾值法用于輸送帶縱向撕裂圖像的分割。
列局部閾值法的設(shè)計(jì)思想是:計(jì)算圖像在高度方向上的平均變化趨勢(shì),然后根據(jù)一定的準(zhǔn)則調(diào)整平均變化趨勢(shì)到合適的位置來(lái)設(shè)置圖像分割的閾值。
式(13)表明列局部閾值法是通過(guò)將圖像灰度沿寬度方向的平均變化趨勢(shì)線調(diào)整到適當(dāng)?shù)奈恢脕?lái)設(shè)置背景與物體的分界線。而由式(16)可知,列局部閾值法是一種局部閾值方法,該方法計(jì)算的閾值可以根據(jù)輸送帶圖像的變化而自適應(yīng)的變化。
用一幅帶有裂紋的輸送帶圖像來(lái)測(cè)試列局部閾值分割算法,并將其與Otsu法、迭代法、邊緣分割法進(jìn)行對(duì)比。列局部閾值法的分割結(jié)果和其它三種方法的分割結(jié)果分別如圖4和圖5所示。通過(guò)對(duì)比圖4和圖5的分割結(jié)果可以發(fā)現(xiàn),列局部閾值法比邊緣分割法和Otsu法的分割效果更好,雖然與迭代法的分割效果相當(dāng),但計(jì)算量卻遠(yuǎn)小于迭代法。
3 結(jié)論
提取的縱撕特征信息:縱向長(zhǎng)度、橫向?qū)挾?,?jì)算長(zhǎng)寬比等特征參數(shù)判定礦用輸送帶縱撕圖像。礦用輸送帶縱撕圖像的縱向長(zhǎng)度、橫向?qū)挾瘸^(guò)一定的閾值,自動(dòng)識(shí)別判定發(fā)生了縱撕故障。圖像質(zhì)量識(shí)別度高,檢測(cè)準(zhǔn)確,有效解決了礦用輸送帶縱撕圖像檢測(cè)和縱撕故障識(shí)別的問(wèn)題。
參考文獻(xiàn)
[1]孟佳音,劉佳,梁雪冬.帶式輸送機(jī)輸送帶跑偏及其調(diào)心的探討[J].科技創(chuàng)新導(dǎo)報(bào),2012,(9):82.
[2]張文軍.基于X射線成像的輸送帶內(nèi)部鋼絲故障診斷系統(tǒng)[J].煤炭科學(xué)技術(shù),2010,38(9):68-72.
[3]高毓麟,程紅,趙書(shū)江.鋼絲繩芯輸送帶X射線無(wú)損檢測(cè)[J].煤礦機(jī)電,1996,(4):15-16.
[4]滕永青,李仰軍,周承仙.基于機(jī)器視覺(jué)和虛擬儀器技術(shù)的傳送帶檢測(cè)系統(tǒng)[J].煤礦機(jī)械,2008,29(4):125-127.
[5]祁雋燕,譚超,李浩.基于機(jī)器視覺(jué)的輸送帶縱撕智能檢測(cè)[J].煤礦機(jī)械,2006,27(11):110-111.
[6]祁雋燕,譚超,李浩.基于數(shù)字圖像處理的皮帶縱撕視覺(jué)識(shí)別[J].煤炭技術(shù),2006,25(11):15-17.
[7]魏濤,王召巴,金永.煤炭輸送帶表面裂紋自動(dòng)檢測(cè)技術(shù)研究[J].煤礦機(jī)械,2010,31(2):211-213.
[8]徐永峰,楊彥利,苗繼軍,張學(xué)忠,苗長(zhǎng)云.基于機(jī)器視覺(jué)的輸送帶在線監(jiān)測(cè)系統(tǒng)研究[J].煤礦機(jī)電,2013,(4):88-91.
[9]苗繼軍,楊彥利,張學(xué)忠,苗長(zhǎng)云.輸送帶表面圖像快速分割技術(shù)研究[J].煤炭工程,2014,(04).