皮帶撕裂的視覺檢測*

程 月，尚學(xué)文，王福平，王福斌

(1.唐山勞動(dòng)技師學(xué)院 電氣工程系，河北 唐山 063300；2.唐山昆達(dá)科技有限公司，河北 唐山 063020；3.大慶油田鉆探集團(tuán) 鉆井三公司，黑龍江 大慶 163412；4.華北理工大學(xué) 電氣工程學(xué)院，河北 唐山 063009)

0 引言

皮帶輸送設(shè)備在冶金、煤炭、礦山、水泥等行業(yè)的物料運(yùn)輸中起著重要的作用，隨著企業(yè)生產(chǎn)規(guī)模的擴(kuò)大，大量的物料需借助于皮帶輸送自動(dòng)完成。在皮帶的高速物料輸送過程中，若不能及時(shí)發(fā)現(xiàn)皮帶撕裂事故，將會(huì)造成皮帶的大面積撕裂及物料的散落，甚至造成整條皮帶的報(bào)廢，給企業(yè)帶來巨大的經(jīng)濟(jì)損失。

針對(duì)皮帶撕裂監(jiān)控難題，國內(nèi)外許多研究機(jī)構(gòu)都在探索解決方案。王瑞義等[1]早在1992年就對(duì)國外20世紀(jì)80年代輸送皮帶撕裂檢測進(jìn)行了總結(jié)：皮帶撕裂檢測從接觸式向非接觸式發(fā)展，并將超聲波掃描技術(shù)應(yīng)用于皮帶撕裂的檢測。Ceracki P等[2]提出的熱軋帶鋼表面檢測方法，對(duì)皮帶表面劃痕檢測具有借鑒意義。張遠(yuǎn)等[3]采用干簧管檢測皮帶撕裂，但結(jié)構(gòu)較為復(fù)雜。燕山大學(xué)的張春明[4]提出了基于線激光輔助的皮帶撕裂視覺檢測及保護(hù)方法，通過對(duì)檢測圖像中激光條紋中心的提取和分析來判斷皮帶表面是否存在撕裂，撕裂檢測雖然取得了較好的效果，但激光條紋對(duì)皮帶劃痕的檢測效果不很理想。

為實(shí)現(xiàn)皮帶裂紋檢測的自動(dòng)化、智能化，本文設(shè)計(jì)并實(shí)現(xiàn)了基于智能相機(jī)的皮帶撕裂檢測系統(tǒng)，可對(duì)冶金、礦山、水泥、陶瓷等諸多行業(yè)的皮帶輸送進(jìn)行安全監(jiān)測。

1 皮帶撕裂視覺監(jiān)控系統(tǒng)原理

圖1為皮帶撕裂監(jiān)控系統(tǒng)原理框圖，由工業(yè)智能相機(jī)、LED照明光源、光源控制器、繼電器控制模塊及上位機(jī)等組成。

圖1 皮帶撕裂監(jiān)控系統(tǒng)原理框圖

為獲得高質(zhì)量的皮帶工作面圖像，應(yīng)使用專用照明光源對(duì)皮帶工作面進(jìn)行照明[5]，使得相機(jī)視場范圍內(nèi)光線均勻。智能相機(jī)采集到皮帶圖像后，經(jīng)圖像處理、特征提取及BP網(wǎng)絡(luò)判斷，對(duì)皮帶的表面狀況進(jìn)行識(shí)別。當(dāng)發(fā)現(xiàn)有疑似裂紋時(shí)及時(shí)發(fā)出警報(bào)，提醒工作人員做進(jìn)一步確認(rèn)處理；當(dāng)發(fā)現(xiàn)有皮帶撕裂現(xiàn)象時(shí)，報(bào)警的同時(shí)應(yīng)切斷皮帶輸送機(jī)工作電源，避免事故的進(jìn)一步擴(kuò)大。

皮帶監(jiān)控裝置的輸出信號(hào)通過轉(zhuǎn)換電路將TTL電平轉(zhuǎn)換為繼電器輸出信號(hào)，分別驅(qū)動(dòng)報(bào)警、停機(jī)等不同功能部件，實(shí)現(xiàn)皮帶輸送監(jiān)控功能。皮帶監(jiān)控裝置的主要功能部件有：

(1) 智能工業(yè)相機(jī)。視覺監(jiān)控相機(jī)選用德國Vision Components公司的VC4038工業(yè)智能相機(jī)。該相機(jī)將圖像采集、處理、I/O控制及通信功能集于一體，處理速度達(dá)400 MHz，相機(jī)分辨率為(640×480)像素，幀率為63幀/秒。通過數(shù)據(jù)I/O可與PLC等外部設(shè)備直連，便于控制功能的實(shí)現(xiàn)。

(2) 光源及光源控制器。光源選用VL600D-W型號(hào)LED長條形光源2個(gè)，每個(gè)光源長度為316 mm，可覆蓋相機(jī)視場范圍，提高圖像采集質(zhì)量。光源控制器選用VP-24型，為雙通道控制器獨(dú)立控制，對(duì)光源亮度可進(jìn)行精確的調(diào)節(jié)。為了擴(kuò)大照明范圍，兩個(gè)條形光源以10°的傾斜角向外布置，可保證在相機(jī)視場范圍內(nèi)得到有效的照明。

皮帶監(jiān)控裝置的安裝及其光源布置[6-7]如圖2所示。

圖2 皮帶監(jiān)控裝置的安裝及其光源布置

皮帶監(jiān)控系統(tǒng)的關(guān)鍵是皮帶裂紋圖像的分割及識(shí)別，皮帶裂紋圖像的處理及識(shí)別過程如圖3所示。由于皮帶輸送機(jī)在運(yùn)行過程中存在一定的振動(dòng)現(xiàn)象，且工作介質(zhì)存在粉塵干擾，導(dǎo)致相機(jī)采集到的圖像呈現(xiàn)一定程度的模糊退化，所以在進(jìn)行圖像分割及特征提取前要進(jìn)行圖像復(fù)原處理。

2 改進(jìn)的Canny皮帶裂紋邊緣檢測

圖像局部灰度變化最顯著的部分構(gòu)成了圖像的邊緣。在皮帶撕裂監(jiān)控系統(tǒng)中，邊緣是皮帶裂紋圖像最主要的特征之一，為了快速、可靠地識(shí)別皮帶裂紋，采用Canny邊緣檢測方法[8]，并對(duì)檢測到的邊緣進(jìn)行四周擴(kuò)展改進(jìn)，在檢測到的邊緣基礎(chǔ)上，增加一個(gè)裂紋權(quán)重值，使得邊緣向外擴(kuò)張，以便獲得更加魯棒的邊緣檢測效果。

Canny邊緣檢測算子采用原始圖像f(x,y)與平滑濾波脈沖響應(yīng)的一階微分h(x,y)進(jìn)行卷積運(yùn)算，得到平滑后的圖像g(x,y)=f(x,y)?h(x,y)，然后再對(duì)此圖像進(jìn)行梯度計(jì)算[9]：

(1)

根據(jù)卷積運(yùn)算得：

(2)

圖3 皮帶裂紋圖像的處理及識(shí)別過程

為解決圖像由于平滑后變得模糊而導(dǎo)致邊緣變寬問題，首先用非極大點(diǎn)抑制方法限制梯度幅值[10]，再用雙閾值算法剔除假邊緣，并把斷續(xù)的邊緣連接成輪廓，得到目標(biāo)的輪廓邊緣后，在邊緣基礎(chǔ)上增加一個(gè)δ值，使得整個(gè)被提取的邊界向外擴(kuò)張，在視場范圍內(nèi)將目標(biāo)進(jìn)行人為放大，以增強(qiáng)檢測的可靠性。

圖4為采用改進(jìn)的Canny邊緣檢測算子檢測皮帶撕裂的結(jié)果。圖4(a)中，連續(xù)4幀圖像的不規(guī)則外邊緣為(640×480)像素視場范圍內(nèi)的皮帶檢測輪廓提取結(jié)果，方框內(nèi)為監(jiān)控程序設(shè)定的感興趣區(qū)域(ROI)；圖4(b)中，連續(xù)4幀圖像的虛線框?yàn)樵赗OI區(qū)域內(nèi)識(shí)別出的皮帶裂紋的最小外接矩形；圖4(c)為裂紋貫穿整幀圖像時(shí)對(duì)裂紋的識(shí)別結(jié)果。

圖4 皮帶裂紋邊緣提取結(jié)果

3 皮帶裂紋的改進(jìn)BP網(wǎng)絡(luò)識(shí)別

神經(jīng)網(wǎng)絡(luò)所具有的并行信息處理、自學(xué)習(xí)及聯(lián)想記憶能力使得神經(jīng)網(wǎng)絡(luò)很適合于模式的分類應(yīng)用，三層BP網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，隱層使用S形傳輸函數(shù)f1，輸出層使用線性傳輸函數(shù)f2。

圖5中，網(wǎng)絡(luò)的輸入層到隱層的連接權(quán)值矩陣和閾值矩陣分別為W1、θ1，隱層到輸出層的連接權(quán)值矩陣和閾值矩陣分別為V2、b2，Pk為對(duì)應(yīng)于網(wǎng)絡(luò)輸入層神經(jīng)單元的R維特征輸入向量，yk為對(duì)應(yīng)于輸出層神經(jīng)單元的輸出向量，a1為隱層輸出向量[11]。

圖5 三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

為提高BP網(wǎng)絡(luò)的收斂速度并避免網(wǎng)絡(luò)陷入局部極小，對(duì)標(biāo)準(zhǔn)的BP算法進(jìn)行了算法修改，在更新網(wǎng)絡(luò)的權(quán)值及閾值過程中引入了附加動(dòng)量項(xiàng)[12]。

在對(duì)皮帶運(yùn)行過程進(jìn)行監(jiān)控時(shí)，對(duì)皮帶圖像特征進(jìn)行提取及計(jì)算，并將特征值作為BP神經(jīng)網(wǎng)絡(luò)的特征輸入量，實(shí)時(shí)預(yù)報(bào)皮帶狀態(tài)的監(jiān)控結(jié)果。當(dāng)皮帶有撕裂現(xiàn)象發(fā)生時(shí)，根據(jù)決策規(guī)則及時(shí)輸出相應(yīng)的控制信號(hào)，對(duì)皮帶輸送機(jī)進(jìn)行報(bào)警或停機(jī)等控制。

將皮帶裂紋圖像的面積作為輸入量，并歸一化處理，以對(duì)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練及測試。將訓(xùn)練收斂的網(wǎng)絡(luò)作為識(shí)別、分類器，依據(jù)實(shí)時(shí)采集的皮帶圖像的裂紋面積幾何特征對(duì)裂紋目標(biāo)進(jìn)行識(shí)別。

提取的皮帶裂紋圖像面積幾何量的歸一化表達(dá)式為：

(3)

其中：s0為ROI區(qū)域內(nèi)無裂紋出現(xiàn)時(shí)的圖像像素面積；s1為提取的裂紋圖像像素面積。

當(dāng)面積s大于或等于ε(ε為設(shè)定域值)，且連續(xù)3幀圖像中有2次出現(xiàn)面積大于ε的情況時(shí)，認(rèn)為發(fā)生撕裂現(xiàn)象，BP網(wǎng)絡(luò)的預(yù)報(bào)輸出有效，并啟動(dòng)報(bào)警或停機(jī)控制命令。

在ROI有效區(qū)域面積內(nèi)隨機(jī)提取的8幀裂紋目標(biāo)圖像如圖6所示。當(dāng)皮帶出現(xiàn)裂紋并進(jìn)入ROI監(jiān)控區(qū)域后，系統(tǒng)對(duì)采集到的每幀裂紋圖像進(jìn)行邊緣提取，并對(duì)裂紋邊緣內(nèi)部像素進(jìn)行計(jì)數(shù)，形成裂紋像素面積幾何特征量。

圖6 ROI區(qū)域內(nèi)的裂紋目標(biāo)圖像

為了進(jìn)一步提高皮帶裂紋識(shí)別的可靠性，將裂紋圖像的長寬比參數(shù)作為輔助判斷條件，每幀圖像裂紋的長寬比與貫穿裂紋的最大長寬比相除作為歸一化值。以第100幀圖像為例，裂紋圖像長寬比幾何特征提取如圖7所示。

圖7 第100幀皮帶圖像的長寬比特征提取結(jié)果

表1為BP網(wǎng)絡(luò)部分樣本訓(xùn)練結(jié)果，樣本分別選取無裂紋、部分裂紋及貫通裂紋三種情況，其中，第53幀～55幀圖像為無裂紋圖像，第99幀～101幀圖像為剛剛產(chǎn)生裂紋圖像，第139幀～141幀圖像為裂紋貫穿ROI區(qū)域圖像。通過對(duì)每幀圖像進(jìn)行面積及長寬比特征參數(shù)提取，構(gòu)成BP網(wǎng)絡(luò)的訓(xùn)練樣本?？紤]到在圖像分割過程中若出現(xiàn)斑點(diǎn)干擾情況，可能會(huì)將斑點(diǎn)誤分割為裂紋，此時(shí)斑點(diǎn)圖像像素面積s接近于0，而長寬比卻可能較大。因此，在構(gòu)建訓(xùn)練樣本時(shí)，為提高網(wǎng)絡(luò)的可靠性、適應(yīng)性，對(duì)無裂紋時(shí)圖像樣本的長寬比特征量取0～1之間的隨機(jī)數(shù)[13]。

表1 部分皮帶圖像幾何特征量樣本訓(xùn)練結(jié)果

將訓(xùn)練樣本數(shù)據(jù)作為BP網(wǎng)絡(luò)輸入特征量對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，達(dá)到設(shè)定的誤差閾值時(shí)網(wǎng)絡(luò)收斂。構(gòu)建的BP網(wǎng)絡(luò)均方誤差收斂曲線如圖8所示。由圖8可見，網(wǎng)絡(luò)可以較快地收斂到期望的誤差。

圖8 BP網(wǎng)絡(luò)均方誤差收斂曲線

為驗(yàn)證訓(xùn)練后的網(wǎng)絡(luò)識(shí)別能力，選取第55幀、102幀 、142幀圖像作為測試樣本，對(duì)網(wǎng)絡(luò)的裂紋識(shí)別能力進(jìn)行測試，測試輸出結(jié)果如表2所示。從測試結(jié)果看出：對(duì)于不同類型的裂紋圖像樣本，網(wǎng)絡(luò)均輸出正確的識(shí)別結(jié)果，表明訓(xùn)練后的改進(jìn)BP網(wǎng)絡(luò)具備皮帶裂紋識(shí)別能力。

表2 網(wǎng)絡(luò)識(shí)別能力測試結(jié)果

4 結(jié)語

本文提出的皮帶撕裂監(jiān)控系統(tǒng)在首鋼某礦山的皮帶輸送機(jī)上安裝，經(jīng)現(xiàn)場實(shí)際使用表明：皮帶撕裂檢測系統(tǒng)對(duì)皮帶劃痕、皮帶裂紋等故障識(shí)別準(zhǔn)確。

為進(jìn)一步提高本文的皮帶裂紋視覺識(shí)別能力，下一步將對(duì)系統(tǒng)在粉塵干擾環(huán)境下的工作可靠性進(jìn)行研究。

參考文獻(xiàn)：

[1] 王瑞義,韓菊娣.膠帶縱向撕裂保護(hù)裝置[J].工礦自動(dòng)化,1992(3):42-45.

[2] Ceracki P,Reizig H J,Rudolphi U,et al.On-line inspection of hot rolled strip[J].MPT Int,2010,23(4): 66-68.

[3] 張遠(yuǎn),高建民,王龍,等.采用干簧管檢測的皮帶撕裂監(jiān)測裝置:中圖,CN204453669U[P].2015-02-12.

[4] 張春明.基于線激光輔助的皮帶撕裂視覺檢測技術(shù)研究[D].秦皇島：燕山大學(xué),2012:36-53.

[5] 張利平,張紅英,吳斌.改進(jìn)的基于空間特征的劃痕檢測[J].計(jì)算機(jī)工程,2010,36(22):190-191.

[6] Li Wei,Wang Zewen,Zhu Zhencai,et al.Design of online monitoring and fault diagnosis system for belt conveyors based on wavelet packet decomposition and support vector machine[J].Advances in Mechanical Engineering,2013(5):1-10.

[7] Li Ming,Du Bianjing,Zhu Meiqiang,et al.Intelligent detection system for mine belt tearing based on machine vision[C]//2011 Chinese Control and Decision Conference (CCDC).[s.l.]:[s.n.],2011:1250-1253.

[8] Shrivakshan G T,Chandraseka C.A comparison of various edge detection techniques used in image processing[J].International Journal of Computer Science Issues,2012,9(1):269-276.

[9] Chen Yong,Xu Min,Liu Huan-lin,et al.An improved image mosaic based on Canny edge and an 18-dimensional descriptor[J].Optik,2014，125:4745-4750.

[10] Deng Caixia,Wang Guibin,Yang Xinrui.Image edge detection algorithm based on improved canny operator[C]//Proceedings of the 2013 Interational Conference on Wavelet Analysis and Pattern Recognition,Tianjin:[s.n.],2013:168-172.

[11] 牛世峰,黎莉.神經(jīng)網(wǎng)絡(luò)與貝葉斯濾波器在換道預(yù)測中的應(yīng)用[J].科學(xué)技術(shù)與工程,2016(14):212-216.

[12] 張龍,顧強(qiáng)康,張仁義,等.基于BP神經(jīng)網(wǎng)絡(luò)的鹽脹量的預(yù)測方法[J].科學(xué)技術(shù)與工程,2015(10):215-219.

[13] Jian leikong,Li Fan,Jin Haoliu,et al.New calibration method of two-dimensional laser scanner and camera based on LM-BP neural network[J].International Journal of Signal Processing,Image Processing and Pattern Recognition,2016,9(7):231-234.