CN102565077B - 基于机器视觉的输送带纵向撕裂自动检测方法 - Google Patents

Abstract

本发明公开了一种基于机器视觉的输送带纵向撕裂自动检测方法，属于设备状态监测领域。本发明根据形态学腐蚀处理前后图像灰度直方图函数的变化来设定二值化阈值，进而实现目标与背景的分离，通过设计宽度投影函数对输送带的纵向撕裂故障进行初步诊断，初步诊断出纵向撕裂故障后，再从二值图像中提取纵向撕裂特征信息，利用提取的纵向撕裂特征信息进一步来识别输送带的纵向撕裂故障。本发明的方法具有智能检测功能，适合于输送带纵向撕裂故障的在线检测，有助于机器视觉技术实时检测输送带的运行状态。

Description

基于机器视觉的输送带纵向撕裂自动检测方法

技术领域

本发明涉及一种输送带纵向撕裂检测方法，具体地涉及一种基于机器视觉的输送带纵向撕裂自动检测方法，属于设备状态监测领域。

背景技术

输送带广泛应用于港口码头、矿山、电力、化工、冶金等众多行业，是带式输送机的重要部件。纵向撕裂故障不仅会造成输送带的损坏，还容易引发生产事故，甚至会造成安全事故，是企业正常生产活动的潜在威胁。虽然在胶带内埋嵌导体的方法可以用来检测输送带的纵向撕裂故障，但该方法对工艺要求较高，处理不好会降低输送带的强度，而且对于输送带撕裂不够敏感。利用机器视觉技术可以及早发现输送带的潜在故障，进而可实现输送带运行状态的实时监测，及时制止故障的蔓延。但是，目前机器视觉技术应用于输送带的状态监测还处于实验室研究阶段，许多关键性问题还有待解决，其中，从输送带运行图像中检测输送带的纵向撕裂故障就是有待突破的关键技术。

发明内容

本发明的目的是为了解决机器视觉识别输送带纵向撕裂的技术问题，提供一种基于机器视觉的输送带纵向撕裂自动检测方法。

本发明的基于机器视觉的输送带纵向撕裂自动检测方法，具体包括如下步骤：

步骤1，对输送带数字图像f(i，j)，i＜M，j＜N进行降噪处理；

步骤2，在步骤1的基础上，对降噪后的输送带图像进行二值化处理，得到二值图像g(i，j)；

所述的图像二值化处理方法具体包括如下步骤：

(1)对步骤1降噪后的输送带图像进行灰度腐蚀处理；

(2)分别计算降噪后输送带图像的灰度直方图函数h₁(x)和腐蚀处理后输送带图像的灰度直方图函数h₂(x)；

(3)计算h(x)＝h₂(x)-h₁(x)；

(4)计算二值化阈值

其中β∈(0，1]为二值化阈值系数，L为图像的灰度级；

(5)根据步骤(4)计算得到的二值化阈值T，将降噪后的输送带图像进行二值化处理，得到输送带的二值图像，其表达式为

$g(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\≤T\\ 0,& \mathrm{others}\end{array}\right..$

步骤3，根据步骤2得到的二值图像，计算宽度投影函数w(j)；

所述的宽度投影函数w(j)的计算公式为：

步骤4，根据步骤3得到的宽度投影函数w(j)，初步诊断是否有纵向撕裂故障出现，如果初步判断为纵向撕裂故障，就执行步骤5，否则执行步骤7；

所述的纵向撕裂故障初步诊断，其诊断准则为：

若w(j)＞αN，1≤j≤N成立，其中α∈(0，1]，优先选择α∈[0.3，0.7]，那么就初步认定出现了纵向撕裂故障。

步骤5，根据步骤4初步诊断的结果，进一步从二值图像中提取纵向撕裂的特征信息；

所述的纵向撕裂特征信息包括：纵向长度l₁、横向宽度l₂、长宽比r＝l₁/l₂。

步骤6，根据步骤5提取的纵向撕裂特征信息进行纵向撕裂故障识别；

所述的纵向撕裂识别，其识别准则为：纵向长度l₁＞αM，a∈[0.2，0.8]、横向宽度l₂＞bM，b∈[0.01，0.1]、长宽比r＞2。

步骤7，报告故障检测结果。

有益效果

本发明的方法能够从输送带图像中自动检测输送带的纵向撕裂故障，可以代替人工来监测输送带的运行状态，具有智能检测的功能。本发明的输送带纵向撕裂检测方法具有自适应性，能够适应光照条件的变化。另外，本发明的纵向撕裂识别方法简单，适合于输送带纵向撕裂故障的在线检测，有助于机器视觉技术在线检测输送带的运行状态。

附图说明

图1为本发明的基于机器视觉的输送带纵向撕裂自动检测方法流程图；

图2为本发明的输送带图像二值化方法的流程图；

具体实施方式

为了更好的说明本发明的目的和优点，下面结合附图对本发明作进一步的详细说明。

一种基于机器视觉的输送带纵向撕裂自动检测方法，其总体技术方案如图1所示，具体包括如下步骤：

步骤1，对输送带数字图像f(i，j)，i＜M，j＜N进行降噪处理；

所述的降噪处理可以是几何处理、图像滤波、图像平滑和图像锐化的一种或多种方法组合使用。

步骤2，在步骤1的基础上，对降噪后的输送带图像进行二值化处理，得到二值图像g(i，j)；

所述的图像二值化处理方法如图2所示，具体包括如下步骤：

(1)对步骤1降噪后的输送带图像进行灰度腐蚀处理；

(2)分别计算降噪后输送带图像的灰度直方图函数h₁(x)和腐蚀处理后输送带图像的灰度直方图函数h₂(x)；

(3)计算h(x)＝h₂(x)-h₁(x)；

(4)计算二值化阈值

其中β∈(0，1]为二值化阈值系数，L为图像的灰度级；

(5)根据步骤(4)计算得到的二值化阈值T，将降噪后的输送带图像进行二值化处理，得到输送带的二值图像，其表达式为

$g(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\≤T\\ 0,& \mathrm{others}\end{array}\right..$

步骤3，根据步骤2得到的二值图像，计算宽度投影函数w(j)；

所述的宽度投影函数w(j)的计算公式为：

步骤4，根据步骤3得到的宽度投影函数w(j)，初步诊断是否有纵向撕裂故障出现，如果初步判断为纵向撕裂故障，就执行步骤5，否则执行步骤7；

所述的纵向撕裂故障初步诊断，其诊断准则为：

若w(j)＞αN，1≤j≤N成立，其中α∈(0，1]，优先选择α∈[0.3，0.7]，那么就初步认定出现了纵向撕裂故障。

步骤5，根据步骤4初步诊断的结果，进一步从二值图像中提取纵向撕裂的特征信息；

所述的纵向撕裂特征信息包括：纵向长度l₁、横向宽度l₂、长宽比r＝l₁/l₂。

步骤6，根据步骤5提取的纵向撕裂特征信息进行纵向撕裂故障识别；

所述的纵向撕裂识别，其识别准则为：纵向长度l₁＞aM，a∈[0.2，0.8]、横向宽度l₂＞bM，b∈[0.01，0.1]、长宽比r＞2。

步骤7，报告故障检测结果。

以上所述的具体描述，是对发明的目的、技术方案和有益效果进行的进一步详细说明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于机器视觉的输送带纵向撕裂自动检测方法，其特征在于：该方法包括如下步骤：

步骤1，对输送带数字图像f(i，j)，i＜M，j＜N进行降噪处理；

步骤2，在步骤1的基础上，对降噪后的输送带图像进行二值化处理，得到二值图像g(i，j)；

步骤3，根据步骤2得到的二值图像，计算宽度投影函数

步骤4，根据步骤3得到的宽度投影函数w(j)，初步诊断是否有纵向撕裂故障出现，若w(j)＞αN，1≤j≤N成立，其中α∈[0.3，0.7]，那么就初步认定出现了纵向撕裂故障，如果初步判断为纵向撕裂故障，就执行步骤5，否则执行步骤7；

步骤5，根据步骤4的初步诊断结果，进一步从二值图像中提取纵向撕裂的特征信息；

步骤6，根据步骤5提取的纵向撕裂特征信息进行纵向撕裂故障识别；

步骤7，报告故障检测结果。

2.根据权利要求1所述的基于机器视觉的输送带纵向撕裂自动检测方法，其特征在于，所述的步骤1中，降噪处理是几何处理、图像滤波、图像平滑和图像锐化的一种或多种方法组合使用。

3.根据权利要求1所述的基于机器视觉的输送带纵向撕裂自动检测方法，其特征在于，所述的步骤2中，图像二值化处理方法具体包括如下步骤：

(1)对步骤1降噪后的输送带图像进行灰度腐蚀处理；

(2)分别计算降噪后输送带图像的灰度直方图函数h₁(x)和腐蚀处理后输送带图像的灰度直方图函数h₂(x)；

(3)计算h(x)＝h₂(x)-h₁(x)；

(4)计算二值化阈值

其中β∈(0，1]为二值化阈值系数，L为图像的灰度级；

(5)根据步骤(4)计算得到的二值化阈值T，将降噪后的输送带图像进行二值化处理，得到输送带的二值图像，其表达式为

$g(i,j)=\left\{\begin{array}{cc}1,& f(i,j)\≤T\\ 0,& \mathrm{others}\end{array}\right..$

4.根据权利要求1所述的基于机器视觉的输送带纵向撕裂自动检测方法，其特征在于，所述的步骤5中，纵向撕裂特征信息包括：纵向长度l₁、横向宽度l₂、长宽比r＝l₁/l₂。

5.根据权利要求1所述的基于机器视觉的输送带纵向撕裂自动检测方法，其特征在于，所述的步骤6中，纵向撕裂识别的准则为：纵向长度l₁＞aM，a∈[0.2，0.8]、横向宽度l₂＞bM，b∈[0.01，0.1]、长宽比r＞2。

Images