CN105083916A - 输送带纵向撕裂故障在线检测方法 - Google Patents

Abstract

输送带纵向撕裂故障在线检测方法，属于无损检测领域。解决了输送带纵向撕裂故障的在线检测的问题，提高了检测的准确性和实时性。本发明采用灰度值形态学梯度和单尺度Retinex(SSR)算法的去雾增强算法对采集到的输送带图像进行去雾增强处理，提高了输送带图像的图像质量；采用灰度平均法的改进遗传算法的阈值分割算法获取输送带二值图像；采用一种输送带纵向撕裂故障预判、几何特征统计法和最小距离分类器相结合的输送带纵向撕裂图像特征提取与故障识别算法，提高纵向撕裂故障在线检测的准确性和实时性。在工业应用中具有良好的使用价值。

Description

输送带纵向撕裂故障在线检测方法

技术领域

本发明属于无损检测领域，具体涉及基于机器视觉的输送带无损检测中纵向撕裂故障的在线检测方法。

背景技术

带式输送机是一种现代化生产中连续运输设备，具有运量大、运距远、能耗小、运费低、效率高、运行平稳、装卸方便、适合于散料运输等优点，与汽车、火车一起成为三大主力工业运输工具，已广泛应用于煤炭、矿山、港口、电力、冶金、化工等领域。输送带是带式输送机的牵引和承载的关键部件^[1]。由于输送带使用环境复杂，因此在使用过程中经常产生故障，如果故障得不到及时检测和处理，断带或纵向撕裂等重大安全事故时有发生，造成停产、运输物料的损耗、设备的损坏和人员伤亡、巨大经济损失，严重影响安全生产。因此，在我国输送带运输系统设计时，安全规程要求对输送带进行实时检测^[2]。

输送带纵向撕裂的检测方法有通过压力、电磁等传感器检测输送带的物料泄露和钢丝绳或橡胶脱落等状态，判断纵向撕裂故障，其主要检测设备包括漏料检测装置、渔线式检测装置、测振式检测装置、金属线圈检测器、磁性橡胶检测器、压辊式检测器等，均存在准确性和可靠性差、易损坏等缺点^[3-8]。机器视觉技术是近年来发展起来的一种无损检测技术，已成为研究的热点。该技术是用计算机来模拟人的视觉功能，从客观事物的图像中提取信息，进行处理和分析，实现对其表面状况的检测和测量^[9-11]。利用该技术检测和测量不仅可以排除人的主观因素的影响，而且还能够对检测的性能指标进行定量描述，减小人为检测的劳动强度，提高了检测效率和精度。由于该技术具有对事物表面状况检测和测量的特性，因此能够用于对输送带纵向撕裂故障进行检测。本发明在机器视觉技术的基础上提出了一种输送带纵向撕裂故障在线检测的新方法。

参考文献：

[1]黄琳.带式输送机的输送带特性研究及选用[J].机电产品开发与创新，2014，27(6)：32-33，12.

[2]国家安全生产监督管理局，国家煤矿安全监察局.煤矿安全规程[M].北京：煤炭工业出版社，2011：201，328.

[3]刘学颖.基于虚拟仪器的输送带撕裂诊断系统的研究[D].秦皇岛：燕山大学，2011.

[4]张晞，顾歆，齐悦.胶带输送机胶带纵向撕裂连通域图像识别技术研究[J].煤炭工程，2009，(1)：104-107.

[5]徐如强，林福严，苗长青.基于载荷谱的输送带纵向撕裂监测方法探讨[J].煤炭科学技术，2009，37(8)：81-83，123.

[6]赵令令，吴景红，赵红梅，孟国营，滕文伟.新型带式输送机胶带纵向撕裂监测仪开发[J].煤炭工程，2010，(10)：105-107.

[7]陈义强，何继兰.带式输送机常见纵向撕裂的预防措施的探讨[J].煤炭工程，2008，(12)：86-88.

[8]刘广胜.强力带式输送机输送带纵向撕裂机理研究[J].矿山机械，2012，40(6)：56-59.

[9]PengK，SinghoseW，BhaumikP.UsingMachineVisionandHand-MotionControltoImproveCraneOperatorPerformance[J].IEEETransactionsonSystems，ManandCybernetics，PartA：SystemsandHumans，2012，42(6)：1496-1503.

[10]RosatiG，BoschettiG，BiondiA，etal.Real-timedefectdetectiononhighlyreflectivecurvedsurfaces[J].OpticsandLasersinEngineering，2009，47：379-384.

[11]张谦，裴海龙，史步海，赵运基.无纺布成品表面污渍机器视觉检测系统的设计[J].华南理工大学学报(自然科学版)，2012，40(3)：81-87.

发明内容

本发明的目的是提出一种输送带纵向撕裂故障在线检测方法，提高检测的速度和准确性。

本发明所采用的技术方案，具体包含如下步骤：

步骤1，通过CCD线阵摄像机采集并组成一幅二维输送带表面图像I(x，y)，通过千兆以太网传输给运行在远程计算机上的输送带纵向撕裂故障在线检测系统；

步骤2，取特征元素 $b_1=\left[\begin{array}{ccc}0& 1& 0\\ 0& 1& 0\\ 0& 1& 0\end{array}\right]b_2=\left[\begin{array}{ccc}0& 0& 0\\ 1& 1& 1\\ 0& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& 1& 0\\ 1& 0& 0\end{array}\right]b_4=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],$ 求图像I(x，y)的灰度值形态学梯度I_m(x，y)；

步骤3，采用灰度值形态学梯度和单尺度Retinex(SSR)算法的输送带图像去雾增强算法对采集到的输送带图像进行去雾增强处理，获取较高质量的输送带图像；

步骤4，对处理好的输送带图像进行纵向撕裂故障预判，采用纵向撕裂故障预判方法判断出疑似具有纵向撕裂故障的输送带图像；

步骤5，对疑似具有纵向撕裂故障的输送带图像进行阈值分割处理，采用灰度平均法的改进遗传算法的阈值分割算法对疑似具有纵向撕裂故障的输送带图像进行阈值分割，该方法通过编码、初始群体的生成、适应度函数、选择运算、交叉运算、变异和终止条件等步骤找出最佳阈值，然后根据最佳阈值分割输送带图像；

步骤6，采用几何特征统计法对分割后的图像进行特征提取，获得由区域面积Area，细长度SR和矩形度rectratio组成的特征向量vRip＝(Area，SR，rectratio)；

步骤7，采用纵向撕裂故障分类识别方法对特征向量vRip进行分类识别，确定是否发生了纵向撕裂故障，如果确定发生了纵向撕裂故障，则发出报警信号。

本发明的效果和益处是，实际应用表明，本发明可以提高输送带纵向撕裂故障在线检测的可靠性和实时性，有效解决了输送带纵向撕裂故障在线检测的漏判和误判问题，在工业应用中具有良好的使用价值。本发明技术有以下几个优势：

(1)本发明中的灰度值形态学梯度和SSR算法的输送带图像去雾增强算法实时性好，处理后的图像质量高，便于后续的故障检测。

(2)本发明采用纵向撕裂故障预判方法对经过处理后的高质量输送带图像进行纵向撕裂故障预判，这种方法算法复杂度低，计算量小的方法，这样可以将明显不具备纵向撕裂故障特征的图像排除掉，有效的提高了整个输送带故障检测的实时性。

(3)本发明采灰度平均法的改进遗传算法的阈值分割算法是一种算法复杂度低，计算量小的获取最佳阈值的方法。

(4)根据纵向撕裂故障特征的特点，本发明采用几何特征统计法，提取特征向量，有效的反映了纵向撕裂故障的特征。

(5)本发明采用纵向撕裂故障分类识别算法对提取到的特征向量进行分类识别，具有算法执行效率高，准确性高的特点。

附图说明

图1是本发明输送带纵向撕裂故障在线检测算法的流程图；

图2是未使用本发明方法处理的具有纵向撕裂特征的输送带图像；

图3是使用本发明中的灰度值形态学梯度和SSR算法的输送带图像去雾增强算法处理后的具有纵向撕裂特征的输送带图像；

图4是使用本发明中采用灰度平均法的改进遗传算法的阈值分割算法分割后的具有纵向撕裂特征的输送带图像。

具体实施方式

以下结合附图和实施例详细叙述本发明的具体实施。

本发明提出的方法的总体流程如附图1所示，在具体实施时一般分成3部分实现分别为输送带图像采集、输送带图像处理、输送带故障检测与报警。

输送带图像采集的实现：

运行在计算机端的输送带纵向撕裂故障在线检测系统需向线阵CCD摄像机发送采集参数和采集命令。线阵CCD摄像机根据接收到的参数和命令采集输送带图像数据，并整合成一幅二维图像通过千兆以太网发送给输送带纵向撕裂故障在线检测系统。实现步骤如下：

步骤1，输送带纵向撕裂故障在线检测系统建立与线阵CCD摄像机的连接；

步骤2，输送带纵向撕裂故障在线检测系统向线阵CCD摄像机发送行频、曝光时间、一幅图像包含的帧数等采集参数；

步骤3，如果参数设置成功，输送带纵向撕裂故障在线检测系统给线阵CCD摄像机发送开始采集命令；

步骤4，线阵CCD摄像机开始采集图像数据并将采集到的数据组合成一幅图像传送给输送带纵向撕裂故障在线检测系统。

附图2为线阵CCD摄像机发送给输送带纵向撕裂故障在线检测系统的具有纵向撕裂特征的输送带图像。

输送带图像处理的实现：

输送带图像处理包括灰度值形态学梯度和SSR算法的输送带图像去雾增强算法和灰度平均法的改进遗传算法的阈值分割算法。这两种算法均在输送带纵向撕裂故障在线检测系统中实现。

灰度值形态学梯度和SSR算法的输送带图像去雾增强算法实现步骤如下：

步骤1，取特征元素 $b_1=\left[\begin{array}{ccc}0& 1& 0\\ 0& 1& 0\\ 0& 1& 0\end{array}\right]b_2=\left[\begin{array}{ccc}0& 0& 0\\ 1& 1& 1\\ 0& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& 1& 0\\ 1& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],$ 计算输送带表面图像I(x，y)的灰度值形态学梯度I_m(x，y)；

步骤2，将I(x，y)分为边缘区域I_e(x，y)和非边缘区域I_f(x，y)；

步骤3，建立高斯滤波函数G(x，y)，利用I_e(x，y)＝I(x，y)·I_m(x，y)、I_f(x，y)＝I(x，y)-I_e(x，y)和估计亮度分量L(x，y)；

步骤4，根据式log(R(x，y))＝log(I(x，y))-log(L(x，y))计算反射分量图像的初始值；

步骤5，求反射分量图像初始值的最大值和最小值；

步骤6，对反射分量图像进行分段线性灰度校正，得到处理后的输送带图像。

附图3为附图2通过灰度值形态学梯度和SSR算法的输送带图像去雾增强算法处理后的输送带图像。

灰度平均法的改进遗传算法的阈值分割算法的实现步骤如下：

步骤1，编码：采用二进制编码方式，输送带图像的灰度值范围为0～255，因此采用16位二进制数据表示阈值编码；

步骤2，初始群体的生成：通常需要设置进化代数和最大进化代数，然后随机产生M个个体作为初始群体，遗传算法以这个初始群体作为初始点开始迭代。M的大小影响遗传算法的执行效率和结果，M太小，意味着搜索空间有限，不利于求取最优解，M太大，则增加了计算的复杂度；

步骤3，适应度函数：也叫评价函数，用来判断群体中的解的优劣程度，适应度函数用来对解进行适应度评价，本发明中的适应度函数采用灰度平均法中的阈值计算函数；

步骤4，选择运算：从群体中选择优胜的解，淘汰劣质解的操作就叫选择，选择的目的是把优化的解直接遗传到下一代或通过配对交叉产生新的解再遗传到下一代，本发明中采取根据当前解的代数，选择上一代中优化解遗传到下一代的方法，代数越大，则遗传的解的个数越少，方便加快收敛；

步骤5，交叉：遗传算法中起核心作用的是遗传操作的交叉算子，交叉算子就是将两个父代解的部分结构替换重新生成新解的操作，通过交叉，遗传算法的搜索能力也会快速提高，本发明中采用双点交叉算子，两个交叉点分别位于16位二进制数的前8位和后8位，交叉概率初始设置为P_cr＝0.7，后期根据进化的进程进行自适应修改；

步骤6，变异：首先在群体中随机选择一个解，对选中的解以变异概率随机的改变解中二进制数据串的值，设置变异初始概率P_mr＝0.1，后期根据进化的进程进行自适应修改；

步骤7，终止条件：当进化过程中，得到了具有最大适应度的最优解，则终止计算。

附图4是对附图3进行灰度平均法的改进遗传算法的阈值分割算法处理后的图像。

输送带故障检测与报警的实现：

输送带故障检测包括纵向撕裂故障预判方法和纵向撕裂故障分类识别方法。纵向撕裂故障预判方法是在采集到的输送带图像经过灰度值形态学梯度和SSR算法的输送带图像去雾增强算法处理后图像的基础上进行的，实现步骤如下：

步骤1，f(x，y)是M×N的图像，通过式求的f(x，y)的列均值向量ColumnArv(j)；

步骤2，计算ColumnArv(j)的均值μ和方差σ²；

步骤3，将ColumnArv(j)，μ和σ²代入式求取相关值C，根据相关值C的大小就可判断出疑似具有纵向撕裂故障的输送带图像。

纵向撕裂故障分类识别方法在检测之前需要定义一种原型特征向量代表输送带图像的每个类别，识别时待检测图像的特征向量按照预先定义的相似性度量与其距离最近的类别，就是该检测图像所属的类别。原型特征向量是在先检测之前通过采集大量的样本值训练得到的，因此不会影响在线检测的实时性，训练样本种类越多，数量越大越有利于输送带故障检测的准确性。实现步骤如下：

步骤1，对阈值分割处理后的输送带图像进行几何特征统计得到特征向量；

步骤2，计算特征向量与各类输送带图像原型特征向量的距离；

步骤3，找出待识别图像特征向量和原型特征向量距离最小的那一类输送带图像的类别就是待识别图像的类别；

步骤4，如果待识别图像数据具有纵向撕裂故障的输送带图像类，则应发出报警信号。

实际应用表明，本发明可以快速、准确的识别输送带纵向撕裂故障，并能及时发出报警信号，提高了输送带纵向撕裂故障在线检测的准确性和实时性，在工业应用中具有良好的使用价值。

Claims (5)

1.输送带纵向撕裂故障在线检测方法，其技术特征为，该检测方法的实现步骤：

步骤1，通过CCD线阵摄像机采集并组成一幅二维输送带表面图像I(x，y)，通过千兆以太网传输给运行在远程计算机上的输送带纵向撕裂故障在线检测系统；

步骤2，取特征元素 $b_1=\left[\begin{array}{ccc}0& 1& 0\\ 0& 1& 0\\ 0& 1& 0\end{array}\right]b_2=\left[\begin{array}{ccc}0& 0& 0\\ 1& 1& 1\\ 0& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& 1& 0\\ 1& 0& 0\end{array}\right]b_4=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],$ 求图像I(x，y)的灰度值形态学梯度I_m(x，y)；

步骤3，采用灰度值形态学梯度和单尺度Retinex(SSR)算法的输送带图像去雾增强算法对采集到的输送带图像进行去雾增强处理，获取较高质量的输送带图像；

步骤4，对处理好的输送带图像进行纵向撕裂故障预判，采用纵向撕裂故障预判方法判断出疑似具有纵向撕裂故障的输送带图像；

步骤5，对疑似具有纵向撕裂故障的输送带图像进行阈值分割处理，采用灰度平均法的改进遗传算法的阈值分割算法对疑似具有纵向撕裂故障的输送带图像进行阈值分割，该方法通过编码、初始群体的生成、适应度函数、选择运算、交叉运算、变异和终止条件等步骤找出最佳阈值，然后根据最佳阈值分割输送带图像；

步骤6，采用几何特征统计法对分割后的图像进行特征提取，获得由区域面积Area，细长度SR和矩形度rectratio组成的特征向量vRip＝(Area，SR，rectratio)；

步骤7，采用纵向撕裂故障分类识别方法对特征向量vRip进行分类识别，确定是否发生了纵向撕裂故障，如果确定发生了纵向撕裂故障，则发出报警信号。

2.权利要求1中步骤2所述的灰度值形态学梯度和SSR算法的输送带图像去雾增强算法，其技术特征为该算法的实现步骤：

步骤1，取特征元素 $b_1=\left[\begin{array}{ccc}0& 1& 0\\ 0& 1& 0\\ 0& 1& 0\end{array}\right]b_2=\left[\begin{array}{ccc}0& 0& 0\\ 1& 1& 1\\ 0& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}0& 0& 1\\ 0& 1& 0\\ 1& 0& 0\end{array}\right]b_3=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 1\end{array}\right],$ 计算输送带表面图像I(x，y)的灰度值形态学梯度I_m(x，y)；

步骤2，将I(x，y)分为边缘区域I_e(x，y)和非边缘区域I_f(x，y)；

步骤3，建立高斯滤波函数G(x，y)，利用I_e(x，y)＝I(x，y)·I_m(x，y)、I_f(x，y)＝I(x，y)-I_e(x，y)和 $L(x,y)=I_e(x,y)+I_f(x,y)\⊗G(x,y)$ 估计亮度分量L(x，y)；

步骤4，根据式log(R(x，y))＝log(I(x，y))-log(L(x，y))计算反射分量图像的初始值；

步骤5，求反射分量图像初始值的最大值和最小值；

步骤6，对反射分量图像进行分段线性灰度校正，得到处理后的输送带图像。

3.权利要求1步骤3所述的灰度平均法的改进遗传算法的阈值分割算法，其技术特征为该算法实现步骤：

步骤1，编码：采用二进制编码方式，输送带图像的灰度值范围为0～255，因此采用16位二进制数据表示阈值编码；

步骤2，初始群体的生成：通常需要设置进化代数和最大进化代数，然后随机产生M个个体作为初始群体，遗传算法以这个初始群体作为初始点开始迭代，M的大小影响遗传算法的执行效率和结果，M太小，意味着搜索空间有限，不利于求取最优解，M太大，则增加了计算的复杂度；

步骤3，适应度函数：也叫评价函数，用来判断群体中的解的优劣程度，适应度函数用来对解进行适应度评价，本发明中的适应度函数采用灰度平均法中的阈值计算函数；

步骤4，选择运算：从群体中选择优胜的解，淘汰劣质解的操作就叫选择，选择的目的是把优化的解直接遗传到下一代或通过配对交叉产生新的解再遗传到下一代，本发明中采取根据当前解的代数，选择上一代中优化解遗传到下一代的方法，代数越大，则遗传的解的个数越少，方便加快收敛；

步骤5，交叉：遗传算法中起核心作用的是遗传操作的交叉算子，交叉算子就是将两个父代解的部分结构替换重新生成新解的操作，通过交叉，遗传算法的搜索能力也会快速提高，本发明中采用双点交叉算子，两个交叉点分别位于16位二进制数的前8位和后8位，交叉概率初始设置为P_cr＝0.7，后期根据进化的进程进行自适应修改；

步骤6，变异：首先在群体中随机选择一个解，对选中的解以变异概率随机的改变解中二进制数据串的值，设置变异初始概率P_mr＝0.1，后期根据进化的进程进行自适应修改；

步骤7，终止条件：当进化过程中，得到了具有最大适应度的最优解，则终止计算。

4.权利要求1中步骤4所述的纵向撕裂故障预判方法，其技术特征为该方法的实现步骤：

步骤1，设处理后的输送带图像f(x，y)是M×N的图像，通过式求的f(x，y)的列均值向量ColumnArv(j)；

步骤2，计算ColumnArv(j)的均值μ和方差σ²；

步骤3，将ColumnArv(j)，μ和σ²代入式求取相关值C，根据相关值C的大小就可判断出疑似具有纵向撕裂故障的输送带图像。

5.权利要求1中步骤7所述的纵向撕裂故障分类识别方法，其技术特征为该方法实现的步骤：

步骤1，对阈值分割处理后的输送带图像进行几何特征统计得到特征向量；

步骤2，计算特征向量与各类输送带图像原型特征向量的距离；

步骤3，找出待识别图像特征向量和原型特征向量距离最小的那一类输送带图像的类别就是待识别图像的类别；

步骤4，如果待识别图像数据具有纵向撕裂故障的输送带图像类，则应发出报警信号。