CN106296700A - 一种钢丝绳输送带接头抽动检测方法 - Google Patents
一种钢丝绳输送带接头抽动检测方法 Download PDFInfo
- Publication number
- CN106296700A CN106296700A CN201610670215.3A CN201610670215A CN106296700A CN 106296700 A CN106296700 A CN 106296700A CN 201610670215 A CN201610670215 A CN 201610670215A CN 106296700 A CN106296700 A CN 106296700A
- Authority
- CN
- China
- Prior art keywords
- straight line
- joint
- end points
- layer
- wire rope
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
- B65G15/30—Belts or like endless load-carriers
- B65G15/48—Belts or like endless load-carriers metallic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明针对钢丝绳输送带抽动检测困难,提出了一种钢丝绳输送带接头抽动检测方法。该方法基于钢丝绳输送带X射线图像特征,首先检测钢丝绳的接头端点;然后对端点进行分层;根据分层的端点进行直线拟合,并将拟合的直线斜率统一化,得到联合拟合直线;再分别计算原图和待检测图片接头到联合拟合直线的距离;最后,对图像进行匹配,比较原图和待检测图片对应接头到联合拟合直线的距离,若大于一定的阈值则表明发生了抽动。此方法在保证较高检测准确率的同时,实时性好,检测效率高。
Description
技术领域
本发明涉及一种无损检测领域,具体涉及一种针对钢丝绳输送带抽动的无损检测方法。
背景技术
钢丝绳输送带是当今现代化生产中主要传送设备之一,适用于煤矿、矿山、港口、电力、冶金、建材等行业的物料输送。输送带橡胶纵向内嵌钢丝绳,输送带内部的钢丝绳采用平行结构,强度较大,但是在钢丝绳芯输送带运行过程中,接头常因受外力过大而发生抽动,有可能造成输送带的断裂,给生产带来较大损失。因此对钢丝绳芯输送带的接头抽动进行检测很有必要。
现有接头抽动检测算法包括:1)利用接头领域的灰度信息进行接头检测,该方法对于接头点存在劈丝的情况检测并不准确;2)基于灰度Y-差分的接头检测方法,该方法检测结果存在较多干扰点;3)利用数字标尺技术测量接头长度,需要测量人员点击接头两端或者是利用数字标尺才能测算出拉伸长度。可见,这些方法都有一定局限性,接头点检测不准确或者是不能自适应检测。
发明内容
为解决上述问题,本发明提出了一种基于钢丝绳传送带X射线图像特征的检测钢丝绳接头抽动方法,即,利用边缘提取进行接头检测,提取连通区域的轮廓的质心作为接头端点,然后对端点进行直线拟合,通过对比原图与待检测图像端点到拟合直线的距离之间的关系实现抽动检测,同时为防止输送带跑偏造成的错误检测,对图片端点进行一层一层的匹配,在保证较高检测准确率的同时,能缩小检测时间,大大提高检测的效率。
本发明所提出的钢丝绳输送带接头抽动检测方法,具体方法实现如下:
首先,获取钢丝绳传送带X射线图像,定义钢丝绳传送带的传送方向为y轴正方向,定义在系统运行之初进行一次图像采集得到的图像作为原图,再次运行系统时将采集图像作为待检测图像;
然后,运行如下步骤,具体包括:
S1、检测钢丝绳传送带X射线图像中沿y轴正方向和y轴反方向两部分钢丝绳的接头端点;
S2、将检测到的钢丝绳传送带X射线图的接头端点分为2M层,即沿y轴正方向和y轴反方向的钢丝绳各M层,并保存;
S3、将分层后各层的接头端点拟合成2M条相应的直线;
S4、计算原图和待检测图中钢丝绳各接头端点到相应层拟合的直线的偏移距离,并作归一化处理,得到原图与待检测图片各层中接头端点相对各层拟合的直线的最终偏移量,并分别保存到数组offseti,offseti_m(i=1,2,3...2M)中;
S5、将原图和待检测图片进行匹配度判断,确定两副图为同一地方不同时间拍出的图片;
S6、计算匹配后相应各接头端点的坐标所对应的偏移量offseti和offseti_m的差值,若大于阈值P,表明接头发生了抽动,否则表示未发生抽动。
进一步的,S1中钢丝绳接头端点的具体检测步骤如下:
S11、将获取的三通道的彩色图像转化为单一通道的灰度图像;
S12、对灰度图进行接头边缘检测;
S13、通过检测垂直边缘的y方向算子模版与图像进行模运算提取接头的边缘,得到y正反两个方向的接送边缘图;
S14、对接头边缘图进行二值化处理,分别得到两个方向钢丝绳接头边缘的二值化图像。
进一步的,对钢丝绳接头边缘二值化图像进一步处理,即:
S15、对钢丝绳接头边缘二值化图进行腐蚀以去除杂波;
S16、对腐蚀后的图像再进行膨胀处理,并提取连通区域的轮廓。
进一步的,对灰度图优选Prewitt算子对接头端点进行边缘检测
进一步的,连通区域轮廓的提取方法如下:
S161、系统性的扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪它的轮廓,并标记边界上的像素;
S162、当轮廓完整闭合时,扫描回到上一个位置,直到再次发现新的成分;
S163、之后识别到的连通区域可以单独分析;
S164、去除连通区域内的无效区域;
S165、最后,提取每个轮廓的质心,得到的点即是钢丝绳的接头端点,并对端点进行标记。
进一步的,在提取方法中,若事先知道目标物体的期望大小,可移除掉其中一些区域,即,使用极大值极小值来限定区域的周长,以遍历所有轮廓去除无效的区域。
进一步的,S2中对各接头端点分层的步骤如下:
S21、将钢丝绳端点的纵坐标进行升序排序;
S22、用变量breap记录两相邻端点纵坐标的差;
S23、将两相邻端点纵坐标的差与设定的阈值进行比较:若该变量值大于设定的阈值Q,表明分层;
S24、将分层后的接头端点按横坐标的大小顺序进行排列;
S25、将排列后的值保存,从而得到2M层上各接头端点的位置坐标。
进一步的,S3中采用最小二乘法将分层后各层的接头端点按反映的数据总体趋势拟合成相应的直线,得到由各层接头端点的拟合直线y=kix+bi(i=1,2,3...2M)。
进一步的,对各层的拟合直线进行统一化处理,使它们的斜率相等,得到优化后的拟合直线,定义为联合拟合直线y=kk*x+bbi(i=1,2,3...2M),用联合拟合直线替代原拟合直线作为求偏移距离的参考直线;统一化处理的步骤如下:
S321、根据各层的拟合直线y=kix+bi(i=1,2,3...2M),取斜率kk在最小斜率min(ki)到最大斜率max(ki)之间;
S322、取纵截距bbi在(bi-10,bi+10)之间;
S323、将这些kk,bbi组成若干直线y=kk*x+bbi;
S324、分别计算各层端点到对应直线y=kk*x+bbi的距离的加权平方和;
S325、找到最小值kk,即2M条联合拟合直线的联合斜率。
进一步的,S4中归一化处理步骤是:求钢丝绳邻近接头端点距离的平均值,将各接头端点到拟合直线的偏移距离比上平均值,得到归一化之后的最终偏移量;以此求出原图与待检测图片各层中接头端点相对各层拟合的直线的最终偏移量,并分别保存到数组offseti,offseti_m(i=1,2,3...2M)中。
S5中将原图和待检测图片进行匹配度判断的步骤如下:
S51、获取原图和待检测图某一层接头端点相邻两端点之间所夹钢丝绳的个数Numi,Numi_m(i=1,2,3...2M);
S52、将Numi_m左右平移与Numi对比,寻找最匹配时对应的接头端点坐标,分别存储到数组Indexi,Indexi_m(i=1,2,3...2M);
S53、依次对2M层端点一层一层进行匹配,完成整幅的匹配;
S54、将匹配后相应各接头端点的坐标所对应的偏移量offseti和offseti_m进行比较,若满足一定的线性相关关系,则表明两幅图匹配,即两幅图是属于同一地方不同时间拍出的图片。
有益效果:
本次发明利用边缘提取进行接头检测,然后提取连通区域的轮廓的质心作为接头端点,使用这种方法接头识别率较高。对端点进行直线拟合,通过对比原图与待检测图像端点到拟合直线的距离之间的关系实现抽动检测,能够较准确的检测接头的抽动。同时为了防止输送带跑偏造成的错误检测,对图片端点进行一层一层的匹配,这种匹配方法相比较其他匹配算法(如SURF算法)耗时短、实时性高,提高了算法的检测效率。
附图说明
图1沿y轴正方向和反方向的钢丝绳标注方向的示意图
图2钢丝绳输送带X射线图像
图3灰度化图
图4沿y轴正方向和反方向的接头边缘二值化图
图5端点检测图
图6联合拟合直线图
图7图像匹配示意图
图8抽动检测图
具体实施方式
首先,定义钢丝绳传送带的传送方向为y轴正方向,如图1所示,从检测设备上获取到的钢丝绳输送带X射线图像,将获取的钢丝绳传送带X射线图像中沿y轴正方向,如图1中所示的用浅色标记的钢丝绳,和y轴反方向,如图1中所示的用深色标记的钢丝绳,两部分的钢丝绳接头分别进行处理。假定在系统运行之初进行的一次图像采集得到的图像作为原图,再次运行系统时将采集图像作为待检测图像。
然后,按照如下步骤对钢丝绳的接送抽动情况进行检测:
第一步:检测钢丝绳传送带X射线图像中沿y轴正方向和y轴反方向两部分钢丝绳的接头端点;
第二步:将检测到的钢丝绳传送带X射线图的接头端点分为2M层,即沿y轴正方向和y轴反方向的钢丝绳各M层,并保存;
第三步:将分层后各层的接头端点拟合成2M条相应的直线;
第四步:计算原图和待检测图中钢丝绳各接头端点到相应层拟合的直线的偏移距离,并作归一化处理,得到原图与待检测图片各层中接头端点相对各层拟合的直线的最终偏移量,并分别保存到数组offseti,offseti_m(i=1,2,3...2M)中;
第五步:将原图和待检测图片进行匹配度判断,确定两副图为同一地方不同时间拍出的图片;
第六步:计算匹配后的原图和待检测图中各接头端点的匹配坐标的偏移量offseti和offseti_m的差值,若大于阈值P,表明接头发生了抽动,否则表示未发生抽动。
下面结合附图,基本以上步骤给出一个优选的实施例进行详细说明:
获取钢丝绳传送带X射线图像,检测钢丝绳传送带X射线图像中沿y轴正方向和y轴反方向两部分钢丝绳的接头端点;
第一步:首先将图2所示的三通道的彩色图像转化为如图3所示的单一通道的灰度图;
对灰度图进行采用Prewitt算子对接头端点进行边缘检测;当然这里还可以采用Sobel算子、Prewitt算子、Roberts等算子进行检测,但因为Sobel算子对于像素的位置的影响做了加权,可以降低边缘模糊程度,效果更好,故优选Prewitt算子进行检测。
Sobel算子有两个,一个是检测水平边缘的(使用x方向算子模版)另一个是检测垂直边缘的(使用y方向算子模版)本文使用检测垂直边缘的,即y方向算子模版与图像进行模运算:设灰度化后的图为I,通过对图像用相应的内核进行卷积操作来计算图像差分,卷积公式为
模运算后得到接头边缘图,再对接头边缘图进行二值化处理,得到沿钢丝绳传送带方向沿y轴正方向和y轴反方向两部分的钢丝绳接头边缘二值化图像,分别如图4中的(a)和(b)所示。
进一步的,为消除噪声,优化结果,可以先对接头边缘二值化图腐蚀去除杂波后再膨胀,然后对钢丝绳接头边缘二值化图像提取连通区域的轮廓。具体方法如下:
先对钢丝绳接头边缘二值化图进行腐蚀以去除杂波,然后对腐蚀后的图像进行膨胀处理,最后再提取连通区域的轮廓。
其中,连通区域轮廓的提取方法如下:
系统性的扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪它的轮廓,标记边界上的像素;当轮廓完整闭合,扫描回到上一个位置,直到再次发现新的成分。
之后识别到的连通区域可以单独分析。如果事先知道目标物体的期望大小,可以移除掉其中一些区域。我们可以使用极大值极小值来限定区域的周长,可以遍历所有轮廓以去除无效的区域。
最后,提取每个轮廓的质心,得到的点即是钢丝绳的接头端点,对端点进行标记。
由此,得到图5,红色圆(即第二、四、六排)代表沿y轴正方向钢丝绳的端点,蓝色圆(即第一、三、五排)代表沿y轴反方向的端点。
第二步:将检测到的钢丝绳传送带X射线图的接头端点分为2M层,即沿y轴正方向和y轴反方向的钢丝绳各M层,本实施例中M等于3,并保存;
分层的具体方法是:对沿y轴正方向和y轴反方向的钢丝绳的端点分开处理,按钢丝绳接头端点的纵坐标进行升序排序,用一个变量breap记录两相邻端点纵坐标的差,若breap的值大于一个阈值Q,则表明分层。将分层后的端点按横坐标的大小顺序进行排列,并将排列后的值保存,得到2M层端点的位置坐标。这里的阈值Q可以设定为breap均值的倍数。
第三步:将分层后的端点分别拟合成2M条直线,并运用最小二乘法的直线拟合原理得到拟合直线y=kix+bi(i=1,2,3...2M)。所谓的直线拟合就是将一系列近似在一条直线上的离散数据点拟合为一条直线,拟合出的直线不严格要求其通过每一个数据点,但希望它能反映数据总的基本趋势。
在进行本方法检测中,需要原图和待检测图拟合的直线基本一致,这样才能保证待检测图没有发生抽动的端点到拟合直线的归一化距离和原图对应的端点到拟合直线的归一化距离没有很大差距。但是由于抽动等原因造成待检测图的端点对比原图端点发生变化,两图进行直线拟合得出的直线可能会有差别,对于没有发生抽动端点,计算两幅图端点到拟合直线的距离仍有可能有一定差别,会导致误判。所以对各层拟合直线的斜率需要进行优化,使两图片的拟合的直线最大可能一致。
优化方法是:将最小二乘法拟合得到的2M条直线斜率统一化,可以缩小两副图拟合直线的差别,这里将斜率统一化的拟合直线称为联合拟合直线,而将之前用最小二乘法得到的拟合直线统称为拟合直线。
实现联合拟合直线的基本思想:根据上步得到的拟合直线y=kix+bi(i=1,2,3...2M),取斜率kk在最小斜率min(ki)到最大斜率max(ki)之间,取纵截距bbi在(bi-10,bi+10)之间,用这些kk,bbi组成若干直线y=kk*x+bbi,分别计算各层端点到对应直线y=kk*x+bbi的距离的加权平方和,找到最小值,记录此时的kk,即可得2M条直线的联合斜率。
具体实现方法是:
在前面得到的拟合直线y=kix+bi(i=1,2,3...2M)中,假设2M层的钢丝绳接头端点坐标为:(cowij,rowij),(i=1,2,3...2M,j表示第i层第几个端点);求每一层钢丝绳端点的横坐标的中值,对2M层钢丝绳端点横坐标的中值求平均,得到一个值xdim,这里称之为联合中值;分别求出横坐标是联合中值xdim时2M条拟合直线对应的纵坐标ydisti(i=1,2,3...2M),并记录。
将拟合直线的最小斜率min(ki)到最大斜率max(ki)之间等间隔生成若干个数值,如取100,作为联合拟合直线斜率kk的取值范围;拟合直线第一条直线截距b1(纵截距y=kx+b中的b)前后扩展10个单位,即(b1-10,b1+10),作为联合拟合直线第一条直线的截距bb1的范围;以此类推,其余各层的纵截距bbi为:
bb2=bb1+(ydist2-ydist1);
bb3=bb1+(ydist3-ydist2);
bb4=bb1+(ydist4-ydist3);.
......
......
bb2M=bb1+(ydist2M-ydist2M-1)。
求每一层钢丝绳端点(cowij,rowij)到联合拟合直线的距离的加权平方和,假设每层N个端点,j=1,2,3...N,计算公式如下:
在此范围中查找并保存当加权平方和取最小值时的对应的斜率kk与截距bbi,从而得到的kk为联合斜率,bbi是联合拟合直线的截距。
此时,即可得到斜率统一的联合拟合直线y=kk*x+bbi(i=1,2,3...2M)。
如图6所示,图中的黄色直线即为联合拟合直线,红色圆圈是接头端点。
第四步:考虑到原图和待检测图片大小有可能有差异,需要对两副图片的对应端点到直线的距离进行归一化处理,即,对原图和待检测图对应的钢丝绳端点到联合拟合直线的距离并归一化处理。
若没有发生抽动则两距离的值差别不大,若差别大于一定的阈值P,则表明钢丝绳在该接头端点处发生了抽动。
根据点到直线距离公式计算钢丝绳接头端点到联合拟合直线的偏移距离。
归一化处理的方法是:求钢丝绳邻近端点距离的平均值,将端点到拟合直线的偏移距离比上这个值,得到归一化之后的最终偏移量,将原图与待检测图片各层的偏移量分别记保存到数组offseti,offseti_m(i=1,2,3...2M)中。
第五步:在检测中,比较的两副图的前提是两副图必须是来自钢丝绳同一位置才有意义,因此需要对原图和待检测图片是否属于同一地方不同时间拍出的图片进行检测。
在实际操作中,由于拍摄图片时相机抖动等造成的偏差,会导致待检测图片比原图向左或者向右偏移一些,如最大偏移为±3根钢丝绳,这样两幅图片并不是完全匹配,需要先将两幅图对齐,才能进行抽动检测。
其中,图像匹配基本方法是:
如图7所示,获取原图与待检测图片某一层端点中相邻两端点之间所夹的钢丝绳的个数,分别用两数组Numi,Numi_m(i=1,2,3...2M)存储,原图统计的个数放在Numi中,待检测图统计的个数放在Numi_m中,左右平移进行对比,进行匹配,将Numi_m左右平移与Numi对比,寻找最匹配时对应的坐标,分别存储到数组Indexi,Indexi_m(i=1,2,3...2M)中。
Num1,Num1_m数组中分别有十个元素,当Num1_m向右平移一个坐标时Num1与Num1_m匹配,记录Num1的坐标Index1:1,2,3...9,记录Num1_m的坐标Index1_m:2,3,4...10。
依次对2M层端点一层一层进行匹配,即可完成整幅的匹配。
然后将坐标为匹配坐标时所对应的偏移量offseti,offseti_m比较,若满足一定的线性相关关系,则表明两幅图匹配,即两幅图是属于同一地方不同时间拍出的图片。
其中,求Numi,Numi_m的方法是:
使用Prewitt算子与灰度图像进行模运算。钢丝绳的左边缘由于灰度由大变小,模运算的值为负;钢丝绳的右边缘灰度由小变大,模运算的值为正。所以一根钢丝绳模运算的值会有一次正负变换,每一次变换定义一个计数器num,模运算的值变换一次,计数器加一;又由于两个端点之间还有两个端点所在钢丝绳的左右边缘,所以两邻近端点之间的钢丝绳数是:(num-2)/2。
第六步:若经上述方法,确认原图与待检测图片匹配,则可以比较两幅图钢丝绳的端点,进行检测抽动。具体方法如下:
匹配坐标为上面的Indexi,Index1_m偏移量是端点到联合拟合直线的距离经过归一化得到的值,存储在数组offseti和offseti_m中。假设原图某层端点有m个,则设保存原图该层的偏移量的向量offseti的坐标:1,2,3...m;设待检测图对应层端点有n个,则设保存待检测图片该层的偏移量的向量offseti_m的坐标:1,2,3...n;将由上面得到的匹配坐标Indexi,Indexi_m中的坐标对应的offseti和offseti_m中的元素做差,得到一组差值,若其中有差值大于一个阈值P,则表明在该坐标处的接头发生了抽动。
进一步的,可将阈值P设定为0.1和0.05,其中,差值大于0.1表示发生了抽动严重,如图中圆圈圈出的两点,差值大于0.05,小于0.1则表示发生的抽动不大,如图中矩形圈出的四点。图8是对现场所采集到的钢丝绳X射线图像通过以上检测方法得到的最终抽动检测图。
下面是基于本发明检测方法的钢丝绳接头抽动检测的两个性能参数测试结果:
表1:接头识别正确率
对图片进行抽动耗时检测,得到的耗时时间统计如下表:
表2:抽动耗时检测
以上四组检测结果总正确率达到99.3%,平均耗时为13.761秒。由此可见,本发明方法较传统的钢丝强检测方法检测的准确率更高,有效性更好;且检测时间短,具有良好的实时性。
本发明优选实施例只是用于帮助阐述本发明,优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为所述的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地利用本发明。
Claims (10)
1.一种钢丝绳输送带接头抽动检测方法,其特征在于:获取钢丝绳传送带X射线图像,定义钢丝绳传送带的传送方向为y轴正方向,定义在系统运行之初进行一次图像采集得到的图像作为原图,再次运行系统时将采集图像作为待检测图像;具体步骤包括:
S1、检测钢丝绳传送带X射线图像中沿y轴正方向和y轴反方向两部分钢丝绳的接头端点;
S2、将检测到的钢丝绳传送带X射线图的接头端点分为2M层,即沿y轴正方向和y轴反方向的钢丝绳各M层,并保存;
S3、将分层后各层的接头端点拟合成2M条相应的直线;
S4、计算原图和待检测图中钢丝绳各接头端点到相应层拟合的直线的偏移距离,并作归一化处理,得到原图与待检测图片各层中接头端点相对各层拟合的直线的最终偏移量,并分别保存到数组offseti,offseti_m(i=1,2,3...2M)中;
S5、将原图和待检测图片进行匹配度判断,确定两副图为同一地方不同时间拍出的图片;
S6、计算匹配后的原图和待检测图中各接头端点的匹配坐标的偏移量offseti和offseti_m的差值,若大于阈值P,表明接头发生了抽动,否则表示未发生抽动。
2.根据权利要求1所述的钢丝绳输送带接头抽动检测方法,其特征在于:S1中钢丝绳接头端点的具体检测步骤如下:
S11、将获取的三通道的彩色图像转化为单一通道的灰度图像;
S12、对灰度图进行接头边缘检测;
S13、通过检测垂直边缘的y方向算子模版与图像进行模运算提取接头的边缘,得到y正反两个方向的接送边缘图;
S14、对接头边缘图进行二值化处理,分别得到y正反两个方向钢丝绳接头边缘的二值化图像。
3.根据权利要求2所述的钢丝绳输送带接头抽动检测方法,其特征在于:对钢丝绳接头边缘二值化图像进一步处理,即:
S15、对钢丝绳接头边缘二值化图进行腐蚀以去除杂波;
S16、对腐蚀后的图像再进行膨胀处理,并提取连通区域的轮廓。
4.根据权利要求3所述的钢丝绳输送带接头抽动检测方法,其特征在于:连通区域轮廓的提取方法如下:
S161、系统性的扫描图像直到遇到连通区域的一个点,以该点为起始点,跟踪它的轮廓,并标记边界上的像素;
S162、当轮廓完整闭合时,扫描回到上一个位置,直到再次发现新的成分;
S163、之后识别到的连通区域可以单独分析;
S164、去除连通区域内的无效区域;
S165、最后,提取每个轮廓的质心,得到的点即是钢丝绳的接头端点,并对端点进行标记,得到连通区域的轮廓。
5.根据权利要求4所述的钢丝绳输送带接头抽动检测方法,其特征在于:在连通区域轮廓的提取过程中,若事先知道目标物体的期望大小,使用极大值极小值来限定区域的周长,以遍历所有轮廓去除无效的区域。
6.根据权利要求1所述的钢丝绳输送带接头抽动检测方法,其特征在于:S2中对各接头端点分层的步骤如下:
S21、将钢丝绳端点的纵坐标进行升序排序;
S22、用变量breap记录两相邻端点纵坐标的差;
S23、将两相邻端点纵坐标的差与设定的阈值进行比较:若该变量值大于设定的阈值Q,表明分层;
S24、将分层后的接头端点按横坐标的大小顺序进行排列;
S25、将排列后的值保存,从而得到2M层上各接头端点的位置坐标。
7.根据权利要求1所述的钢丝绳输送带接头抽动检测方法,其特征在于:S3中采用最小二乘法将分层后各层的接头端点按反映的数据总体趋势拟合成相应的直线,得到由各层接头端点的拟合直线y=kix+bi(i=1,2,3...2M)。
8.根据权利要求7所述的钢丝绳输送带接头抽动检测方法,其特征在于:对各层的拟合直线进行统一化处理,使它们的斜率相等,得到优化后的拟合直线,定义为联合拟合直线y=kk*x+bbi(i=1,2,3...2M),用联合拟合直线替代原拟合直线作为求偏移距离的参考直线;统一化处理的步骤如下:
S321、根据各层的拟合直线y=kix+bi(i=1,2,3...2M),取斜率kk在最小斜率min(ki)到最大斜率max(ki)之间;
S322、取纵截距bbi在(bi-10,bi+10)之间;
S323、将这些kk,bbi组成若干直线y=kk*x+bbi;
S324、分别计算各层端点到对应直线y=kk*x+bbi的距离的加权平方和;
S325、找到最小值kk,即2M条联合拟合直线的联合斜率。
9.根据权利要求1所述的钢丝绳输送带接头抽动检测方法,其特征在于:S4中归一化处理步骤是:求钢丝绳邻近接头端点距离的平均值,将各接头端点到拟合直线的偏移距离比上平均值,得到归一化之后的最终偏移量;以此求出原图与待检测图片各层中接头端点相对各层拟合的直线的最终偏移量,并分别保存到数组offseti,offseti_m(i=1,2,3...2M)中。
10.根据权利要求1所述的钢丝绳输送带接头抽动检测方法,其特征在于:S5中将原图和待检测图片进行匹配度判断的步骤如下:
S51、获取原图和待检测图某一层接头端点相邻两端点之间所夹钢丝绳的个数Numi,Numi_m(i=1,2,3...2M);
S52、将Numi_m左右平移与Numi对比,寻找最匹配时对应的接头端点坐标,分别存储到数组Indexi,Indexi_m(i=1,2,3...2M);
S53、依次对2M层端点一层一层进行匹配,完成整幅的匹配;
S54、将匹配后相应各接头端点的坐标所对应的偏移量offseti和offseti_m进行比较,若满足一定的线性相关关系,则表明两幅图匹配,即两幅图是属于同一地方不同时间拍出的图片。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610670215.3A CN106296700B (zh) | 2016-08-15 | 2016-08-15 | 一种钢丝绳输送带接头抽动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610670215.3A CN106296700B (zh) | 2016-08-15 | 2016-08-15 | 一种钢丝绳输送带接头抽动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106296700A true CN106296700A (zh) | 2017-01-04 |
CN106296700B CN106296700B (zh) | 2019-02-15 |
Family
ID=57671280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610670215.3A Active CN106296700B (zh) | 2016-08-15 | 2016-08-15 | 一种钢丝绳输送带接头抽动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106296700B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
CN110288562A (zh) * | 2019-05-16 | 2019-09-27 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN110641947A (zh) * | 2019-10-16 | 2020-01-03 | 山东中衡光电科技有限公司 | 一种散料运输机智能巡检机器人系统及其检测方法 |
CN111664799A (zh) * | 2019-03-07 | 2020-09-15 | 叶时豪 | 估算由纵横线件所构成的材料的虚拟轮廓的方法 |
CN112085787A (zh) * | 2020-07-20 | 2020-12-15 | 中国矿业大学 | 一种基于单目视觉的提升钢丝绳空间振动测量方法 |
CN113112485A (zh) * | 2021-04-20 | 2021-07-13 | 中冶赛迪重庆信息技术有限公司 | 基于图像处理的皮带机跑偏检测方法、系统、设备和介质 |
CN113553926A (zh) * | 2021-07-08 | 2021-10-26 | 天津工业大学 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0686828A1 (en) * | 1994-06-08 | 1995-12-13 | Beta Instrument Company Limited | Scanning apparatus |
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
CN102254162A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于最小直线比率的sar图像机场跑道检测方法 |
CN104297803A (zh) * | 2014-10-31 | 2015-01-21 | 洛阳威尔若普检测技术有限公司 | 钢丝绳接头识别方法及装置 |
CN104730083A (zh) * | 2015-04-09 | 2015-06-24 | 中煤科工集团重庆研究院有限公司 | 钢丝绳芯输送带接头抽动自动检测方法 |
CN105692122A (zh) * | 2016-04-19 | 2016-06-22 | 南京工程学院 | 一种基于激光线的输送带纵向撕裂检测方法 |
-
2016
- 2016-08-15 CN CN201610670215.3A patent/CN106296700B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0686828A1 (en) * | 1994-06-08 | 1995-12-13 | Beta Instrument Company Limited | Scanning apparatus |
CN101825584A (zh) * | 2010-04-15 | 2010-09-08 | 天津工业大学 | X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法 |
CN102254162A (zh) * | 2011-07-17 | 2011-11-23 | 西安电子科技大学 | 基于最小直线比率的sar图像机场跑道检测方法 |
CN104297803A (zh) * | 2014-10-31 | 2015-01-21 | 洛阳威尔若普检测技术有限公司 | 钢丝绳接头识别方法及装置 |
CN104730083A (zh) * | 2015-04-09 | 2015-06-24 | 中煤科工集团重庆研究院有限公司 | 钢丝绳芯输送带接头抽动自动检测方法 |
CN105692122A (zh) * | 2016-04-19 | 2016-06-22 | 南京工程学院 | 一种基于激光线的输送带纵向撕裂检测方法 |
Non-Patent Citations (3)
Title |
---|
XIAN-GUO LI 等: "An Algorithm for Selecting and Stitching the Conveyer Belt", 《2010 INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
方崇全 等: "新型钢丝绳芯输送带接头抽动检测算法", 《煤矿机械》 * |
樊荣 等: "强力输送带接头抽动检测算法研究", 《工矿自动化》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
CN108550135B (zh) * | 2018-03-07 | 2021-07-30 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
CN111664799A (zh) * | 2019-03-07 | 2020-09-15 | 叶时豪 | 估算由纵横线件所构成的材料的虚拟轮廓的方法 |
CN110288562B (zh) * | 2019-05-16 | 2023-01-17 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN110288562A (zh) * | 2019-05-16 | 2019-09-27 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
CN110641947A (zh) * | 2019-10-16 | 2020-01-03 | 山东中衡光电科技有限公司 | 一种散料运输机智能巡检机器人系统及其检测方法 |
CN112085787A (zh) * | 2020-07-20 | 2020-12-15 | 中国矿业大学 | 一种基于单目视觉的提升钢丝绳空间振动测量方法 |
CN112085787B (zh) * | 2020-07-20 | 2024-04-23 | 中国矿业大学 | 一种基于单目视觉的提升钢丝绳空间振动测量方法 |
CN113112485A (zh) * | 2021-04-20 | 2021-07-13 | 中冶赛迪重庆信息技术有限公司 | 基于图像处理的皮带机跑偏检测方法、系统、设备和介质 |
CN113553926A (zh) * | 2021-07-08 | 2021-10-26 | 天津工业大学 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
CN113553926B (zh) * | 2021-07-08 | 2023-08-11 | 天津工业大学 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
CN117455908A (zh) * | 2023-12-22 | 2024-01-26 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
CN117455908B (zh) * | 2023-12-22 | 2024-04-09 | 山东济矿鲁能煤电股份有限公司阳城煤矿 | 一种皮带机跑偏视觉检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106296700B (zh) | 2019-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106296700A (zh) | 一种钢丝绳输送带接头抽动检测方法 | |
García-Santillán et al. | Automatic detection of curved and straight crop rows from images in maize fields | |
CN103793702B (zh) | 基于协同尺度学习的行人重识别方法 | |
CN105894503A (zh) | 一种对Kinect植株彩色和深度检测图像的修复方法 | |
CN104573713B (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
CN104730083B (zh) | 钢丝绳芯输送带接头抽动自动检测方法 | |
Zhong et al. | A method for litchi picking points calculation in natural environment based on main fruit bearing branch detection | |
CN113379712B (zh) | 一种基于计算机视觉的钢桥螺栓病害检测方法及系统 | |
CN109191255B (zh) | 一种基于无监督特征点检测的商品对齐方法 | |
Zhou et al. | Autonomous detection of crop rows based on adaptive multi-ROI in maize fields | |
CN113781523B (zh) | 一种足球检测跟踪方法及装置、电子设备、存储介质 | |
CN109685773B (zh) | 一种免疫细胞图像中突触位置点的确定方法 | |
CN108931825B (zh) | 一种基于地物清晰度的遥感图像云厚度检测方法 | |
Wang et al. | The seedling line extraction of automatic weeding machinery in paddy field | |
CN111045431B (zh) | 基于色带的移动机器人导航方法及系统 | |
CN104899553A (zh) | 一种抗密集杂草干扰的田间作物行提取方法 | |
CN111062968A (zh) | 一种基于边缘扫描与中线提取的机器人路径骨架提取方法 | |
CN109544572B (zh) | 一种果园图像中近大果实目标的获取方法 | |
CN116245872A (zh) | 一种基于卷积神经网络的飞机结构裂纹检测方法 | |
CN104751487A (zh) | 一种基于彩色rgb三平面色变帧差的运动目标检测方法 | |
CN102063702B (zh) | 光学图像的增强方法 | |
CN111079635B (zh) | 一种基于变化向量的有林地变化检测方法 | |
Zhao et al. | A new recognition of crop row based on its structural parameter model | |
Liu et al. | Improved kiwifruit detection using VGG16 with RGB and NIR information fusion | |
CN102679869B (zh) | 一种针对非金属麦拉片位置不良的视觉检测方法及其装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |