CN115159027A - 一种皮带撕裂监测方法 - Google Patents

一种皮带撕裂监测方法 Download PDF

Info

Publication number
CN115159027A
CN115159027A CN202210872130.9A CN202210872130A CN115159027A CN 115159027 A CN115159027 A CN 115159027A CN 202210872130 A CN202210872130 A CN 202210872130A CN 115159027 A CN115159027 A CN 115159027A
Authority
CN
China
Prior art keywords
image
belt
laser line
area
laser
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
Application number
CN202210872130.9A
Other languages
English (en)
Other versions
CN115159027B (zh
Inventor
王纪强
宋震
赵林
李振
侯墨语
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qilu University of Technology
Laser Institute of Shandong Academy of Science
Original Assignee
Qilu University of Technology
Laser Institute of Shandong Academy of Science
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Qilu University of Technology, Laser Institute of Shandong Academy of Science filed Critical Qilu University of Technology
Priority to CN202210872130.9A priority Critical patent/CN115159027B/zh
Publication of CN115159027A publication Critical patent/CN115159027A/zh
Application granted granted Critical
Publication of CN115159027B publication Critical patent/CN115159027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • 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
    • 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
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B65G2203/0275—Damage on the load carrier
    • 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
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种皮带撕裂监测方法，采集被激光投射后的皮带表面图像，相较于传统的相机成像，激光线采集的原始图像信息更准确，确保了后续检测结果的准确度。同时，本申请方法采用的机器视觉算法在进行皮带撕裂监测时，利用激光线灰度阈值，对图像进行阈值分割以及膨胀处理，裁剪得到包含激光线的感兴趣区域图像，则在后续的皮带撕裂判断中，仅需对感兴趣区域图像进行判断，缩小了判断的图像范围，有助于判断效率的提高，同时，也提高了判断精度。另外，本申请方法中，利用根据激光线边缘区域图像的连通域个数确定皮带是否撕裂，该判断语句简洁，判断速度快，可在撕裂发生时或撕裂初期时，及时响应，从而避免皮带后续发生其他故障。

Description

一种皮带撕裂监测方法
技术领域
本申请涉及输送皮带异常检测技术领域，尤其涉及一种皮带撕裂监测方法。
背景技术
皮带运输机是现代散状物料连续运输的主要设备，广泛运用于矿山、港口等场景。皮带运输机作为物资运输中的一环，其安全性、稳定性尤为重要。但是，在实际使用过程中，皮带磨损的损失非常大，一旦发生撕裂、且没有及时停机，将造成较大经济损失，由此，需要对皮带进行撕裂判定。
目前用于皮带撕裂判断的机器视觉算法中，大多采用图像整体判别法，即判断过程中采集整张图像，这就造成占用的内存空间比较大、耗费资源大；另外，机器视觉算法中对撕裂图像进行直接判断，由于缺乏突出的判断条件，一方面容易发生误判；另一方面，会造成发现撕裂的时间跨度较大，进而造成判断速度低。
发明内容
本申请提供了一种皮带撕裂监测方法，以解决现有的皮带撕裂检测过程中，对采集的整张图片直接进行撕裂检测，造成检测速度低、且易发生误判的问题。
本申请提供一种皮带撕裂监测方法，包括：应用于皮带撕裂监测系统中，所述系统包括激光源和取像装置，所述激光源用于将激光投射到皮带表面形成激光线，所述取像装置用于采集被激光投射后的皮带表面图像，所述方法包括：
获取所述皮带表面图像对应的灰度分布直方图，并根据所述灰度分布直方图确定激光线灰度阈值；
根据所述激光线灰度阈值，对所述皮带表面图像进行阈值分割以及膨胀处理，获取所述皮带表面图像中激光线所在的区域范围，并根据激光线所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像；
获取所述感兴趣区域图像中激光线的边缘轮廓，并对激光线的边缘轮廓进行区域化以及区域填充，得到激光线区域图像；
对所述激光线边缘区域图像进行连通域分割，计算分割后的连通域个数；
根据激光线边缘区域图像的连通域个数确定皮带是否撕裂。
一些实施例中，所述皮带撕裂监测方法还包括，将所述皮带表面图像进行预处理。
一些实施例中，所述获取所述皮带表面图像对应的灰度分布直方图，并根据所述灰度分布直方图确定激光线灰度阈值，包括，
将经过预处理的皮带表面图像进行灰度化，得到皮带表面灰度图；
根据皮带表面灰度图，得到对应的灰度分布直方图；
根据所述灰度分布直方图上不同区域的灰度值，确定激光线灰度阈值。
一些实施例中，所述皮带撕裂监测方法还包括，对剪裁得到的感兴趣区域图像进行图像再增强，其中，图像再增强过程中使用的指数变换公式为：
G′＝GExponent，
式中，G为原始图像的灰度值，G′为指数变换后图像的灰度值，Exponent为变换的指数。
一些实施例中，所述皮带撕裂监测方法还包括，对所述激光线区域图像进行噪声去除，具体包括，
利用区域填充过程中使用的填充数据绘制面积分布直方图；
根据面积分布直方图，确定污点面积阈值；
利用污点面积阈值，对激光线区域图像中的污点噪声区域进行去除。
一些实施例中，所述皮带撕裂监测方法还包括，对所述激光线区域图像进行噪声去除，具体包括，
计算激光线区域图像中每个连通域的圆度值e，其中，圆度值e的计算公式为：
e＝4πS/C2，
式中，S为连通域内的像素点个数，C为连通域外圈上的像素个数；
若连通域的圆度值e大于预设圆度阈值，则判定该连通域为污点噪声面积区域，将该连通域从激光线区域图像中去除；
若连通域的圆度值e小于预设圆度阈值，则判定该连通域为激光线面积区域。
一些实施例中，所述根据激光线边缘区域图像的连通域个数确定皮带是否撕裂，包括，
若连通域个数大于1，则判定皮带发生撕裂；
若连通域个数等于1，则判定皮带没有发生撕裂。
本申请提供了一种皮带撕裂监测方法，采集被激光投射后的皮带表面图像，相较于传统的相机成像，激光线经皮带表面反射形成的影像可表征更多的皮带表面特征，例如撕裂情况，因此，采集的原始图像信息更准确，从而确保了后续检测结果的准确度。同时，本申请皮带撕裂监测方法中采用的机器视觉算法在进行皮带撕裂监测时，利用激光线灰度阈值，对图像进行阈值分割以及膨胀处理，获取所述皮带表面图像中激光线所在的区域范围，并根据激光线所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的感兴趣区域图像，则在后续的皮带撕裂判断过程中，仅需对感兴趣区域图像进行判断，极大的缩小了判断的图像范围，有助于判断效率的提高，同时，也提高了判断精度。另外，本申请皮带撕裂监测方法中，利用根据激光线边缘区域图像的连通域个数确定皮带是否撕裂，该判断语句简洁，判断速度快，可在撕裂发生时或撕裂初期时，及时响应，从而避免皮带后续发生其他故障。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请皮带撕裂监测系统的结构示意图；
图2为本申请皮带撕裂监测系统的流程图；
图3为本实例皮带表面灰度图对应的灰度分布直方图；
图4为本实例皮带表面图像裁前后的对比图；
图5为本实例图像再增强前后的对比图；
图6为本实例面积分布直方图；
图7为本实例激光线区域图像噪声去除前后的对比图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本申请，而不能解释为对本申请的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
图1是根据一些实施例提供的一种皮带撕裂监测系统的结构示意图，图2是根据一些实施例提供的一种皮带撕裂监测方法流程示意图，下面结合图1和图2对该方法进行说明。
如图1所示，该皮带撕裂检测系统包括布设在皮带底部的激光源和取像装置，激光源用于将激光投射到皮带表面形成激光线，取像装置用于采集被激光投射后的皮带表面图像。应当说明，激光源与取像装置均为本领域常用的设备，例如，激光源可采用线激光发射器，取像装置可采用高速摄像头，在此将不对其结构与具体使用过程进行赘述。
本申请中，采用被激光投射后的皮带表面图像，即激光线经皮带表面反射形成的影像，与现有技术利用相机采集的皮带表面图像相比，本申请中，采用使用激光线采集图像可表征更多的皮带表面特征，例如撕裂情况。另外，后续判断过程中，通过采集激光线的缺失来判断是否撕裂，判断过程简洁，提高了判断速度。
在该系统基础上，采集被激光投射后的皮带表面图像，并通过本申请皮带撕裂监测方法循环的判断皮带撕裂情况，以便及时发现并预警皮带撕裂问题，从而避免其他故障的发生。
本申请皮带撕裂监测方法中采用的机器视觉算法具体包括：
步骤S100，对皮带表面图像进行预处理。
对采集的皮带表面图像进行预处理，预处理过程可有效的抑制了图像的部分噪声，使激光线部分突出显示，从而增强后续皮带撕裂判断过程中的准确度。本申请中，采用预处理算子对皮带表面图像进行预处理操作，具体包括，在对皮带表面图像进行图像的缩放，使其适合算法的使用，然后对图像做增强对比度操作，使得图像中激光线区域能够增强显示，然后对图像进行高斯滤波，去除部分噪声。
步骤S200，获取预处理后的皮带表面图像对应的灰度分布直方图，并根据灰度分布直方图确定激光线灰度阈值。
本申请中，获取皮带表面图像对应的灰度分布直方图，并根据灰度分布直方图确定激光线灰度阈值，具体包括：将经过预处理的皮带表面图像进行灰度化，得到皮带表面灰度图；根据皮带表面灰度图，得到对应的灰度分布直方图；根据灰度分布直方图上不同区域的灰度值，确定激光线灰度阈值。
灰度分布直方图具有二值化性质，即灰度值越靠近0，则亮度越暗；灰度值越靠近255，则亮度越亮。再结合激光线的亮度与背景色的亮度，可明确的判断出：灰度值靠近0的低亮度区域对应图像中的背景区域或较暗区域，灰度值靠近255的高亮度区域对应图像中的激光线区域。由此，可根据灰度分布直方图，确定出激光线灰度阈值，即高亮度区域对应的最小灰度值作为激光线灰度阈值。当然，为进一步防止激光线的遗漏，在该最小灰度值的基础上附加一个灰度容错值，其具体计算公式为：激光线灰度阈值＝高亮度区域对应的最小灰度值-灰度容错值。
本申请中，采用了直方图对阈值进行判断，采用图像与直方图相结合的方式，将图片信息转化为直方图中的数字信息，使得阈值确定过程更加直观、严谨以及说服力度更强。
步骤S300，根据激光线灰度阈值，对皮带表面图像进行阈值分割，对阈值分割得到的包含激光线的分割区域进行膨胀处理，得到激光线在皮带表面图像中所在的区域范围；根据激光线在皮带表面图像中所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像。
激光线灰度阈值对应的图像区域即为激光线在皮带表面图像中的区域，因此，本申请中，根据灰度分布直方图确定出激光线灰度阈值，可确定激光线在皮带表面图像中的大致区域；然后，通过对皮带表面图像进行阈值分割以及膨胀处理，获取皮带表面图像中激光线所在的区域范围，并根据激光线所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像。
本申请中，利用灰度分布直方图的激光线灰度阈值，对皮带表面图像进行阈值分割以及膨胀处理，获取所述皮带表面图像中激光线所在的区域范围，并根据激光线所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像，在后续的皮带撕裂判断过程中，仅对感兴趣区域图像进行判断即可，极大的缩小了判断的图像范围，有助于判断效率的提高，同时，也提高了判断精度。
本申请中，在对皮带表面图像进行阈值分割后，还包括，对阈值分割得到的包含激光线的分割区域进行膨胀处理，使得膨胀区域围绕激光线区域有容错值，以满足所有激光线区域，得到所有激光线在皮带表面图像中所在的区域范围,然后，根据激光线在皮带表面图像中所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像。
为使图像中激光线区域更加突出，本申请还包括步骤S400，对剪裁得到的感兴趣区域图像进行图像再增强，其中，图像再增强过程中使用的指数变换公式为：
G′＝GExponent，
式中，G为原始图像的灰度值，G′为指数变换后图像的灰度值，Exponent为变换的指数。
在实际应用中，图像再增强的实现过程中可采用不同的算法，例如，可通过增强对比度，提升激光线区域与背景区域之间的对比关系；当然，也可通过降低背景区域的亮度，使得激光线区域的亮度更强。本领域技术人员可根据实际需要选择合适的算法，其均属于本申请的保护范围。本申请中，通过图像再增强操作增加图像光亮，一方面可突出显示激光线部分，另一方面抑制部分噪声，从而提高后续皮带撕裂判断的准确度。
步骤S500，获取感兴趣区域图像中激光线的边缘轮廓，并对激光线的边缘轮廓进行区域化以及区域填充，得到激光线区域图像。
本申请中，通过边缘检测算子，检测感兴趣区域图像中激光线的边缘轮廓，然后，将激光线的边缘轮廓转化为边缘区域，并进行区域填充，得到激光线区域图像。
在实际使用过程中，由于皮带表面存在一些突起颗粒，当皮带受到激光线发生反射时，部分波段的可见光分布也在这些突起颗粒上发生反射，增大了突起颗粒的表面亮度，因此，在进行边缘轮廓选取时，易将这些突起颗粒所在区域一同选入，从而造成边缘轮廓的选取区域精度较低。为剔除这些突起颗粒引起的噪声，本申请包括步骤S600，对激光线区域图像进行噪声去除。
本申请中，可采用两种不同的操作方法实现图像的噪声去除，以增加算法的鲁棒性。其中一种实现方法为：利用区域填充过程中使用的填充数据绘制面积分布直方图，其中，横坐标为激光线区域图像中每个连通域内的像素点个数，即面积值，纵坐标为每个面积值对应的连通域个数；根据面积分布直方图，区分出激光线面积区域与污点噪声面积区域；将污点噪声区域从激光线区域图像中去除。
一般情况下，污点区域对应的连通域的面积值较小，而激光线区域对应的连通域的面积值较大，因此，在面积分布直方图中，面积值存在两个分布区域，即小面积值区域以及大面积值区域，其中，小面积值区域对应附图中污点区域，大面积值区域对应附图中激光线区域。由此，可根据面积分布直方图，确定出污点面积阈值，即小面积值分布区域的最大面积值作为污点面积阈值。当然，为进一步防止污点的遗漏，在该最大面积值的基础上附加一个面积容错值，其具体计算公式为：污点面积阈值＝小面积值区域对应的最大面积值+面积容错值。本申请中，采用了直方图对阈值进行判断，使得阈值确定过程更加直观、严谨以及说服力度更强。
另一种实现方法中，利用噪点连通域与激光线连通域在圆度上存在较大差别这一特点(噪点形状与圆形相似，其圆度较好；而激光线连通域为不规则条状区域，其圆度可以忽略不计)，通过判断连通区域的圆度信息，判断激光线和污点。该噪声去除方法的具体实现过程为：计算激光线区域图像中每个连通域的圆度值e，其中，圆度值e的计算公式为：e＝4πS/C2，式中，S为连通域内的像素点个数，C为连通域外圈上的像素个数；若连通域的圆度值e大于预设圆度阈值，则判定该连通域为污点噪声面积区域，将该连通域从激光线区域图像中去除；若连通域的圆度值e小于预设圆度阈值，则判定该连通域为激光线面积区域。应当说明，本领域技术人员可根据实现需要设置预设圆度阈值的具体数值，例如预设圆度阈值为0.3，其均属于本申请的保护范围。
经过噪声去除操作后，将皮带表面突起颗粒造成污点区域从激光线区域图像中去除，使得最终得到的图像只剩下激光线区域。本申请中，对激光线区域图像进行噪声去除，有效的抑制了部分噪声，进而使得后续皮带撕裂判断的更加准确。
步骤S700，对激光线边缘区域图像进行连通域分割，计算分割后的连通域个数。
步骤S800，根据激光线边缘区域图像的连通域个数确定皮带是否撕裂。
本申请中，根据激光线边缘区域图像的连通域个数确定皮带是否撕裂，具体包括，若连通域个数大于1，则判定皮带发生撕裂；若连通域个数等于1，则判定皮带正常，没有发生撕裂。当判定皮带发生撕裂，向皮带驱动电机发送停机指令，使皮带运输机停止运转。当判定皮带正常、没有发生撕裂时，则转至采集当前皮带表面图像的步骤，进而进入新一次的皮带撕裂检测过程，实现对皮带撕裂的时时监测。
为说明上述皮带撕裂判定依据的合理性，以下将具体说明皮带撕裂与连通域个数之间的关系。若未皮带发生撕裂，则图像只中存在一条高亮度的激光线，此时，该激光线区域为一个整体，即图像中仅可检测到一个连通域。若皮带发生断裂，例如，存在一条撕裂裂纹，则该撕裂裂纹处的激光线区域发生中断，造成原本一条激光线断裂为两个高亮度的线区域，此时，两个高亮度的线区域之间存在断裂之处，两个高亮度的线区域各自成为一个连通域，即图像中存在两个连通域，当然，存在两条或两条以上的撕裂裂纹时，推导过程同上，不同的是连通域的个数不同。因此，当皮带存在撕裂裂纹时，图像中可得到两个或两个以上的连通域。
本申请中，采用机器视觉算法计算连通域的个数，该算法具有较强的实时性。机器视觉算法为本领域技术人员常用技术，在此将不对其具体实现过程进行赘述。
为了便于本领域的技术人员更好地理解本技术方案，以下通过一具体实例对本申请皮带撕裂监测方法的具体实现进行进一步说明。
步骤S100，采用申请方法进行皮带撕裂监测时，利用布设在皮带底部的线激光发射器与高速摄像头，采集皮带上反射的线激光的图像数据，即皮带表面图像，并通过预处理算子对皮带表面图像进行预处理操作。
步骤S200，将预处理后的皮带表面图像进行灰度化，得到皮带表面灰度图；并根据皮带表面灰度图，得到对应的灰度分布直方图，如图3所示。根据灰度分布直方图上不同区域的灰度值，确定激光线灰度阈值。其中，确定激光线灰度阈值具体过程为：经大量试验数据可知，激光线的灰度值一般都出现在250以后，另外，为进一步防止激光线的遗漏，附加一灰度容错值，本实例中，采用5个灰度值，最终，本实例中的激光线灰度阈值＝高亮度区域对应的最小灰度值-灰度容错值＝250-5＝245，即采用激光线灰度阈值为245，如图3中A位置对应的灰度值。
步骤S300，根据激光线灰度阈值，对皮带表面图像进行阈值分割，对阈值分割得到的包含激光线的分割区域进行膨胀处理，得到激光线在皮带表面图像中所在的区域范围；根据激光线在皮带表面图像中所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像。如图4所示，将感兴趣区域从皮带表面图像的灰度图像中裁剪出，得到包含激光线的感兴趣区域图像。
步骤S400，对剪裁得到的感兴趣区域图像进行图像再增强，其中，图像再增强过程中使用的指数变换公式为：G′＝GExponent，其中，G为原始图像的灰度值，G′为指数变换后图像的灰度值，Exponent为变换指数。本实例中，变换指数Exponent为2时，图像增强效果较好，激光线的轮廓明显，图像增强前后的图像如图5所示。
步骤S500，通过边缘检测算子，绘出感兴趣区域图像中激光线的边缘轮廓，并对激光线的边缘轮廓进行区域化以及区域填充，得到激光线区域图像。
步骤S600，利用区域填充过程中使用的填充数据绘制面积分布直方图，对激光线区域图像进行噪声去除。
根据经验，污点区域对应的连通域的面积值较小、而激光线区域对应的连通域的面积值较大，由此，可区分出激光线的面积区域与污点噪声的面积区域。图6为本实例中的面积分布直方图，如图6所示，小面积值区域对应的最大面积值为210，另外，为进一步防止污点的遗漏，附加一个面积容错值120，则本实例中采用的面积灰度阈值＝小面积值区域对应的最大面积值+面积容错值＝210+120＝330，即采用污点面积阈值为330，如图6中B位置对应的面积值。另外，通过图6可知，面积特征直方图中存在两处面积较大的区域，应当是分别对应一个激光线的面积区域，因此，在此可预判，皮带发生一处撕裂，从而导致激光线断裂为两个区域。
根据污点面积阈值，将污点噪声区域从激光线区域图像中去除，图7为噪声去除前后的对比图，如图7所示，噪声去除后得到只有激光线区域的图像。
步骤S700，对激光线边缘区域图像进行连通域分割，计算分割后的连通域个数。
本实例中，对激光线边缘区域图像进行连通域分割，即激光线边缘区域图像中的连通域进行打散，以便于统计连通域的个数。
步骤S800，根据激光线边缘区域图像的连通域个数确定皮带是否撕裂。本实例中，激光线边缘区域图像的连通域个数为2，因此，判定皮带发生撕裂，存在一条撕裂裂纹，同时，向皮带驱动电机发送停机指令，使皮带运输机停止运转。
综上，本申请提供了一种皮带撕裂监测方法，同时采用了激光线成像以及机器视觉算法处理图像，即采集被激光投射后的皮带表面图像，并利用机器视觉算法判断激光线的缺失与否，进而判断皮带撕裂情况。该过程中，一方面，比传统相机成像相比，激光线成像可记载更多信息，因此，确保采集的皮带表面信息更准确，例如撕裂情况，从而确保了后续检测结果的准确度。
另一方面，采用本申请的机器视觉算法判定皮带表面撕裂过程中，利用激光线灰度阈值，对图像进行阈值分割以及对分割后区域进行膨胀处理，并在皮带表面图像的灰度图像中裁剪得到包含激光线的感兴趣区域图像，则在后续的皮带撕裂判断过程中，仅需对感兴趣区域图像进行判断，极大的缩小了判断的图像范围，有助于判断效率的提高，同时，也提高了判断精度。另外，与现有技术中对采集图像进行直接撕裂判断相比，本申请中，在进行撕裂判断之前，对图像进行预处理以及图像再增强等处理，使图像中的激光线部分突出显示，并在增加激光线光亮的同时，有效的抑制了一部分噪声，从而使得对皮带撕裂的判断更加准确，并且，降低了误判情况。此外，本申请中，利用灰度分布直方图的激光线灰度阈值，对皮带表面图像进行阈值分割以及对分割后区域进行膨胀处理，并在皮带表面图像的灰度图像中裁剪得到包含激光线的感兴趣区域图像，在后续的皮带撕裂判断过程中，仅对感兴趣区域图像进行判断即可，极大的缩小了判断的图像范围，有助于判断效率的提高，同时，也提高了判断精度。
综上，本申请采用的机器视觉算法在判断皮带表面撕裂过程中，使用的判断语句简洁，准确率高，识别性强，适用性广，并且可快速的识别皮带撕裂，即在撕裂发生时或撕裂初期时，可及时响应，从而避免皮带后续发生其他故障。
以上所述为本申请最佳实施方式的举例，其中未详细述及的部分均为本领域普通技术人员的公知常识。本申请的保护范围以权利要求的内容为准，任何基于本申请的技术启示而进行的等效变换，也在本申请的保护范围之内。

Claims (7)

1.一种皮带撕裂监测方法，其特征在于，包括：应用于皮带撕裂监测系统中，所述系统包括激光源和取像装置，所述激光源用于将激光投射到皮带表面形成激光线，所述取像装置用于采集被激光投射后的皮带表面图像，所述方法包括：
获取所述皮带表面图像对应的灰度分布直方图，并根据所述灰度分布直方图确定激光线灰度阈值；
根据所述激光线灰度阈值，对所述皮带表面图像进行阈值分割以及膨胀处理，获取所述皮带表面图像中激光线所在的区域范围，并根据激光线所在的区域范围，在皮带表面图像的灰度图像中剪裁出包含激光线的图像，即感兴趣区域图像；
获取所述感兴趣区域图像中激光线的边缘轮廓，并对激光线的边缘轮廓进行区域化以及区域填充，得到激光线区域图像；
对所述激光线边缘区域图像进行连通域分割，计算分割后的连通域个数；
根据激光线边缘区域图像的连通域个数确定皮带是否撕裂。
2.根据权利要求1所述的皮带撕裂监测方法，其特征在于，所述皮带撕裂监测方法还包括，将所述皮带表面图像进行预处理。
3.根据权利要求2所述的皮带撕裂监测方法，其特征在于，所述获取所述皮带表面图像对应的灰度分布直方图，并根据所述灰度分布直方图确定激光线灰度阈值，包括，
将经过预处理的皮带表面图像进行灰度化，得到皮带表面灰度图；
根据皮带表面灰度图，得到对应的灰度分布直方图；
根据所述灰度分布直方图上不同区域的灰度值，确定激光线灰度阈值。
4.根据权利要求1所述的皮带撕裂监测方法，其特征在于，所述皮带撕裂监测方法还包括，对剪裁得到的感兴趣区域图像进行图像再增强，其中，图像再增强过程中使用的指数变换公式为：
G′＝GExponent，
式中，G为原始图像的灰度值，G′为指数变换后图像的灰度值，Exponent为变换的指数。
5.根据权利要求1所述的皮带撕裂监测方法，其特征在于，所述皮带撕裂监测方法还包括，对所述激光线区域图像进行噪声去除，具体包括，
利用区域填充过程中使用的填充数据绘制面积分布直方图；
根据面积分布直方图，确定污点面积阈值；
利用污点面积阈值，对激光线区域图像中的污点噪声区域进行去除。
6.根据权利要求1所述的皮带撕裂监测方法，其特征在于，所述皮带撕裂监测方法还包括，对所述激光线区域图像进行噪声去除，具体包括，
计算激光线区域图像中每个连通域的圆度值e，其中，圆度值e的计算公式为：
e＝4πS/C2，
式中，S为连通域内的像素点个数，C为连通域外圈上的像素个数；
若连通域的圆度值e大于预设圆度阈值，则判定该连通域为污点噪声面积区域，将该连通域从激光线区域图像中去除；
若连通域的圆度值e小于预设圆度阈值，则判定该连通域为激光线面积区域。
7.根据权利要求1所述的皮带撕裂监测方法，其特征在于，所述根据激光线边缘区域图像的连通域个数确定皮带是否撕裂，包括，
若连通域个数大于1，则判定皮带发生撕裂；
若连通域个数等于1，则判定皮带没有发生撕裂。
CN202210872130.9A 2022-07-22 2022-07-22 一种皮带撕裂监测方法 Active CN115159027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210872130.9A CN115159027B (zh) 2022-07-22 2022-07-22 一种皮带撕裂监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210872130.9A CN115159027B (zh) 2022-07-22 2022-07-22 一种皮带撕裂监测方法

Publications (2)

Publication Number Publication Date
CN115159027A true CN115159027A (zh) 2022-10-11
CN115159027B CN115159027B (zh) 2024-03-22

Family

ID=83496137

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210872130.9A Active CN115159027B (zh) 2022-07-22 2022-07-22 一种皮带撕裂监测方法

Country Status (1)

Country Link
CN (1) CN115159027B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861294A (zh) * 2023-02-09 2023-03-28 山东天意机械股份有限公司 一种基于计算机视觉的混凝土生产异常检测方法及装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105083916A (zh) * 2015-08-18 2015-11-25 天津工业大学 输送带纵向撕裂故障在线检测方法
CN106276132A (zh) * 2016-07-28 2017-01-04 天津工业大学 一种基于线激光图像的输送带纵向撕裂在线检测方法
CN108364291A (zh) * 2018-03-13 2018-08-03 钟国韵 基于计算机视觉技术的原坯布快速检测方法
CN109879005A (zh) * 2019-04-15 2019-06-14 天津美腾科技有限公司 皮带撕裂检测装置及方法
CN110111303A (zh) * 2019-04-04 2019-08-09 上海大学 一种基于动态图像的大型运载皮带撕裂故障智能检测方法
CN110390256A (zh) * 2019-05-29 2019-10-29 广东建科交通工程质量检测中心有限公司 一种沥青路面裂缝提取方法
CN113120555A (zh) * 2021-04-28 2021-07-16 中国矿业大学 一种基于线结构光的输送带纵向撕裂检测方法
CN113869278A (zh) * 2021-10-18 2021-12-31 中国神华能源股份有限公司哈尔乌素露天煤矿 一种皮带撕裂状况判定方法、系统及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105083916A (zh) * 2015-08-18 2015-11-25 天津工业大学 输送带纵向撕裂故障在线检测方法
CN106276132A (zh) * 2016-07-28 2017-01-04 天津工业大学 一种基于线激光图像的输送带纵向撕裂在线检测方法
CN108364291A (zh) * 2018-03-13 2018-08-03 钟国韵 基于计算机视觉技术的原坯布快速检测方法
CN110111303A (zh) * 2019-04-04 2019-08-09 上海大学 一种基于动态图像的大型运载皮带撕裂故障智能检测方法
CN109879005A (zh) * 2019-04-15 2019-06-14 天津美腾科技有限公司 皮带撕裂检测装置及方法
CN110390256A (zh) * 2019-05-29 2019-10-29 广东建科交通工程质量检测中心有限公司 一种沥青路面裂缝提取方法
CN113120555A (zh) * 2021-04-28 2021-07-16 中国矿业大学 一种基于线结构光的输送带纵向撕裂检测方法
CN113869278A (zh) * 2021-10-18 2021-12-31 中国神华能源股份有限公司哈尔乌素露天煤矿 一种皮带撕裂状况判定方法、系统及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
吴涛: "基于视觉分析的输送带撕裂监测系统的应用研究", 《机械管理开发》, no. 6, pages 146 - 151 *
石建华等: "基于激光线束的输送带撕裂视觉检测研究", 《煤矿机械》, vol. 43, no. 04, pages 69 - 71 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115861294A (zh) * 2023-02-09 2023-03-28 山东天意机械股份有限公司 一种基于计算机视觉的混凝土生产异常检测方法及装置

Also Published As

Publication number Publication date
CN115159027B (zh) 2024-03-22

Similar Documents

Publication Publication Date Title
CN108647572B (zh) 一种基于霍夫变换的车道偏离预警方法
US8902053B2 (en) Method and system for lane departure warning
RU2416068C2 (ru) Устройство для измерения износа контактного провода
CN106780486B (zh) 一种钢板表面缺陷图像提取方法
CN116758061A (zh) 基于计算机视觉的铸件表面缺陷检测方法
CN111047615A (zh) 基于图像的直线检测方法、装置以及电子设备
CN114348581A (zh) 一种皮带撕裂检测方法和系统
Bharali et al. Detection of hemorrhages in diabetic retinopathy analysis using color fundus images
CN105447489B (zh) 一种图片ocr识别系统的字符与背景粘连噪声消除方法
CN115159027A (zh) 一种皮带撕裂监测方法
CN116524196B (zh) 一种基于图像识别技术的输电线智能检测系统
CN111929328A (zh) 拉链缺陷检测方法和装置
CN109850518B (zh) 一种基于红外图像的实时矿用胶带预警撕裂检测方法
CN115631146A (zh) 一种基于图像的受电弓碳滑条缺损缺陷检测方法
CN112330633B (zh) 基于自适应带通滤波的跨接线胶带破损故障图像分割方法
Rapantzikos et al. Nonlinear enhancement and segmentation algorithm for the detection of age-related macular degeneration (AMD) in human eye's retina
CN114612678A (zh) 视觉感知算法评测方法
JPH11353581A (ja) 昼間における車種判別装置及び方法
CN113516608B (zh) 轮胎的缺陷检测方法和检测装置、轮胎检测设备
CN115352832A (zh) 一种皮带撕裂检测方法
CN114742768A (zh) 钢轨浅层剥离损伤检测方法及检测系统
JPH0718811B2 (ja) 欠陥検査方法
CN111882537A (zh) 视觉检测方法及系统
Usamentiaga et al. Jam detector for steel pickling lines using machine vision
CN118505689B (zh) 基于图像特征的纺织产品瑕疵快速检测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 272071 comprehensive building of laser research institute, Shandong Academy of Sciences, No.46 Haichuan Road, high tech Zone, Jining City, Shandong Province

Patentee after: LASER INSTITUTE,SHANDONG ACADEMY OF SCIENCES

Country or region after: China

Patentee after: Qilu University of Technology (Shandong Academy of Sciences)

Address before: 272071 comprehensive building of laser research institute, Shandong Academy of Sciences, No.46 Haichuan Road, high tech Zone, Jining City, Shandong Province

Patentee before: LASER INSTITUTE,SHANDONG ACADEMY OF SCIENCES

Country or region before: China

Patentee before: Qilu University of Technology