矿用输送带纵撕图像检测和纵撕故障识别方法

王铁军

摘 要：针对矿用输送带运行过程中容易出现纵向撕裂的工程背景，计算纵向长度、横向宽度，计算长宽比等特征参数判定矿用输送带纵撕图像。矿用输送带纵撕图像的纵向长度、横向宽度超过一定的阈值，自动识别判定发生了纵撕故障。图像质量识别度高，检测准确，有效解决了解决矿用输送带纵撕图像检测和纵撕故障识别的问题。

关键词：纵向撕裂；故障识别；图像质量

中图分类号：TB 文献标识码：Adoi：10.19311/j.cnki.1672-3198.2018.24.095

1 引言

输送带作为现代化大生产的重要运输设备已经广泛应用于我国的电力、化工、、港口、煤炭、矿山、冶金等领域。由于矿用输送带在使用过程中经常出现纵向撕裂、断带等故障，从而造成设备损坏、材料损耗、人员伤亡、停产等事故严重制约了企业的安全生产。所以非常有必要对输送带纵撕图像进行检测、识别出纵撕故障以保障输送带的运行安全。对矿用输送带纵撕图像的检测，目前除人工检测外，研究者们还提出了激光发射器检测、差影法检测和面积法检测等方法。目前应用的基于机器视觉的纵撕故障检测方法主要还是停留在实验室研究阶段距离广泛应用还有好长的一段路要走。由于各个企业的现场具体应用条件千差万别，所以还没有统一、可靠的纵撕检测技术和方法，国内外在这个领域的研究还处于探索研究阶段。魏涛等人提出的检测输送带裂纹的算法的数学形态学方法还处于试验研究阶段，无法广泛地应用现场实际。

2 输送带图像分割

通常我们把具有相同性质的区域和有意义的部分从图像中提取出来称为图像分割。这种方法通常是作为高层计算机视觉处理例如图像理解和图像识别等活动的基础来应用的。它具有以下特点：（1）以明显差异的性质作为相邻区域分割的依据；（2）以相似性作为分割出来的各区域的某种特性（如灰度和纹理），必须保持内部的连通性并且没有过多的小孔作为区域的主要特征；（3）以明确的边界作为区域划分的标准。

作为计算机视觉、图像分析、图像理解研究的经典难题图像分割目前可以分为三大类型：即阈值分割、区域分割、边缘分割。边缘分割首先探测局部不连续性，然后形成边界；基于区域的分割将具有同类属性的区域连接起来形成边界；而基于阈值的分割通过设置阈值来区分物体与背景。基于阈值的分割具有简单高效的特点，由于不需要图像的先验知识而适合应用于模式识别的无监督决策。目前尽管在国内外有种类繁多的图像分割算法，可是迄今为止没有一个统一有效、普遍适用的图像分割算法。本论文采用的输送带图像分割的方法是阈值图像分割法。

针对输送带分割的方法有边缘检测、阈值分割、差影图像分割法等。在现场实践中通常的普遍的图像分割是依据像素的灰度值来进行的。针对输送带的跑偏和表面裂纹故障，我们提出了灰度平均法和先验阈值法用于输送带跑偏图像的分割这两种方法都是全局阈值法。还提出了列局部阈值法用于输送带纵向撕裂故障图像的分割。

2.1 图像阈值法分割技术分析

恰当的阈值是阈值法分割的关键。通常出现斑点、条纹、物体丢失等现象都是因为采用不适当的阈值造成的，严重地影响对物体的识别。最常用的阈值分割方法是Otsu法，Otsu法具有实时性好、运算速度快等优点，并且Otsu法是基于灰度直方图的一阶统计特性，在现场应用非常广泛。但是，对噪声比较敏感是Otsu法的一大缺点，在类间方差为单峰的图像的时候Otsu法才会有较好效果，而对灰度直方图双峰特性的要求，限制了Otsu法的应用范围。实际上，阈值的设置有很多方法，我们先介绍一下最新的阈值分割研究方向，再详细分析基于直方图的阈值分割方法及其研究进展。

多级阈值是图像分割的一个研究方向。比如利用遗传算法和小波变换自动计算阈值个数和值的多级阈值法。Yan等人提出了一种基于统计特性的多级自适应阈值法。Sathya等人则提出了一个基于细菌觅食算法（bacterial foraging algorithm）的多级阈值法。

神经网络技术应用于图像的分割也是图像分割的一个研究方向。Bhattacharyya等人研究了基于神經网络的图像分割技术，分析了基于自监督多层自组织神经网络、监督金字塔神经网络和双向自组织神经网络的多级图像分割。Chen等人则提出了一种基于自适应参数调整的简化型脉冲耦合神经网络（simplified pulse coupled neural network，SPCNN）阈值分割算法。

阈值分割的另外一个重要研究方向是模仿人类视觉的功能来分隔图像。比如，人类及其他灵长目动物一个非常重要的内在属性是视觉注意机制，视觉注意机制的最主要的功能是当人类运用视觉信息搜索时能够在大量视觉信息中迅速地找到感兴趣的或显著的物体，同时能够省略掉许多不重要的内容，从而减少了信息处理的计算量。王兆虎等人提出了一种基于视觉特性的图像分割方法。将数学上的部分和问题与图像分割相融合是阈值分割技术未来的一个研究方向。

有文献曾提出了最佳阈值法，直接根据图像的像素值进行阈值分割。由于和我们直接根据图像进行分割的方法具有相同之处，这里详细介绍一下该方法。在实践中通常最理想的阈值计算过程为：首先初始阈值的确定方法是求出图像中的最大和最小灰度值的平均值，再将图像分割成背景和目标两部分，然后求出背景和目标各自的灰度平均值，再将背景和目标的灰度平均值的均值作为新阈值进行图像分割，继续计算新的阈值来分割图像直到阈值满足要求。

另外，对图像进行阈值分割的研究还有：Kim等人提出了一种基于模糊聚类的模糊阈值分割方法用于PET/CT图像的实时处理；Zhang等人提出了一种利用小波变换和贝叶斯分类方法来设置阈值的图像分割方法；针对医学的断面X光投影图像（tomograhpic projection data），曾提出了投影距离最小化方法来寻找图像分割阈值。

2.2 灰度平均法

在输送带图像中，输送带和背景在像素灰度值上存在明显的差别，利用该差别可以将输送带和背景分开。灰度平均法就是基于此认识而提出的，其设计思想是根据一定的准则将图像平均灰度值调整到合适的位置来设置图像分割的阈值。

为了验证灰度平均法的有效性，将灰度平均法与Otsu法、边缘分割法进行对比。图像分割效果的两个对比结果分别如图1所示。通过对比图1可以发现，灰度平均法比边缘分割法的分割效果好，虽然与Otsu法的分割效果相当，但计算量却远小于Otsu法。由此可知，灰度平均法适合于输送带图像分割的在线处理。

灰度平均法可以将输送带和背景分开，故该方法可以用于输送带跑偏图像的分割。另外，灰度平均法适合图像的实时处理，因此该方法可用于输送带图像的在线处理。

2.3 先验阈值法

如果能够事先确定待分割图像中目标和背景分布的大致区域，那么就可以采集目标和背景各自所在区域的像素值，进而利用采集的像素值来设置图像分割阈值。由于该方法基于图像的一些先验知识，故命名为先验阈值法。

先验阈值法可以用于跑偏故障检测的输送带图像分割。通常情况下，在输送带图像中，位于图像中央的是输送带，而位于图像两个边缘的是背景。针对输送带的跑偏故障，先验阈值法的阈值计算依据为：选取要提取像素值的图像区域，设宽度为k列，计算图像左右边界附近k列像素平均值的最大值，再计算图像中间区域k列像素平均值的最大值，最后根据这三个值来设置阈值。输送带和背景像素提取的示意图如图2所示。

对于输送带比背景暗的图像，输送带就用“1”来表示，背景用“0”来表示，而对于背景比输送带暗的图像只需对b（i，j）取反即可。

为了验证先验阈值法的有效性，用输送带视觉监测系统测取的三幀输送带进行测试，并与Otsu法、边缘分割法进行对比。原始图像及分割对比结果如图3所示。通过对比图3可以发现，先验阈值法比边缘分割法的分割效果好，虽然先验阈值法的分割结果与Otsu法的分割效果相当，但先验阈值法的计算量远小于Otsu法。由此可知，先验阈值法可以用于输送带跑偏故障检测的图像分割，而且该方法尤其适合于输送带图像分割的在线处理。

对比图3和图2可知，灰度平均法和先验阈值法的分割结果相差很小。这两种方法都可以用于输送带跑偏图像分割。但是，先验阈值法的物理意义更明确，它更接近人类视觉对图像的分割。

2.4 列局部阈值法

灰度平均法和先验阈值法可以用于跑偏故障检测的输送带图像分割，直方图阈值法可以用于裂纹图像的分割，他们都是全局阈值法。很显然，直方图阈值法和灰度平均法也可以用于输送带纵向撕裂图像的分割，但根据输送带纵向撕裂的特点，可以用局部阈值来分割图像。这里提出一种列局部阈值法用于输送带纵向撕裂图像的分割。

列局部阈值法的设计思想是：计算图像在高度方向上的平均变化趋势，然后根据一定的准则调整平均变化趋势到合适的位置来设置图像分割的阈值。

式（13）表明列局部阈值法是通过将图像灰度沿宽度方向的平均变化趋势线调整到适当的位置来设置背景与物体的分界线。而由式（16）可知，列局部阈值法是一种局部阈值方法，该方法计算的阈值可以根据输送带图像的变化而自适应的变化。

用一幅带有裂纹的输送带图像来测试列局部阈值分割算法，并将其与Otsu法、迭代法、边缘分割法进行对比。列局部阈值法的分割结果和其它三种方法的分割结果分别如图4和图5所示。通过对比图4和图5的分割结果可以发现，列局部阈值法比边缘分割法和Otsu法的分割效果更好，虽然与迭代法的分割效果相当，但计算量却远小于迭代法。

3 结论

提取的纵撕特征信息：纵向长度、横向宽度，计算长宽比等特征参数判定矿用输送带纵撕图像。矿用输送带纵撕图像的纵向长度、横向宽度超过一定的阈值，自动识别判定发生了纵撕故障。图像质量识别度高，检测准确，有效解决了矿用输送带纵撕图像检测和纵撕故障识别的问题。

参考文献

[1]孟佳音，刘佳，梁雪冬.带式输送机输送带跑偏及其调心的探讨[J].科技创新导报，2012，（9）：82.

[2]张文军.基于X射线成像的输送带内部钢丝故障诊断系统[J].煤炭科学技术，2010，38（9）：68-72.

[3]高毓麟，程红，赵书江.钢丝绳芯输送带X射线无损检测[J].煤矿机电，1996，（4）：15-16.

[4]滕永青，李仰军，周承仙.基于机器视觉和虚拟仪器技术的传送带检测系统[J].煤矿机械，2008，29（4）：125-127.

[5]祁隽燕，谭超，李浩.基于机器视觉的输送带纵撕智能检测[J].煤矿机械，2006，27（11）：110-111.

[6]祁隽燕，谭超，李浩.基于数字图像处理的皮带纵撕视觉识别[J].煤炭技术，2006，25（11）：15-17.

[7]魏涛，王召巴，金永.煤炭输送带表面裂纹自动检测技术研究[J].煤矿机械，2010，31（2）：211-213.

[8]徐永峰，杨彦利，苗继军，张学忠，苗长云.基于机器视觉的输送带在线监测系统研究[J].煤矿机电，2013，（4）：88-91.

[9]苗继军，杨彦利，张学忠，苗长云.输送带表面图像快速分割技术研究[J].煤炭工程，2014，（04）.