劉振東, 郭大波, 申紅燕, 秦文兵
(1. 山西大學 物理電子工程學院, 山西 太原 030006; 2. 太原理工大學 電氣與動力工程學院, 山西 太原 030024;3. 山西宇昊科技有限公司, 山西 太原 030006)
?
基于X射線鋼芯傳送帶圖像的缺陷檢測算法
劉振東1, 郭大波1, 申紅燕2, 秦文兵3
(1. 山西大學 物理電子工程學院, 山西 太原 030006; 2. 太原理工大學 電氣與動力工程學院, 山西 太原 030024;3. 山西宇昊科技有限公司, 山西 太原 030006)
摘要:鋼絲繩芯輸送帶是煤礦的主要傳輸設備, 然而煤炭生產常常會因為鋼絲繩缺陷引起的崩斷而中斷. 因此, 為了保證安全生產, 防止惡性事故發(fā)生, 需要檢測鋼絲繩芯輸送帶的缺陷情況. 本文以線性X射線陣列采集運行鋼絲繩芯皮帶的圖像序列, 根據(jù)其圖像紋理特征, 提出了一種線狀局部二進制模式紋理編碼算子(line-shaped LBP)檢測鋼絲繩芯圖像缺陷, 并在VC++平臺上實現(xiàn)了鋼絲繩芯輸送帶在線缺陷檢測、 存儲、 報告打印和顯示缺陷的目標. 大量實驗結果表明, 該算法檢測精度平均值可達到90%.
關鍵詞:鋼絲繩芯輸送帶; 局部二進制模式; 紋理編碼; 缺陷檢測; 在線檢測
0引言
原來的煤礦礦井提升系統(tǒng)大多為立井箕斗或斜井短距離普通膠帶, 這兩種提升方式的優(yōu)點是前期投資少, 但是運距短、 運量有限, 限制了其廣泛應用. 強力鋼絲繩芯輸送帶具有高強度的抗拉伸性能, 因此適合大運量、 長距離、 大傾角和高速度運輸, 2000年以后被廣泛應用于礦井煤炭運輸. 為了滿足日益增長的煤炭需求, 鋼絲繩芯輸送帶運輸量不斷增加, 但因為輸送帶承載能力有限, 導致皮帶鋼絲繩斷裂事故頻繁, 直接影響著生產效益. 皮帶斷裂事故往往是由于沒有及時發(fā)現(xiàn)小缺陷并及時維修, 導致小缺陷變成大缺陷. 因此, 對皮帶缺陷檢測方法進行研究是十分必要的.
鋼絲繩芯輸送帶由上、 下覆蓋膠與芯膠及以一定間距縱向排列在芯膠中的鋼絲繩及邊膠組成, 如圖 1 所示. 其中上覆蓋膠主要用于承料, 具有阻燃、 耐磨、 抗靜電、 抗砸的能力; 下覆蓋膠用于過滾筒, 具有阻燃、 耐磨、 抗靜電、 防滑的功能; 鋼絲繩用于增加抗拉強度; 芯膠用于與鋼絲繩充分粘合.
圖 1 強力鋼絲繩芯輸送帶構造Fig.1 The construction of the strong steel cable conveyor belt
對鋼絲繩芯輸送帶的檢測方法大致可分為兩種, 一種是通過肉眼觀察或人工觸摸; 另一種是借助工具檢測. 肉眼觀察或人工觸摸只能檢測到鋼絲繩芯外露或有明顯損傷的情況, 而不能察覺出潛在斷裂的情況, 而且檢測結果也會因觀測人實踐經驗、 技術水平和精神狀態(tài)的不同而有所差異, 存在很大的偶然性. 工具檢測法有精度高、 速度快、 易操作等優(yōu)勢, 目前工具檢測的主流方法有X射線檢測法[1]、 磁感應檢測法[2,3]和便攜式X光機檢測法.
磁感應檢測法的原理是在貼近回程膠帶的地方安裝磁感應線圈, 在鋼絲繩芯帶式輸送機的上半部分加裝一組永久性磁鐵, 使輸送帶內部的鋼繩芯被均勻磁化. 另外, 再加裝一只測速儀測量輸送帶的運行速度, 通過漏磁放大器對輸送帶上帶有的磁性進行測量. 正常輸送帶的檢測圖像約為一條平緩的直線; 一旦輸送帶發(fā)生斷帶、 銹蝕或位移等問題時, 檢測到的圖像將會出現(xiàn)凸出或凹進的變化. 通過輸送帶的速度和檢測到的信號特征, 可分辨出輸送帶是否出現(xiàn)損傷問題和發(fā)生問題的種類、 損傷程度和定位. 由于這種監(jiān)測方法的技術較為復雜, 一般情況下檢測過程需要兩個傳感器. 兩個傳感器分別安裝在鋼絲繩芯輸送帶上下, 借助較大壓力作用于皮帶, 不但使皮帶受到的摩擦力增加, 而且還受皮帶的抖動影響, 導致判斷準確性不高, 因此限制了此設備的使用.
便攜式X光機檢測指在輸送帶靜止的情況下, 工作人員用便攜式X光機對輸送帶的損傷進行定點檢測, 并判斷出輸送帶損傷的可疑處. 由于X光機對人體的傷害較大, 此類方法也較少被使用.
X射線檢測法是一種基于X射線投影成像和計算機圖像處理的無損探傷技術. 它的原理是在鋼絲繩芯帶式輸送機下方放置線狀X光源, 在輸送機的回程帶上方放置線性X射線探測器, 利用X射線的透視性使X光機發(fā)出的扇形光穿透運動的輸送帶, 然后通過上方的線性陣列探測器形成圖像像素電信號, 再經過采集卡A/D轉換、 數(shù)字信號處理后傳輸至上位機, 得到輸送帶的內部結構動態(tài)圖像. 本文針對這種動態(tài)圖像的特點, 提出了一種局部二進制模式線性紋理特征編碼方法, 并用VC++實現(xiàn)了在線缺陷檢測、 顯示、 存盤、 后期報告打印和定位輸出, 實驗結果表明該算法缺陷檢測精度達到了較高水平.
1鋼芯傳送帶缺陷在線檢測算法
基于X射線的鋼絲繩芯輸送帶缺陷檢測系統(tǒng)的核心是對在線生成的視頻圖像進行紋理分析, 要求紋理分析算法具有高效性.
1.1常用的紋理和缺陷檢測算法
紋理分析是實現(xiàn)圖像分類、 機器視覺、 模式識別等應用研究的基礎. 紋理特征的有效提取是紋理描述、 分類與分割的關鍵.
常見的紋理特征提取方法包括統(tǒng)計方法、 幾何方法、 模型方法、 濾波方法與結構方法[4]. 紋理統(tǒng)計分析方法以灰度共生矩陣[5]最具代表性, 但計算共生矩陣時需要高階統(tǒng)計量的計算, 導致這一環(huán)節(jié)較耗時, 計算效率低, 不適合在線檢測; 幾何方法使用Voronoi網格描述紋理, 計算復雜度高, 也不適合實時檢測; 模型紋理分析則是對圖像建模并將特征提取轉化為參數(shù)估計問題, Markov隨機場、 分形模型和自回歸模型等是其主要方法, 如何在估計精度和計算復雜度之間權衡是關鍵; 濾波紋理分類方法大多假定“頻域能量分布可以鑒別紋理”, 濾波方法有著很好的分類計算能力, 但存在計算復雜度高、 參數(shù)選取等問題, 使其在工程應用中受到限制. 結構方法分析研究組成紋理的基元和它們的排列規(guī)則, 基元的排列規(guī)則常用樹文法來描述, 有利于對紋理構成的理解, 適合描述人工紋理, 本文使用的局部二進制模式就屬于這類方法.
常用的缺陷檢測算法有基于BP神經網絡的缺陷檢測算法[6]、 基于視覺注意模型的缺陷檢測算法[7]、 基于不變矩的缺陷檢測算法[8]與基于Gabor濾波器的缺陷檢測算法[9]. 基于BP的缺陷檢測算法選取一組合適權值, 使得輸出層中的真實響應和期望響應相符合需要長時間的學習訓練過程, 時間復雜度高; 基于視覺注意模型的檢測算法不但運算耗時長, 還與參數(shù)選取有很大關系; 基于不變矩的缺陷檢測算法不能提供較通用的形式; 基于Gabor濾波器的缺陷檢測算法針對特征維數(shù)較高的二維Gabor濾波器實現(xiàn), 計算量也較大. 從以上分析來看, 以上方法都有時間復雜度高的共同特點, 不適合在線檢測.
1.2鋼芯輸送帶X射線圖像的紋理分析
根據(jù)X射線檢測原理[10], 輸送帶中鋼絲繩芯對X射線的吸收率最強, 線陣探測器采集到的圖像中鋼絲繩所在處的圖像灰度值偏小, 圖像呈現(xiàn)較暗, 而非鋼絲繩處圖像灰度值偏大, 圖像呈現(xiàn)較亮, 如圖 2 所示. 從圖像中發(fā)現(xiàn)正常鋼絲繩芯圖像具有比較規(guī)律的豎狀線性紋理特征, 而缺陷部分卻破壞了這種規(guī)律性, 本文正是基于這一紋理特征檢測皮帶缺陷.
圖 2 鋼芯輸送帶X射線圖像Fig.2 The X-ray images of steel cable conveyor belts
1.3局部二進制模式紋理編碼原理
局部二進制模式(LBP)[11]是提取紋理特征的主要方法之一, 由于計算復雜度低、 無需訓練學習、 光照不變性、 易于工程實現(xiàn)等優(yōu)點, 在圖像處理和計算機視覺領域應用越來越廣泛.
LBP算子是大小為3×3的矩形區(qū)域, 如圖 3(a) 所示. 該算子的計算方法是將3×3矩形區(qū)域中心像素點的灰度值設置為閥值, 對中心像素點的鄰域像素點灰度值進行二值量化, 將大于中心像素點灰度值的編碼為1, 小于等于中心像素點灰度值的編碼為0, 如圖 3(b) 所示, 這樣就將3×3矩形區(qū)域圖像灰度值轉換為LBP值. 按照圖 3(b) 箭頭所指方向, 從左上角開始以二進制形式記錄圖像特征為01110100, 轉換為十進制即46, 就用46來標識3×3的矩形區(qū)域的中心像素點. 以此類推, 就得到了一幅圖像的LBP值.
圖 3 LBP算子示意圖Fig.3 The schematic chart of the LBP operator
1.4線狀局部二進制模式(line-shaped LBP)紋理編碼在線檢測算法
圖 4 行圖像灰度值Fig.4 Gray values of a line image
局部二進制模式是一種基于Blob的算法模式, 它對3×3矩形區(qū)域提取的特征有很大的依賴性, 無法提取大尺度紋理特征; 另外, 該模式對噪聲也較為敏感, 周圍像素點灰度值的輕微浮動都會影響中心像素點LBP值變化, 這些缺點使其識別率低, 穩(wěn)定性差. 從橫向上分析, 煤礦采用的鋼絲繩芯輸送帶圖像紋理特征較為規(guī)律, 灰度值浮動不大. 非缺陷圖像灰度值無非兩種, 鋼絲繩處灰度值和膠帶灰度值, 兩者交替排列. 當有缺陷時, 其灰度值和膠帶灰度值接近, 灰度值交替排列規(guī)律擾亂. 根據(jù)此特征, 本文提出了局部二進制模式線狀紋理編碼算子(line-shaped LBP). 設通過線陣探測器獲得的行圖像灰度值如圖 4 所示.
針對圖 4, 將灰度值進行累加求和, 并對累加的灰度值求出此行灰度平均值. 如果某個像素的灰度值大于平均值, 將其值設為1, 否則設為0. 碼字為1的為輸送帶鋼絲繩之間的空隙部分, 碼字為0的為輸送帶的鋼絲繩部分, line-shaped LBP編碼結果如圖 5 所示. 再對已經編碼好的鋼絲繩芯輸送帶圖像每行像素的編碼進行水平方向差分, 差分時, 將后者編碼值與前者編碼值相減, 所得值可能為-1, 0, 1. 其中, 差分值為1的恰好是鋼絲繩芯輸送帶的鋼絲所在處, 而差分值為-1的恰好就是膠帶, 連續(xù)出現(xiàn)0值的即為缺陷. 將圖 5 水平方向差分, 編碼差分圖如圖 6 所示.
圖 5 Line-shaped LBP 編碼結果Fig.5 The coding result by a line-shaped LBP
圖 6 編碼橫向差分值Fig.6 The horizontal differential values between codes
圖 7 縱向差分值Fig.7 The vertical differential values
存在缺陷時, 差分值中會存在連續(xù)的0值, 將此行標記為缺陷行, 便于后續(xù)縱向差分. 根據(jù)差分值1和差分值-1的位置, 可記錄缺陷的起始位置和結束位置.
在縱向行上, 設每行初始值為0, 標記缺陷行的編碼為1, 進行縱向差分, 差分值可能為-1, 0, 1. 差分值為1的是缺陷垂直方向上的起始位置, 差分值為-1的是缺陷垂直方向上的結束位置, 這樣就得到垂直方向上缺陷的起始位置和結束位置. 縱向差分如圖 7 所示.
通過以上優(yōu)化算法, 將檢測到的含有缺陷的皮帶圖像進行保存, 并根據(jù)記錄下的缺陷寬度和高度對圖像缺陷進行了標注, 生成缺陷電子文檔報告, 如圖 8 所示.
圖 8 缺陷報告Fig.8 Defect reports
2結果分析
本系統(tǒng)已被應用于多個煤礦, 每個煤礦的輸送帶型號各異, 抽取5個具有代表性的煤礦輸送帶進行簡單的統(tǒng)計試驗, 每個礦的數(shù)據(jù)如表 1 所示.
表 1 5個典型煤礦皮帶圖像的統(tǒng)計數(shù)據(jù)
5個礦輸送帶圖像檢測正確率結果如表 2 所示.
表 2 Line-shaped LBP算法正確率統(tǒng)計
從表 2 發(fā)現(xiàn), 該優(yōu)化算法對不同煤礦輸送帶檢測結果準確率均值為90%.
3結束語
本文基于X射線透視原理實時檢測鋼絲繩芯輸送帶圖像缺陷, 根據(jù)其圖像紋理特點, 提出了一種線狀局部二進制模式紋理編碼算子(line-shaped LBP), 使用C++語言實現(xiàn)了對鋼絲繩芯輸送帶缺陷的實時檢測存儲、 報告打印和顯示缺陷的目標, 并對算法進行了簡單的典型統(tǒng)計實驗, 實驗結果表明該算法檢測精度平均值可達到90%.
由于輸送帶型號不一, 各個煤礦使用的探測器型號及性能也有很大差別, 如何定義缺陷至今還沒有統(tǒng)一的標準, 因此本文的檢測準確率只是一個參考. 如何提高缺陷檢測準確率是一個綜合問題, 是我們長期努力的方向.
參考文獻:
[1]黃民, 魏任之. 礦用鋼繩芯帶式輸送機實時工況監(jiān)測與故障診斷技術[J]. 煤炭學報, 2005, 30(2): 245-250.
Huang Min, Wei Renzhi. Real time monitoring techniques and fault diagnosis of mining steel cord belt conveyors[J]. Journal of China Coal Society, 2005, 30(2): 245-250. (in Chinese)
[2]許偉. 基于金屬磁記憶法的鋼繩芯膠帶故障檢測系統(tǒng)研究[D]. 太原: 太原理工大學, 2010.
[3]吉增超, 陸振洋. 鋼絲繩芯輸送帶檢測技術及其發(fā)展狀況[J]. 機電技術, 2011, 34(4): 168-170.
Ji Zengchao, Lu Zhenyang. The core belt of wire rope inspection technology and its development situation[J]. Mechanical & Electrical Technology, 2011, 34(4): 168-170. (in Chinese)
[4]Chen C H, Pau L P, Wang P S. Handbook of pattern recognition and computer vision[M]. World Scientific, 2010.
[5]Haralick R M, Shanmugam K, Dinstein I H. Textural features for image classification[J]. Systems, Man and Cybernetics, IEEE Transactions on, 1973(6): 610-621.
[6]Kuo C F J, Lee C J, Tsai C C. Using a neural network to identify fabric defects in dynamic cloth inspection[J]. Textile Research Journal, 2003, 73(3): 238-244.
[7]張杰, 魏維. 基于視覺注意力模型的顯著性提取[J]. 計算機技術與發(fā)展, 2010, 20(11): 109-113.
Zhang Jie, Wei Wei. Saliency extraction based on bisual attention model[J]. Computer Technology and Development, 2010, 20(11): 109-113. (in Chinese)
[8]Hu M K. Visual pattern recognition by moment invariants[J]. Information Theory, IRE Transactions on, 1962, 8(2): 179-187.
[9]Kumar A, Pang G K. Defect detection in textured materials using Gabor filters[J]. Industry Applications, IEEE Transactions on, 2002, 38(2): 425-440.
[10]張文軍. 基于 X 射線成像的輸送帶內部鋼絲故障診斷系統(tǒng)[J]. 煤炭科學技術, 2010(9): 68-72.
Zhang Wenjun. Fault diagnosis system of belt inner steel cable for belt conveyor based on X ray imagel[J]. Coal Science and Technology, 2010(9): 68-72. (in Chinese)
[11]Ojala T, Pietikainen M, Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2002, 24(7): 971-987.
Defect Detection Algorithm Based on X-Rays Steel-Core-Belt Images
LIU Zhendong1, GUO Dabo1, SHEN Hongyan2, QIN Wenbing3
(1. College of Physics and Electronic Engineering, Shanxi University, Taiyuan 030006, China;2. College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan 030024, China;3. Shanxi Yu Hao Technology Co., Ltd., Taiyuan 030006, China)
Abstract:The steel cord conveyor belt becomes the major coal transport equipment in coal mining enterprises and has become increasingly popular. But the production of the coal is often interrupted by the fraction of steel cords due to their defects. Therefore, in order to ensure safe production and prevent fatal accidents of coal, we need to detect defects of the steel cord conveyor belt. In this paper, we use X-rays linear detector array to collect image series of steel-rope-core-belt and propose a line-shaped local binary pattern texture coding operator (line-shaped LBP) to detect defects of the steel-cord-belt according to their texture features. We also implement an online defect detection system of steel cord conveyor belt on which defects can be detected, stored, report printed and targets displayed with VC++ platform. A large number of experimental results show that the average precision of the algorithm to detect defects can reach up to 90%.
Key words:steel-cord-conveyor-belt; local binary pattern; texture coding; defect detection; on-line detection
中圖分類號:TD528.1
文獻標識碼:A
doi:10.3969/j.issn.1671-7449.2016.01.009
作者簡介:劉振東(1988-), 男, 碩士生, 主要從事計算機視覺的研究.
基金項目:山西省基礎研究項目(2014011007-2); 山西省回國留學人員科研資助項目(2014-012); 山西省國際科技合作計劃項目(2014081027-1)
收稿日期:2015-10-18
文章編號:1671-7449(2016)01-0045-06