王福斌 孫海洋 TU Paul

1.華北理工大學(xué)電氣工程學(xué)院，唐山,063009 2.卡爾加里大學(xué)機(jī)械制造工程系, 卡爾加里,T2N1N4

0 引言

皮帶輸送設(shè)備大量應(yīng)用于冶金、煤炭、礦山及水泥行業(yè)，用來輸送粉狀或塊狀物料。皮帶輸送機(jī)高速輸送物料時(shí)，一旦發(fā)生皮帶撕裂事故，若不能及時(shí)發(fā)現(xiàn)并處理，將會(huì)造成皮帶的長距離撕裂及物料的散落，帶來巨大的經(jīng)濟(jì)損失。

皮帶撕裂監(jiān)測是一種較難解決的工程問題，國內(nèi)外許多研究人員也一直在研究、探索更有效的解決辦法。盧金龍[1]通過線激光結(jié)構(gòu)光視覺檢測系統(tǒng)，識(shí)別激光條紋的畸變特征，用來判別皮帶是否有撕裂現(xiàn)象發(fā)生，采用洛倫茲信息測度的線性加權(quán)Ostu分割算法對(duì)激光條紋進(jìn)行分割，并采用Hessian和脊線跟蹤算法提取激光條紋的中心線，取得了較好的效果，但激光條紋對(duì)皮帶劃痕的檢測效果則不理想。張明敏[2]將兩個(gè)工業(yè)相機(jī)固定在輸送帶的兩側(cè)對(duì)輸送帶整個(gè)橫向截面的圖像進(jìn)行采集，用模式識(shí)別的方法來檢測輸送帶縱向撕裂故障。LEE等[3]利用k-均值方法并基于識(shí)別對(duì)象的類型，提出一種穩(wěn)健的噪聲分割方法(活動(dòng)輪廓法)，可用于分割皮帶裂紋圖像特征。

為及時(shí)發(fā)現(xiàn)皮帶由于老化、鈍器損傷等原因出現(xiàn)的撕裂現(xiàn)象[4]，本文構(gòu)建了皮帶撕裂視覺監(jiān)控系統(tǒng)，代替人工對(duì)皮帶進(jìn)行不間斷的實(shí)時(shí)檢測。將智能相機(jī)及照明光源布置在皮帶下方，通過連續(xù)采集皮帶圖像，對(duì)圖像進(jìn)行特征提取及特征分析，進(jìn)而判斷是否有裂紋產(chǎn)生。

1 皮帶撕裂視覺監(jiān)控系統(tǒng)

皮帶撕裂監(jiān)控系統(tǒng)原理見圖1。系統(tǒng)硬件構(gòu)成如下：智能工業(yè)相機(jī)、照明光源及其控制器、繼電器控制模塊及上位機(jī)等。

由于皮帶輸送機(jī)工作空間黑暗且有大量的粉塵，使得圖像采集環(huán)境不理想，應(yīng)對(duì)皮帶進(jìn)行連續(xù)照明[5-6]。皮帶下部工作面圖像的采集、預(yù)處理、圖像特征提取及劃痕或撕裂識(shí)別等工作均在智能相機(jī)內(nèi)部完成。發(fā)現(xiàn)非正常狀態(tài)時(shí)，根據(jù)劃痕或撕裂程度分別進(jìn)行報(bào)警或停機(jī)處理。

制作的皮帶撕裂監(jiān)控裝置及選用的智能相機(jī)見圖2。智能相機(jī)位于裝置的中間位置，兩側(cè)布置LED照明光源。光源控制器為雙通道獨(dú)立控制，可對(duì)光源亮度進(jìn)行調(diào)節(jié)，通過兩路可調(diào)節(jié)電流的電源，實(shí)現(xiàn)對(duì)輸出通道所連接光源的亮度調(diào)節(jié)。

圖2 皮帶撕裂監(jiān)控裝置及智能相機(jī)Fig.2 Monitoring device of belt tearing and intelligent camera

皮帶監(jiān)控裝置的監(jiān)控功能主要依靠相機(jī)序列圖像分析實(shí)現(xiàn)[7]。裝置的功能部件主要有：

(1)工業(yè)智能相機(jī)。相機(jī)選用Vision Components公司的VC4038相機(jī)。相機(jī)本身具備圖像采集與處理功能，配合電平轉(zhuǎn)換電路可將信號(hào)輸出，作為PLC的控制輸入量。相機(jī)的分辨率為640像素×480像素，圖像采集速度為63 幀每秒，相機(jī)進(jìn)光孔調(diào)為最大，曝光時(shí)間為1 ms，對(duì)應(yīng)皮帶最高運(yùn)行速度(3 m/s)的拖影長度為3 mm，滿足應(yīng)用要求。

(2)光源及光源控制器。光源選用2個(gè)VL600D-W型長條LED光源，光源長度為316 mm，為視場范圍內(nèi)的皮帶底部提供照明。雙通道光源控制器(VP-24)可實(shí)現(xiàn)光源亮度的精確調(diào)節(jié)。圖3為皮帶監(jiān)控系統(tǒng)示意圖及光源布置[7-8]。為防止粉塵干擾圖像的采集，采用壓縮空氣對(duì)鏡頭進(jìn)行吹掃。

圖3 皮帶監(jiān)控裝置的安裝及其光源布置Fig.3 Arrangement of belt monitoring device and its light source

2 皮帶退化圖像的復(fù)原

圖4所示為裂紋圖像處理及識(shí)別原理。圖像處理前，首先對(duì)裂紋圖像進(jìn)行復(fù)原、校正，減弱粉塵、振動(dòng)等圖像退化因素的干擾，獲得比較理想的輸入圖像。輸送帶工作過程中，如有大塊物料落下，不僅會(huì)激起粉塵，還可能造成皮帶及輸送機(jī)機(jī)架的抖動(dòng)，導(dǎo)致圖像產(chǎn)生一定程度的模糊退化。為提高皮帶工作面圖像質(zhì)量[9]，采用維納(Wiener)濾波方法實(shí)現(xiàn)退化圖像的復(fù)原。在二維圖像復(fù)原處理中，維納濾波器計(jì)算量小[10]，有較好的復(fù)原效果。

圖4 皮帶裂紋圖像的處理及識(shí)別Fig.4 Image processing and recognition for belt crack

(1)

式中,E(·)為參數(shù)的期望值。

在頻率域中，多數(shù)情況下不知道信號(hào)及噪聲的分布狀態(tài)，有約束復(fù)原的通用表達(dá)式可簡化為

(2)

式中,F(·)為圖像f(x,y)對(duì)應(yīng)的頻域表達(dá)式；K為施加到|H(u,v)|2所有項(xiàng)上的特定常數(shù)；G(u,v)為退化圖像的傅里葉變換；H(u,v)為退化函數(shù)。

在已知退化圖像H(u,v)的情況下，可通過確定參數(shù)K，采用逆傅里葉變換，實(shí)現(xiàn)圖像復(fù)原[12]。圖5所示為振動(dòng)模糊退化圖像的復(fù)原結(jié)果，經(jīng)過觀察可知，與退化圖像相比，裂紋目標(biāo)得到了增強(qiáng)。

圖5 退化皮帶圖像的復(fù)原Fig.5 Restoration of degradation belt image

3 快速運(yùn)動(dòng)目標(biāo)圖像的分割與追蹤

輸送帶在工作過程中以較高的線速度運(yùn)行，視覺監(jiān)控系統(tǒng)必須快速捕捉到高速運(yùn)動(dòng)的皮帶裂紋。系統(tǒng)采用CamShift算法實(shí)現(xiàn)快速移動(dòng)目標(biāo)的跟蹤捕捉[13]，算法實(shí)現(xiàn)原理見圖6。實(shí)驗(yàn)時(shí)，將皮帶運(yùn)動(dòng)速度調(diào)節(jié)至最高(3 m/s)，來驗(yàn)證監(jiān)控系統(tǒng)的快速目標(biāo)捕捉能力。在640×480的像素視場范圍內(nèi)采集高速運(yùn)行的皮帶圖像，經(jīng)圖像處理及分割后，可清楚地看出皮帶裂紋的變化過程，表明皮帶視覺監(jiān)控系統(tǒng)可滿足皮帶高速運(yùn)行時(shí)的監(jiān)控任務(wù)。

圖6 CamShift算法原理Fig.6 Principle of CamShift algorithm

(x,y)為搜索窗口中的像素點(diǎn)位置，在投影圖中，點(diǎn)(x,y)對(duì)應(yīng)的像素值為I(x,y)，搜索窗口的零階矩M00與一階矩M01、M10表達(dá)式為

(3)

當(dāng)前搜索窗口內(nèi)的質(zhì)心位置為

(4)

搜索窗口尺寸依據(jù)M00進(jìn)行調(diào)整，預(yù)先設(shè)定搜索窗口中心與質(zhì)心間的距離閾值，并動(dòng)態(tài)移動(dòng)、計(jì)算二者之間的實(shí)時(shí)距離。算法收斂條件為實(shí)時(shí)距離小于給定的閾值或達(dá)到算法規(guī)定的循環(huán)次數(shù)。達(dá)到收斂條件則對(duì)下一幀圖像進(jìn)行同樣的操作，否則重新計(jì)算調(diào)整后的當(dāng)前圖像幀的窗口質(zhì)心[14]。

對(duì)于當(dāng)前幀，搜索窗口的二階矩為[15]

(5)

令

(6)

得到目標(biāo)長軸方向角為

θ=1/2arctan(b/(a-c))

(7)

圖像中目標(biāo)的長軸l、短軸m分別為

(8)

圖7所示為采用CamShift算法分別對(duì)第375幀、382幀快速運(yùn)動(dòng)的皮帶圖像跟蹤的結(jié)果。由圖可知，對(duì)高速運(yùn)動(dòng)的皮帶及裂紋的跟蹤效果較為清晰。

圖7 快速運(yùn)動(dòng)皮帶跟蹤結(jié)果Fig.7 Tracking of fast moving belt

4 皮帶裂紋的改進(jìn)Canny邊緣檢測

皮帶撕裂圖像監(jiān)控過程中的關(guān)鍵環(huán)節(jié)是采集皮帶裂紋圖像并有效、快速地識(shí)別出來。皮帶裂紋的識(shí)別提取采用Canny算子實(shí)現(xiàn)[16]，為提高邊緣檢測的可靠性，對(duì)檢測到的皮帶邊緣進(jìn)行周向擴(kuò)充，在邊緣基礎(chǔ)上增加一個(gè)δ常數(shù)，從而減小皮帶裂紋漏檢的幾率。

采用Canny邊緣檢測算子得到平滑后的圖像為g(x,y)=f(x,y)?h(x,y)，其中，f(x,y)為原始圖像，h(x,y)為平滑濾波脈沖響應(yīng)的一階微分。再對(duì)圖像g(x,y)求梯度[17]：

(9)

根據(jù)卷積運(yùn)算得

g(x,y)=f(x,y)?h(x,y)=

f(x,y)?h(x,y)

(10)

為防止提取的邊緣模糊，應(yīng)限制梯度的幅值，采用非極大點(diǎn)抑制方法并結(jié)合雙閾值方法剔除虛假的邊緣,最終目標(biāo)的邊緣輪廓由多段邊緣連接而成[18-19]，并用參數(shù)δ進(jìn)行外向擴(kuò)展，增加危險(xiǎn)裂紋目標(biāo)的可識(shí)別性。

皮帶裂紋邊緣提取結(jié)果見圖8。圖8a中外圍不規(guī)則邊緣為一幀圖像視場范圍輪廓，內(nèi)框?yàn)槟繕?biāo)感興趣區(qū)域(ROI)；圖8b中虛線框?yàn)樽R(shí)別出的裂紋最小外接矩形，該矩形在ROI區(qū)內(nèi)。

圖8 皮帶裂紋邊緣提取結(jié)果Fig.8 Edge extraction results of belt crack

5 皮帶裂紋的SVM識(shí)別

支持向量機(jī)(SVM)作為有監(jiān)督的學(xué)習(xí)模型，適合于模式識(shí)別、分類及回歸分析。支持向量機(jī)識(shí)別算法的主要思想如下。

構(gòu)建輸入向量x∈Rn、輸出向量y∈R及n維訓(xùn)練樣本集D={(x1,y1),(x2,y2),…,(xl,yl)}。在n維空間中，尋求與訓(xùn)練樣本的輸入、輸出向量擬合最優(yōu)的分類面方程y=f(x)=wx+b(w、b分別為權(quán)值和閾值)，即SVM的優(yōu)化過程。該優(yōu)化問題可化為在約束條件下，求目標(biāo)函數(shù)的極小值[20]。其中約束條件為yi(wxi-b)-1≥0，i=1,2,…，l，目標(biāo)函數(shù)為

(11)

為優(yōu)化該目標(biāo)函數(shù)，定義Lagrange函數(shù)如下

(12)

式中，αi為Lagrange系數(shù)，αi≥0。

分別對(duì)式(12)中的w、b求偏微分，則問題轉(zhuǎn)化為對(duì)αi求如下函數(shù)的二次規(guī)劃最大值問題：

(13)

約束條件為

(14)

αi≥0

(15)

SVM的學(xué)習(xí)過程以內(nèi)積核函數(shù)代替向高維空間的非線性映射。選用徑向基核函數(shù)k(x,xi)=exp(-‖x-xi‖2/(2σ2))。

皮帶運(yùn)行狀態(tài)監(jiān)控的SVM預(yù)報(bào)模型輸入特征量為皮帶裂紋的像素面積、長寬比，構(gòu)成SVM識(shí)別模型的訓(xùn)練樣本。

對(duì)皮帶裂紋樣本的輸入量進(jìn)行了歸一化處理，表達(dá)式為

s=(s0-s1)/s0

(16)

式中，s0為無裂紋出現(xiàn)時(shí)目標(biāo)圖像在ROI區(qū)內(nèi)的像素面積；s1為有裂紋出現(xiàn)時(shí)的裂紋目標(biāo)像素面積。

首先設(shè)定裂紋像素面積閾值a1，當(dāng)前面積s≥a1，在連續(xù)的3幀圖像中出現(xiàn)2次時(shí)，確定為有皮帶撕裂，此時(shí)SVM的預(yù)報(bào)輸出值用來報(bào)警或停機(jī)。

圖9為ROI區(qū)內(nèi)的皮帶裂紋圖像。系統(tǒng)檢測到該裂紋目標(biāo)后，通過圖像預(yù)處理、分割及幾何特征提取，構(gòu)建裂紋識(shí)別的輸入幾何特征向量。

圖9 檢測到的裂紋目標(biāo)Fig.9 The detected crack target image

檢測系統(tǒng)實(shí)際運(yùn)行中，將裂紋目標(biāo)的長寬比作為輔助決策條件，從而增強(qiáng)識(shí)別皮帶撕裂的可靠性。歸一化時(shí)，當(dāng)前裂紋目標(biāo)的長寬比與ROI區(qū)內(nèi)貫穿裂紋的長寬比相除。圖10所示為第100幀裂紋圖像的長寬比幾何特征提取結(jié)果。

圖10 提取的第100幀裂紋的長寬比特征Fig.10 Extracted feature of length width ratio for the 100th frame belt crack

部分皮帶圖像幾何特征量樣本見表1。樣本涵蓋了可能出現(xiàn)的無裂紋、部分裂紋及裂紋貫通3種特征。表中的樣本第53～55幀為為無裂紋；第99～101幀為裂紋剛剛發(fā)生；第139～141幀為貫穿裂紋。提取樣本圖像的像素面積及裂紋長寬比幾何特征參數(shù)，構(gòu)建SVM輸入特征向量。為提高預(yù)報(bào)模型的可靠性，對(duì)無裂紋時(shí)皮帶圖像分割中出現(xiàn)的斑點(diǎn)干擾進(jìn)行特殊處理：較大的斑點(diǎn)被誤作裂紋時(shí)，雖然斑點(diǎn)的像素面積很小，但其長寬比卻有可能很大，因此，對(duì)無裂紋時(shí)的圖像樣本的長寬比特征量取0～1之間的隨機(jī)數(shù)[21]。模型的預(yù)報(bào)輸出為無裂紋(0～0.3)、部分裂紋(0.3～0.7)、貫穿裂紋(>0.7)。

表1 部分皮帶圖像幾何特征量樣本

將訓(xùn)練樣本數(shù)據(jù)作為SVM預(yù)報(bào)模型的輸入特征量，對(duì)模型進(jìn)行訓(xùn)練。將第55、102及142幀圖像特征選取為測試樣本，對(duì)模型的裂紋識(shí)別能力進(jìn)行測試，結(jié)果見表2。由此可知，采用SVM模型實(shí)現(xiàn)的皮帶裂紋識(shí)別具有較高的精度。實(shí)際裂紋類型與SVM裂紋識(shí)別結(jié)果見圖11。

表2 模型識(shí)別能力測試結(jié)果

圖11 SVM裂紋類型識(shí)別結(jié)果Fig.11 Crack type identification result based on SVM

6 結(jié)論

為提高皮帶圖像質(zhì)量，本文采用維納濾波實(shí)現(xiàn)皮帶退化圖像的復(fù)原增強(qiáng)。為適應(yīng)皮帶高速運(yùn)行的特點(diǎn)，采用CamShift算法實(shí)現(xiàn)皮帶裂紋目標(biāo)圖像的快速跟蹤與捕捉。對(duì)于分割后的圖像，在ROI區(qū)域內(nèi)，采用Canny算子對(duì)皮帶裂紋進(jìn)行邊緣提取，并用增加δ值的方法擴(kuò)展裂紋邊緣，增加裂紋識(shí)別的可靠性。最后，通過構(gòu)建SVM預(yù)報(bào)模型，實(shí)現(xiàn)了皮帶撕裂的檢測。

皮帶撕裂檢測是一個(gè)較難解決的工程實(shí)際問題，如何克服現(xiàn)場惡劣的工作環(huán)境，進(jìn)一步提高皮帶撕裂的檢測效果將是本文今后的研究方向。