王 冬

（錦州天宇機(jī)動(dòng)車(chē)檢測(cè)有限公司，遼寧 錦州 121000）

在礦產(chǎn)領(lǐng)域中，以節(jié)能高效、節(jié)約成本為目的的礦用輸送過(guò)程控制越來(lái)越受到人們的重視，而礦用帶式輸送機(jī)的運(yùn)行質(zhì)量實(shí)時(shí)檢測(cè)技術(shù)也成為其中最關(guān)鍵的技術(shù)環(huán)節(jié)之一。帶式輸送機(jī)具有運(yùn)輸量大、運(yùn)輸距離遠(yuǎn)、可靠性高和運(yùn)輸費(fèi)用低廉等優(yōu)點(diǎn)，因此被廣泛運(yùn)用于礦山、化工、碼頭、鋼鐵等工業(yè)生產(chǎn)領(lǐng)域當(dāng)中，是目前工業(yè)生產(chǎn)中最主要也是最重要的傳輸設(shè)備之一[1]。礦用帶式輸送機(jī)由于其工作環(huán)境十分惡劣，因此在運(yùn)輸過(guò)程中運(yùn)輸帶極易發(fā)生劃傷、撕裂、破損等故障問(wèn)題，一旦出現(xiàn)故障不僅會(huì)使運(yùn)輸物品被大量損耗，同時(shí)也會(huì)造成更加嚴(yán)重的人員傷亡事故，對(duì)于企業(yè)的經(jīng)濟(jì)造成嚴(yán)重?fù)p失，影響礦山企業(yè)的安全生產(chǎn)及經(jīng)濟(jì)效益。隨著現(xiàn)代化技術(shù)的快速發(fā)展，礦用帶式輸送機(jī)的運(yùn)行狀態(tài)檢測(cè)技術(shù)也得到了快速的提高，已經(jīng)從普通的接觸型檢測(cè)轉(zhuǎn)變?yōu)榱朔墙佑|型檢測(cè)，并不斷向著智能化的行列邁進(jìn)。機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)已經(jīng)在礦產(chǎn)領(lǐng)域得到了高度的重視，并已經(jīng)取得了一定的成果[2]。利用機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)可以有效避免傳統(tǒng)檢測(cè)方法中人為主觀因素的影響，并且還能夠?qū)z測(cè)的性能指標(biāo)進(jìn)行定性分析，有效降低作業(yè)人員的勞動(dòng)強(qiáng)度，并進(jìn)一步提高對(duì)檢測(cè)設(shè)備故障的檢測(cè)精度。針對(duì)當(dāng)前礦用帶式輸送機(jī)存在的問(wèn)題，本文開(kāi)展基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的運(yùn)行檢測(cè)分析研究。

1 基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的礦用帶式輸送機(jī)運(yùn)行檢測(cè)方法設(shè)計(jì)

（1）帶標(biāo)記礦用帶式輸送機(jī)運(yùn)行圖像預(yù)處理。本文提出的基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的礦用帶式輸送機(jī)運(yùn)行檢測(cè)方法在對(duì)輸送機(jī)設(shè)備的運(yùn)行圖像進(jìn)行采集時(shí)主要采用電荷耦合器件CCD工業(yè)相機(jī)，通過(guò)CCD工業(yè)相機(jī)的線陣和面陣直接獲取帶式輸送機(jī)在運(yùn)行過(guò)程中的二維圖像?？紤]到礦用帶式輸送機(jī)運(yùn)輸檢測(cè)的實(shí)況問(wèn)題，采用CCD工業(yè)相機(jī)中的線陣獲取其運(yùn)輸過(guò)程中的所有圖像信息。為了保證圖像信息的有效性，在獲取圖像后，立即將其傳送到上位機(jī)端，考慮到傳輸?shù)乃俾剩疚牟捎靡蕴W(wǎng)實(shí)現(xiàn)對(duì)圖像信息的傳輸。由于礦用帶式輸送機(jī)的運(yùn)行環(huán)境較為惡劣，因此獲取到的圖像信息中也存在大量無(wú)用信息，例如，噪聲等。因此為了方便后續(xù)定位和識(shí)別，提高檢測(cè)圖像的質(zhì)量，需要對(duì)帶有標(biāo)記的礦用帶式輸送機(jī)運(yùn)行圖像進(jìn)行預(yù)處理，將圖像中的噪聲去除。由于帶式輸送機(jī)的運(yùn)行是輸送帶收尾相連的，因此采集到的圖像信息攜帶的噪聲主要來(lái)源于帶標(biāo)記圖像獲取及傳輸?shù)倪^(guò)程當(dāng)中。在采集過(guò)程中產(chǎn)生了大量脈沖噪聲，在傳輸?shù)倪^(guò)程中由于受到各個(gè)電子元器件的影響產(chǎn)生了高斯噪聲。以此，在對(duì)圖像進(jìn)行處理時(shí)應(yīng)當(dāng)主要針對(duì)上述兩種噪聲進(jìn)行過(guò)濾和消除。

本文采用圖像平滑技術(shù)降低并抑制圖像中的噪聲，改善帶式輸送機(jī)運(yùn)行圖像的質(zhì)量。假設(shè)圖像中的某一點(diǎn)為（a，b），首先以點(diǎn)（a，b）作為中心點(diǎn)，對(duì)其模板中的所有像素進(jìn)行運(yùn)算；其次，將運(yùn)算得到的結(jié)果作為點(diǎn)（a，b）的新輸出數(shù)值。在帶標(biāo)記的帶式輸送機(jī)圖像y（a，b）中逐漸按像素進(jìn)行模板的移動(dòng)，使模板的中心與帶標(biāo)記帶式輸送機(jī)圖像中的點(diǎn)（a，b）相互重合。根據(jù)模板中的具體信息及事先設(shè)定的關(guān)系進(jìn)行計(jì)算，最終得到的結(jié)果即作為輸出結(jié)果，其表達(dá)式如下：

公式（1）中，m表示為魔板；k表示為模板的具體大??；y表示為大小為E×F的帶式輸送機(jī)圖像，對(duì)a=0、1、2、…、E-1和b=0、1、2、…、F-1以此進(jìn)行公式（1）的運(yùn)算，得到的P即為通過(guò)預(yù)處理濾波后的圖像。

（2）基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的帶式輸送機(jī)標(biāo)記定位。本文采用機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)，對(duì)預(yù)處理的帶標(biāo)記礦用帶式輸送機(jī)運(yùn)行圖像進(jìn)行標(biāo)記定位，首先將視覺(jué)顯著性引入到帶式輸送機(jī)標(biāo)記數(shù)字定位當(dāng)中，利用譜殘差顯著性算法，在頻率域中獲取帶式輸送機(jī)標(biāo)記圖像的log譜，在空間域當(dāng)中構(gòu)建顯著圖。從信息論的角度出發(fā)，利用有效編碼將帶式輸送機(jī)標(biāo)記圖像劃分為兩部分：

公式（2）中，G表示為完整的帶式輸送機(jī)標(biāo)記圖像；G（c）表示為圖像中的顯著信息；G（d）表示為圖像中的冗余信息。在圖像領(lǐng)域當(dāng)中，冗余信息可以有效反映出圖像統(tǒng)計(jì)的不變特性，而不變特性是遵循某種特定規(guī)律的。因此，結(jié)合這一特點(diǎn)得出，可以采用頻域中的能量譜對(duì)帶式輸送機(jī)標(biāo)記圖像中的空間域信息進(jìn)行描述。

其次，由于處理得到的帶式輸送機(jī)標(biāo)記圖像是灰度圖像，因此僅僅采用譜殘差顯著性算法會(huì)使得目標(biāo)與背景的涼獨(dú)享相差較大，因此為了保證后續(xù)識(shí)別的高效性，本文還采用線性灰度變換算法，對(duì)帶式輸送機(jī)標(biāo)記圖像中的標(biāo)記數(shù)字和背景對(duì)比度進(jìn)行增強(qiáng)處理。利用線性函數(shù)作為映射函數(shù)，將線性灰度變換函數(shù)看作是一個(gè)一維線性函數(shù)，得出如下公式：

公式（3）中，Tm表示為標(biāo)記圖像的灰度；Tn表示為經(jīng)過(guò)線性變換后得到的標(biāo)記圖像的灰度；ym表示為線性灰度變換函數(shù)的斜率；yn表示為線性灰度變換函數(shù)與縱坐標(biāo)的截距。根據(jù)礦用帶式輸送機(jī)的運(yùn)行特點(diǎn)，公式（3）中的ym和yn的取值分別為3.2和-48.5。通過(guò)灰度線性變化處理后的標(biāo)記圖像，明顯增加了標(biāo)記圖像的動(dòng)態(tài)范圍，使得圖像中的標(biāo)記數(shù)字與背景之間的對(duì)比度增加，標(biāo)記數(shù)字更加清晰，可有效抑制檢測(cè)背景的干擾，從而為后續(xù)標(biāo)記的識(shí)別與故障定位奠定基礎(chǔ)。

（3）礦用帶式輸送機(jī)標(biāo)記識(shí)別及故障定位。結(jié)合機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)完成對(duì)帶式輸送機(jī)標(biāo)記定位后，還需要對(duì)標(biāo)記點(diǎn)進(jìn)行識(shí)別及故障定位，以此完成對(duì)設(shè)備運(yùn)行的檢測(cè)。本文采用卷及神經(jīng)網(wǎng)絡(luò)算法對(duì)表計(jì)定位提取到的顯著性區(qū)域進(jìn)行分類(lèi)，從而去除掉帶式輸送機(jī)的特殊背景區(qū)域，以此實(shí)現(xiàn)對(duì)標(biāo)記的精準(zhǔn)識(shí)別。由于需要進(jìn)行識(shí)別的標(biāo)記是以數(shù)字形式存在的，因此在對(duì)帶式輸送機(jī)上的標(biāo)記進(jìn)行識(shí)別時(shí)，本文采用在卷及神經(jīng)網(wǎng)絡(luò)算法中的LeNet模型的基礎(chǔ)上進(jìn)行改進(jìn)，將模型劃分為八分層次，分別為一個(gè)輸入層、三個(gè)卷積層、兩個(gè)池化層以及一個(gè)全連接層和一個(gè)輸出層。設(shè)置該模型最終得到的輸出結(jié)果共10種，并對(duì)其分別進(jìn)行由0到9標(biāo)號(hào)，根據(jù)礦用帶式輸送機(jī)運(yùn)行檢測(cè)要求，將0～4分為標(biāo)記數(shù)字層，將5～9分為非標(biāo)記數(shù)字。

利用卷及神經(jīng)網(wǎng)絡(luò)對(duì)礦用帶式輸送機(jī)運(yùn)行圖像的特征進(jìn)行自主學(xué)習(xí)，并在保證輸入的圖像所有細(xì)節(jié)信息均保留的前提下，降低對(duì)模型的訓(xùn)練數(shù)據(jù)量。對(duì)顯著性區(qū)域進(jìn)行灰度化處理，并將原本的插值計(jì)算轉(zhuǎn)變?yōu)橐?guī)格為25×25的圖像，完成歸一化處理后，將該數(shù)據(jù)作為輸入層的輸入數(shù)據(jù)。在礦用帶式輸送機(jī)運(yùn)行圖像中的所有標(biāo)記位置上，利用相同的卷積核對(duì)其特征進(jìn)行提取，采用五個(gè)5×5的卷積核對(duì)25×25的圖像進(jìn)行劃分，得到最終特征圖像。在輸出層中共有192個(gè)神經(jīng)元，神經(jīng)元之間兩兩相連，共構(gòu)成384個(gè)連接，將子采樣層看作是一個(gè)192維的線性向量，最終在輸出層得到的映射即為使用線性向量劃分的結(jié)果，以此完成對(duì)礦用帶式輸送機(jī)標(biāo)記的識(shí)別。將上述礦用帶式輸送機(jī)標(biāo)記識(shí)別引入到檢測(cè)裝置當(dāng)中，當(dāng)設(shè)備檢測(cè)到故障時(shí)發(fā)出報(bào)警信號(hào)，由檢測(cè)人員通過(guò)點(diǎn)擊定位按鈕在數(shù)字定位編輯框當(dāng)中顯示對(duì)應(yīng)的數(shù)據(jù)，由檢測(cè)人員根據(jù)數(shù)字找出對(duì)應(yīng)的故障實(shí)際位置，完成在故障發(fā)生時(shí)對(duì)故障點(diǎn)的定位。

2 實(shí)驗(yàn)論證分析

（1）實(shí)驗(yàn)準(zhǔn)備。本文對(duì)比實(shí)驗(yàn)?zāi)M礦產(chǎn)企業(yè)現(xiàn)場(chǎng)物料運(yùn)輸?shù)沫h(huán)境，以實(shí)驗(yàn)現(xiàn)有條件下單件實(shí)驗(yàn)運(yùn)行環(huán)境，以靜態(tài)實(shí)驗(yàn)?zāi)M動(dòng)態(tài)實(shí)驗(yàn)。驗(yàn)證本文提出的基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的礦用帶式輸送機(jī)運(yùn)行檢測(cè)方法與傳統(tǒng)檢測(cè)方法的性能。將CCD工業(yè)相機(jī)安放在三腳架上，并調(diào)整其角度和高度進(jìn)行實(shí)時(shí)記錄，已能夠照全激光設(shè)備所在礦用帶式輸送機(jī)整個(gè)結(jié)構(gòu)為標(biāo)準(zhǔn)。在帶式輸送機(jī)上隨機(jī)設(shè)置100組不同的故障參數(shù)，分別利用本文提出的檢測(cè)方法與傳統(tǒng)檢測(cè)方法同時(shí)對(duì)其輸送機(jī)的運(yùn)行進(jìn)行檢測(cè)，設(shè)置本文檢測(cè)方法為實(shí)驗(yàn)組，傳統(tǒng)檢測(cè)方法為對(duì)照組。在確保實(shí)驗(yàn)涉及到的硬件設(shè)施均正常的情況下，進(jìn)行對(duì)比實(shí)驗(yàn)。

（2）實(shí)驗(yàn)結(jié)果及分析。完成實(shí)驗(yàn)后，將實(shí)驗(yàn)組與對(duì)照組得到的實(shí)驗(yàn)檢測(cè)結(jié)果進(jìn)行記錄，并繪制成如表1所示的實(shí)驗(yàn)組與對(duì)照組實(shí)驗(yàn)結(jié)果對(duì)比表。

表1 實(shí)驗(yàn)組與對(duì)照組實(shí)驗(yàn)結(jié)果對(duì)比表

由表1中的數(shù)據(jù)得出，實(shí)驗(yàn)組檢測(cè)方法在對(duì)礦用帶式輸送機(jī)的運(yùn)行情況進(jìn)行檢測(cè)時(shí)，得到的檢測(cè)結(jié)果故障量明顯比對(duì)照組更接近于設(shè)備實(shí)際出現(xiàn)的故障量。同時(shí)，實(shí)驗(yàn)組的檢測(cè)誤差率明顯低于對(duì)照組的檢測(cè)誤差率，且在第20s、60s和100s時(shí)，實(shí)驗(yàn)組檢測(cè)結(jié)果的誤差率均為0。因此，通過(guò)對(duì)比實(shí)驗(yàn)可以看出，本文提出的基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的礦用帶式輸送機(jī)運(yùn)行檢測(cè)方法可以更加準(zhǔn)確的檢測(cè)到礦用帶式輸送機(jī)在運(yùn)輸過(guò)程中發(fā)生的故障問(wèn)題。并且，本文檢測(cè)方法中采用了機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)，可以保證在不對(duì)礦用帶式輸送機(jī)碰觸就可以得到準(zhǔn)確的檢測(cè)信息，實(shí)現(xiàn)對(duì)設(shè)備的無(wú)損故障檢測(cè)及定位。

3 結(jié)束語(yǔ)

針對(duì)當(dāng)前礦用帶式輸送機(jī)在實(shí)際運(yùn)行過(guò)程中出現(xiàn)的故障問(wèn)題，提出一種全新的基于機(jī)器視覺(jué)無(wú)損檢測(cè)技術(shù)的礦用帶式輸送機(jī)運(yùn)行檢測(cè)方法。但通過(guò)研究及實(shí)驗(yàn)得出，本文雖與傳統(tǒng)檢測(cè)方法對(duì)比具有更高的性能，但仍存在時(shí)效性較差、檢測(cè)精度還有提升空間等問(wèn)題。因此，在后續(xù)研究中還將針對(duì)本文存在的不足，開(kāi)展對(duì)帶式輸送機(jī)定位優(yōu)化、增加防塵處理進(jìn)一步提高檢測(cè)結(jié)果精度、改進(jìn)定位算法，提高故障定位的時(shí)效性等。