韓 斌

（山西寧武大運華盛南溝煤業(yè)有限公司，山西 寧武 036700）

引言

皮帶輸送機(jī)廣泛應(yīng)用于各種礦山現(xiàn)場，如從工作面的煤炭長距離運輸?shù)郊庸S。輸送帶是帶式輸送機(jī)的核心部件，其狀態(tài)直接影響到輸送機(jī)的安全穩(wěn)定運行。在采煤過程中，輸送帶可能會被片巖、金屬螺栓等硬雜質(zhì)所撕裂。此外，皮帶的縱向撕裂比水平撕裂更經(jīng)常發(fā)生。一旦皮帶縱向撕裂，可能會造成嚴(yán)重的經(jīng)濟(jì)損失，威脅到工人的安全。輸送帶的損壞通常是由多種因素造成的。研究人員提出了各種方法來模擬輸送帶的應(yīng)力和應(yīng)變條件。例如，Taraba 建立了一個數(shù)學(xué)模型來模擬動力對輸送帶應(yīng)力和應(yīng)變條件的影響[1-2]。Marasová 建立模型，模擬輸送帶覆蓋層在動力作用下的損傷[3]。Grincova 提出了一種測量各種沖擊載荷對皮帶影響的方法，但上述方法主要是模擬各種因素對輸送機(jī)的影響帶[4]。

然而，上述方法不能對皮帶撕裂進(jìn)行預(yù)警。為解決這一問題，喬還提出了一種可見光與紅外相結(jié)合的實時系統(tǒng)視覺用于皮帶的縱向撕裂檢測[5-7]。該系統(tǒng)根據(jù)紅外圖像的直方圖和固定的閾值檢測皮帶撕裂。然而，由于工作環(huán)境和運行時間等因素，閾值可能會發(fā)生變化，從而導(dǎo)致該方法的通用性較差。

通常，帶式輸送機(jī)運行在塵土飛揚和光線較暗的環(huán)境中，導(dǎo)致很難捕捉到清晰可見的輸送帶圖像。因此，基于可見圖像的淚液檢測系統(tǒng)在這種情況下不能很好地工作。然而，紅外攝像機(jī)在這種工作條件下仍然可以獲得高質(zhì)量的紅外圖像。

本文提出一種基于紅外視覺的皮帶縱向撕裂預(yù)警方法。該方法首先利用紅外攝像機(jī)進(jìn)行圖像采集。然后對紅外圖像進(jìn)行高斯濾波、圖像二值化、形態(tài)學(xué)處理等操作。最后，在二值化圖像中檢測連通分量，根據(jù)被連接部件的檢測結(jié)果，確定是否需要發(fā)出撕裂預(yù)警。

1 預(yù)警方法的提出

由于傳送帶是黑色的，其工作環(huán)境通常布滿灰塵，很難用可見光相機(jī)捕捉清晰的傳送帶撕裂圖像。但是如果傳送帶受到尖銳堅硬物體的摩擦，傳送帶摩擦部分的溫度會顯著升高，而這種現(xiàn)象是可以通過紅外攝像機(jī)捕捉到的，可以方便地進(jìn)行撕裂預(yù)警，因此可以基于紅外視覺進(jìn)行撕裂預(yù)警。輸送帶和縱向撕裂的紅外圖像分別如圖1 所示。從圖1 可以看出，正常帶紅外圖像的灰度值沒有明顯差異。而輸送帶摩擦部分在紅外圖像上形成了明顯的亮帶，其灰度值明顯大于紅外圖像中其他區(qū)域。在上述分析的基礎(chǔ)上，提出了一種基于紅外視覺的輸送帶撕裂實時預(yù)警方法。

圖1 正常撕裂帶和縱向撕裂帶的紅外圖像

2 預(yù)警方法理論分析

本文所提出的方法主要包括以下幾個環(huán)節(jié)：紅外圖像采集、圖像平滑化、圖像二值化、圖像形態(tài)學(xué)處理、連通分量檢測和撕裂預(yù)警判定。

最初，紅外圖像是由傳送帶下的紅外攝像機(jī)捕獲的。為了減輕噪聲對紅外圖像的影響，對紅外圖像進(jìn)行高斯濾波平滑處理。為了減少算法的運行時間，提高算法的性能，根據(jù)紅外圖像的垂直投影提取圖像的感興趣區(qū)域。然后，通過本文所提出的算法對ROI 區(qū)域進(jìn)行二值化。為了消除小尺寸的孤立區(qū)域，對二值化后的圖像進(jìn)行形態(tài)學(xué)處理。然后，在二值化后的圖像上檢測連通分量。最終，是否發(fā)出撕裂預(yù)警取決于連接組件的檢測結(jié)果。如果出現(xiàn)皮帶撕裂預(yù)警，輸送機(jī)將立即停機(jī)。

紅外攝像機(jī)采集的皮帶紅外圖像可能受到噪聲污染。為了減輕噪聲的影響，對紅外圖像進(jìn)行了二維高斯濾波平滑處理。

二值化圖像是連通組件檢測的前提。二值化閾值對圖像二值化有重要影響。OTSU 是一種應(yīng)用廣泛的灰度圖像自動閾值選擇方法。但是OTSU 是根據(jù)當(dāng)前灰度圖像的直方圖來計算閾值的，并沒有考慮圖像之間的相關(guān)性。為了進(jìn)一步提高閾值計算的速度，提高紅外圖像二值化的質(zhì)量，本文提出了一種簡單的紅外圖像二值化自動閾值選擇算法。該方法基于當(dāng)前圖像的灰度直方圖計算一個閾值，并使用該閾值對下一個相鄰圖像進(jìn)行二值化。換句話說，該方法是根據(jù)相鄰的前一幅圖像計算當(dāng)前圖像的二值化閾值。

3 實驗平臺搭建和結(jié)果分析

為了評價該方法的性能和有效性，在實驗室進(jìn)行了輸送帶縱向撕裂實驗。

3.1 實驗裝置

如圖2 所示，實驗室安裝了輸送帶縱向撕裂實驗裝置。實驗裝置包括一條輸送帶，輸送帶寬度為0.8 m，長度為12 m。輸送機(jī)的速度為3 m/s，接近煤礦實際使用的速度。傳送帶由一根鋼棒摩擦來模擬傳送帶被煤中的尖銳物體摩擦的場景。腰帶下方安裝紅外攝像頭，獲取分辨率為320*256@30fps的紅外圖像。紅外圖像通過Eth-傳輸?shù)絇C機(jī)，CPU為i7-8550u，內(nèi)存為16g，ssd為240g并采用基于Win10、QT5.6、OpenCV 開發(fā)的方法進(jìn)行處理。紅外攝像機(jī)與鋼棒的安裝位置如圖3 所示。

圖2 輸送帶縱向撕裂實驗裝置

圖3 紅外攝像機(jī)和鋼棒的安裝位置

3.2 實驗結(jié)果與討論

首先評估ROI 操作對方法性能的影響，拍攝了兩段三分鐘的紅外視頻，分別是皮帶正常工作和鋼棍摩擦皮帶。然后分別對紅外視頻進(jìn)行有ROI 操作和無ROI 操作的處理。為了得到公平的結(jié)果，上述過程重復(fù)了三次，實驗結(jié)果見表1。

表1 該方法進(jìn)行了有ROI 操作和無ROI 操作的實驗

從表1 可以看出，當(dāng)皮帶工作正常時有ROI 操作的方法和沒有ROI 操作的方法具有相似的檢測精度。然而，當(dāng)皮帶被鋒利的鋼棍摩擦?xí)r，有ROI 操作的方法比沒有ROI 操作的方法檢測精度更高。對ROI的處理，有ROI 操作的方法比沒有ROI 操作的方法需要更多的時間，但兩種方法的時間差非常小。實驗結(jié)果表明，ROI 操作需要一定的時間，但可以顯著提高輸送帶撕裂預(yù)警的檢測精度。因此，方法采用ROI 操作，并在輸送帶撕裂預(yù)警檢測之前進(jìn)行。

本文提出了一種新穎、簡單的紅外圖像二值化閾值自動選擇算法。為了評估該方法的有效性，分別用OTSU 方法和自動閾值選擇算法進(jìn)行了皮帶撕裂預(yù)警實驗。實驗結(jié)果見表2。

表2 基于OTSU 方法和基于閾值自動選擇算法的實驗結(jié)果

從表2 可以看出，該算法的平均檢測精度達(dá)到了99.22%，優(yōu)于基于OTSU的平均檢測精度為99.09%的方法。同樣，在傳送帶正常工作的測試場景中也給出了這一事實?？傊?，使用閾值選擇算法的方法不僅比OTSU 方法具有更好的檢測精度，而且該方法比OTSU 方法需要更少的時間。實驗結(jié)果證明了該方法的有效性。

在本節(jié)中，評估了ROI 操作和自動閾值選擇算法對所提方法性能的影響。實驗結(jié)果表明，ROI 處理可以有效提高本方法的撕裂預(yù)警精度。紅外圖像二值化自動閾值選擇算法不僅比OTSU 算法工作速度快，而且表現(xiàn)出比OTSU 算法更好的性能。

4 結(jié)語

與以往的方法不同，本文提出的輸送帶縱向撕裂預(yù)警方法，只需要一臺紅外攝像機(jī)采集圖像，并對紅外圖像進(jìn)行分析，就可以確定是否需要發(fā)布輸送帶撕裂預(yù)警。實驗結(jié)果證明所提出的方法的性能和有效性，以及所提出的方法能夠滿足實時系統(tǒng)的要求。