游磊，朱興林，陳雨，羅明華

（中煤科工集團(tuán)重慶研究院有限公司，重慶 400039）

0 引言

帶式輸送機(jī)是運(yùn)輸煤炭的主要設(shè)備，具有運(yùn)載能力強(qiáng)、運(yùn)輸成本低、可靠性好等優(yōu)點(diǎn)。輸送帶撕裂是帶式輸送機(jī)運(yùn)行過(guò)程中的常見故障之一，導(dǎo)致輸送帶撕裂的主要原因如下：① 輸送帶運(yùn)輸?shù)拿禾恐袏A雜的硬質(zhì)異物壓、砸、劃傷輸送帶[1]。② 帶式輸送機(jī)存在設(shè)計(jì)缺陷或安裝不正確，導(dǎo)致其他尖銳物體破壞輸送帶。③ 輸送帶跑偏，導(dǎo)致托輥或鋼架劃傷輸送帶。局部撕裂會(huì)導(dǎo)致浮煤堆積，若不及時(shí)處理會(huì)引起整條輸送帶斷裂，從而導(dǎo)致煤料傾灑，損壞運(yùn)輸設(shè)備，威脅井下作業(yè)人員生命安全。因此，研究輸送帶撕裂檢測(cè)技術(shù)對(duì)于保障煤礦生產(chǎn)安全具有重要意義[2-3]。

目前，利用圖像智能分析技術(shù)進(jìn)行輸送帶撕裂檢測(cè)是煤礦智能化的研究熱點(diǎn)之一[4-5]。文獻(xiàn)[6]采集輸送帶的灰度圖，通過(guò)特征選擇形成一維描述向量，構(gòu)建撕裂特征分類器，完成撕裂分類。文獻(xiàn)[7]利用紅外圖像采集系統(tǒng)獲取原始圖像，再依次使用平滑濾波器、圖像分割、連通分析算法，實(shí)現(xiàn)輸送帶撕裂檢測(cè)。文獻(xiàn)[8]提出了基于YOLOv4的輸送帶損傷檢測(cè)算法，通過(guò)增加融合特征的層數(shù)，減少每層特征卷積次數(shù)，實(shí)現(xiàn)提高檢測(cè)精度和速度的目的。文獻(xiàn)[9]將一字激光線投射到輸送帶上，通過(guò)邊緣檢測(cè)提取激光線特征，構(gòu)建特征分類器，實(shí)現(xiàn)撕裂預(yù)警。文獻(xiàn)[10]利用不受可見光干擾的線激光作為光源，用改進(jìn)灰度重心法提取中心線，根據(jù)中心線特性檢測(cè)縱向撕裂。文獻(xiàn)[11]提出了基于多道線性激光的輸送帶撕裂檢測(cè)算法，通過(guò)分析多道線性激光投射在輸送帶表面的圖像的特征，結(jié)合速度傳感器數(shù)據(jù)實(shí)現(xiàn)縱向撕裂特征識(shí)別。以上方法具有一定效果，但存在以下問(wèn)題：① 煤礦井下光照條件差，獲取的可見光圖像質(zhì)量較差，導(dǎo)致后續(xù)圖像處理精度下降。② 大部分方法是對(duì)撕裂圖像進(jìn)行識(shí)別和定位，缺少撕裂物理尺寸測(cè)量手段[12]。③ 圖像撕裂特征由人工統(tǒng)計(jì)構(gòu)建，當(dāng)煤礦井下現(xiàn)場(chǎng)條件改變時(shí)，之前的撕裂特征不再適用，需要重新提取撕裂特征，泛化能力差。

針對(duì)以上問(wèn)題，提出了一種基于全卷積神經(jīng)網(wǎng)絡(luò)的輸送帶撕裂檢測(cè)方法。該方法基于線結(jié)構(gòu)光成像原理采集圖像，可有效解決煤礦井下光照條件差的問(wèn)題；采用激光發(fā)射器投射具有編碼性質(zhì)的線激光，可實(shí)現(xiàn)撕裂物理尺寸測(cè)量；采用全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行撕裂檢測(cè)，當(dāng)使用環(huán)境發(fā)生改變后，只需要重新采集樣本進(jìn)行訓(xùn)練和部署即可。

1 撕裂檢測(cè)方法原理

輸送帶撕裂檢測(cè)設(shè)備包括線激光發(fā)射器、工業(yè)相機(jī)和邊緣計(jì)算開發(fā)板，撕裂檢測(cè)方法原理如圖1所示。線激光發(fā)射器與工業(yè)相機(jī)存在固定的空間位置關(guān)系。線激光發(fā)射器投射出的線激光經(jīng)過(guò)輸送帶反射后，在工業(yè)相機(jī)中形成特殊的圖像數(shù)據(jù)，這些數(shù)據(jù)可有效反映輸送帶的狀態(tài)，為撕裂檢測(cè)提供數(shù)據(jù)支撐。邊緣計(jì)算開發(fā)板負(fù)責(zé)算法和控制，其中核心的圖像處理算法由開發(fā)板中央處理器（Central Processing Unit，CPU）負(fù)責(zé)，全卷積神經(jīng)網(wǎng)絡(luò)推理由開發(fā)板圖形處理器（Graphics Processing Unit，GPU）負(fù)責(zé)。檢測(cè)設(shè)備安裝于上行輸送帶和下行輸送帶之間，距離上行輸送帶約0.5 m處，盡量在2個(gè)托輥之間，當(dāng)輸送帶張緊時(shí)，可有效突出輸送帶撕裂特征。

圖1 輸送帶撕裂檢測(cè)方法原理Fig. 1 Tear detection system of conveyor belt

輸送帶撕裂檢測(cè)流程包括在線模塊和離線模塊2個(gè)部分，如圖2所示。離線模塊只需要運(yùn)行1次，先對(duì)撕裂圖像數(shù)據(jù)進(jìn)行標(biāo)注，然后訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，最后對(duì)線結(jié)構(gòu)光進(jìn)行標(biāo)定，得到標(biāo)定參數(shù)。在線模塊需要重復(fù)運(yùn)行，通過(guò)線結(jié)構(gòu)光采集到圖像后，進(jìn)行線激光條紋檢測(cè)，然后利用全卷積神經(jīng)網(wǎng)絡(luò)模型分割出撕裂像素，最后經(jīng)過(guò)撕裂測(cè)量得到撕裂的外接矩形和物理尺寸。

圖2 輸送帶撕裂檢測(cè)流程Fig. 2 Tear detection process of conveyor belt

2 線結(jié)構(gòu)光圖像處理

2.1 線結(jié)構(gòu)光成像原理

線激光發(fā)射器投射激光線，在輸送帶上形成線激光條紋l，經(jīng)過(guò)反射后在工業(yè)相機(jī)中成像[13]，如圖3所示。線結(jié)構(gòu)光光路模型如圖4所示，其中owxwywzw為世界坐標(biāo)系，ocxcyczc為相機(jī)坐標(biāo)系，uv為圖像坐標(biāo)系。根據(jù)單目相機(jī)成像理論[14]，在世界坐標(biāo)系中，線激光曲線為l(x,y,z)，在相機(jī)坐標(biāo)中的成像曲線為lc(u,v)。

圖3 線結(jié)構(gòu)光成像Fig. 3 Linear structured light imaging

圖4 線結(jié)構(gòu)光光路模型Fig. 4 Optical path model of line structured light

成像過(guò)程的數(shù)學(xué)描述為

式中：s為與z相關(guān)的變量；H1和H2為相機(jī)內(nèi)參數(shù)；M為相機(jī)外參數(shù)。

相機(jī)外參數(shù)M用于描述相機(jī)與物理世界的位置關(guān)系，且與輸送帶條紋成像無(wú)關(guān)，為了簡(jiǎn)化數(shù)學(xué)過(guò)程，設(shè)世界坐標(biāo)系與相機(jī)坐標(biāo)系重合，則M由單位矩陣和零矩陣組成，式（1）可以簡(jiǎn)化為

式中H為相機(jī)內(nèi)參數(shù)，

線激光發(fā)射器與線激光可以構(gòu)成一個(gè)平面，該平面的方程為

式中C，d為線激光平面系數(shù)，C為1×3矩陣。

通過(guò)線結(jié)構(gòu)光標(biāo)定技術(shù)[15]可得到相機(jī)內(nèi)參數(shù)H和線激光平面系數(shù)C，d。在已知H，C和d的條件下，聯(lián)立式（2）、式（3）并化簡(jiǎn)可得

2.2 線激光條紋檢測(cè)

線激光條紋檢測(cè)是計(jì)算u,v的重要步驟。線激光條紋原始圖屬于二維數(shù)據(jù)，大量圖像區(qū)域?yàn)楹谏珶o(wú)效區(qū)域，數(shù)據(jù)存在大量冗余。通過(guò)線激光條紋檢測(cè)，將圖像二維數(shù)據(jù)優(yōu)化為一維數(shù)據(jù)。

經(jīng)典的條紋檢測(cè)算法[16]包括最大值法、灰度重心法、Steger法、曲面擬合法等。其中最大值法運(yùn)算效率高、硬件資源占用少，但在條紋出現(xiàn)斷點(diǎn)時(shí)會(huì)失效，因此，本文通過(guò)最近鄰域法對(duì)最大值法進(jìn)行改進(jìn)。改進(jìn)最大值法如圖5所示。首先，采用高斯濾波器抑制噪聲。其次，通過(guò)最大值法遍歷u，計(jì)算圖像灰度最大值。然后，通過(guò)最近鄰域法解決線激光條紋出現(xiàn)斷點(diǎn)時(shí)最大值法失效的問(wèn)題。最后，輸出一維函數(shù)v=F（u）。

圖5 改進(jìn)最大值法Fig. 5 Improved max method

從直方圖角度描述改進(jìn)最大值法，如圖6所示。將圖像灰度等級(jí)劃分為64級(jí)，斷點(diǎn)灰度分布于直方圖左側(cè)，條紋灰度分布于直方圖右側(cè)，設(shè)置閾值，若灰度等級(jí)小于閾值則判斷為斷點(diǎn)，否則為正常點(diǎn)。這樣就將圖像二維數(shù)據(jù)優(yōu)化為一維函數(shù)v=F(u)。

圖6 斷點(diǎn)判斷Fig. 6 Breakpoint judgment

得到u,v后，通過(guò)求解式（4）可得到X，完成線結(jié)構(gòu)光的空間測(cè)量過(guò)程。

3 基于全卷積神經(jīng)網(wǎng)絡(luò)的撕裂檢測(cè)

先進(jìn)行數(shù)據(jù)標(biāo)注，再訓(xùn)練全卷積神經(jīng)網(wǎng)絡(luò)模型，對(duì)撕裂數(shù)據(jù)進(jìn)行語(yǔ)義分割，最后根據(jù)線結(jié)構(gòu)光標(biāo)定參數(shù)計(jì)算撕裂物理長(zhǎng)度。

3.1 數(shù)據(jù)標(biāo)注

數(shù)據(jù)標(biāo)注如圖7所示，在圖像中用矩形框標(biāo)出撕裂位置，然后將矩形框投影到一維，構(gòu)成一維函數(shù)L（u）。當(dāng)u在紅框投影區(qū)域內(nèi)時(shí)，L（u）=1；u在其他區(qū)域時(shí)，L（u）=0。

圖7 數(shù)據(jù)標(biāo)注Fig. 7 Data annotation

3.2 全卷積神經(jīng)網(wǎng)絡(luò)

語(yǔ)義分割是指給輸入圖像的每個(gè)像素分配1個(gè)語(yǔ)義類型，即將函數(shù)v=F(u)中的每個(gè)點(diǎn)劃分為正常或者撕裂狀態(tài)。全卷積神經(jīng)網(wǎng)絡(luò)是語(yǔ)義分割中使用最廣泛的網(wǎng)絡(luò)，F(xiàn)CNs[17]，SegNet[18]，U-net[19]是經(jīng)典的全卷積神經(jīng)網(wǎng)絡(luò)。由于U-net網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單而有效，本文采用U-net網(wǎng)絡(luò)實(shí)現(xiàn)語(yǔ)義分割。

U-net網(wǎng)絡(luò)輸入數(shù)據(jù)為v=F(u)，由于v分布集中，需對(duì)其進(jìn)行規(guī)范化處理：

式中：v*為規(guī)范化處理后的值；F*(·) 為規(guī)范化處理函數(shù)；為v的均值；σ為標(biāo)準(zhǔn)差。

工業(yè)相機(jī)的分辨率是1 024×1 280 ，因此F*(u)只有1個(gè)通道，且長(zhǎng)度為1 024。而在U-net網(wǎng)絡(luò)中特征圖通過(guò)“通道數(shù)×高×寬”方式描述，針對(duì)一維數(shù)據(jù)v*=F*(u)，U-net無(wú)法直接使用，需要進(jìn)行降維。因此，本文對(duì)U-net網(wǎng)絡(luò)進(jìn)行優(yōu)化，優(yōu)化后的U-net網(wǎng)絡(luò)如圖8所示。優(yōu)化后網(wǎng)絡(luò)結(jié)構(gòu)不變，主要由雙卷積模塊、下采樣層、上采樣層、跳躍連接和卷積層組成。圖8中，矩形內(nèi)數(shù)字描述了特征圖通道和長(zhǎng)度的變換過(guò)程，格式為“通道數(shù)×長(zhǎng)度”。從整體看，優(yōu)化U-net網(wǎng)絡(luò)只有2個(gè)維度數(shù)值在變化，維度降低。針對(duì)卷積層，采用由2個(gè)卷積層組成的雙卷積模塊，將原來(lái)的二維卷積轉(zhuǎn)換為長(zhǎng)度為3的一維卷積，卷積層參數(shù)量減少為原來(lái)的1/3。針對(duì)下采樣層，采用池化技術(shù)使特征圖通道數(shù)不變，長(zhǎng)度減半，從而減少計(jì)算量。

圖8 優(yōu)化U-net網(wǎng)絡(luò)結(jié)構(gòu)Fig. 8 Structure of U-net network

3.3 模型訓(xùn)練

優(yōu)化U-net網(wǎng)絡(luò)的輸出特征圖尺寸為2×1 024，對(duì)輸出特征圖進(jìn)行Softmax運(yùn)算，設(shè)運(yùn)算結(jié)果為Q。Q屬于one hot編碼，Q的第2個(gè)通道的數(shù)據(jù)為所測(cè)像素屬于撕裂像素的概率，設(shè)為P（u），0＜P（u）＜1，u∈[0,1 024)，結(jié)合標(biāo)注數(shù)據(jù)L(u)，可得損失函數(shù)R：

式中：R1為交叉熵?fù)p失函數(shù)；R2為dice損失函數(shù)。

3.4 撕裂測(cè)量

當(dāng)P（u）趨近于0時(shí)，表示所測(cè)像素屬于正常像素；當(dāng)P（u）趨近于1時(shí)，表示所測(cè)像素屬于撕裂像素。查找滿足P(u)＞0.5的連續(xù)區(qū)域，設(shè)撕裂區(qū)間為[us,ue]，則撕裂圖像的外接矩形為

在線結(jié)構(gòu)光預(yù)先標(biāo)定的條件下，利用式（4）可得到世界坐標(biāo)系中激光線的起點(diǎn)坐標(biāo)Xs和終點(diǎn)坐標(biāo)Xe，從而可得出撕裂物理尺寸：

4 實(shí)驗(yàn)分析

為了驗(yàn)證本文方法的有效性，設(shè)計(jì)了3組實(shí)驗(yàn)：第1組實(shí)驗(yàn)對(duì)比改進(jìn)最大值法與經(jīng)典線激光條紋檢測(cè)算法性能；第2組實(shí)驗(yàn)對(duì)FCNs，SegNet，U-net網(wǎng)絡(luò)進(jìn)行對(duì)比和分析；第3組實(shí)驗(yàn)驗(yàn)證撕裂檢測(cè)方法性能。

4.1 線激光條紋檢測(cè)結(jié)果分析

采集線結(jié)構(gòu)光成像圖，選擇2張具有不同特點(diǎn)的條紋圖像，分別利用Steger法、灰度重心法和改進(jìn)最大值法檢測(cè)線激光條紋，條紋出現(xiàn)斷點(diǎn)、灰度較低時(shí)的檢測(cè)效果對(duì)比分別如圖9、圖10所示。

從圖9可看出，Steger法、灰度重心法都沒(méi)有填充斷點(diǎn)部分，使得條紋缺失一部分，Steger法在折線區(qū)域出現(xiàn)明顯漏檢，灰度重心法在斷點(diǎn)邊緣處出現(xiàn)明顯誤檢，而改進(jìn)最大值法斷點(diǎn)填充效果好，過(guò)渡平滑、自然。從圖10可看出，條紋灰度較低時(shí)，Steger法出現(xiàn)大量漏檢，灰度重心法和改進(jìn)最大值法檢測(cè)效果較好。

圖9 條紋出現(xiàn)斷點(diǎn)時(shí)的檢測(cè)效果對(duì)比Fig. 9 Comparison of detection effects when the stripes have breakpoints

圖10 條紋灰度較低時(shí)的檢測(cè)效果對(duì)比Fig. 10 Comparison of detection effects when the grayscale of the stripes is low

對(duì)條紋檢測(cè)局部細(xì)節(jié)進(jìn)行分析，結(jié)果如圖11和圖12所示。從圖11可看出，Steger 法在撕裂拐點(diǎn)處出現(xiàn)漏檢，灰度重心法在斷點(diǎn)處出現(xiàn)明顯誤檢，改進(jìn)

圖11 局部斷點(diǎn)Fig. 11 Local breakpoints

最大值法無(wú)漏檢，斷點(diǎn)處被很好地填充。從圖12可看出，Steger 法出現(xiàn)明顯漏檢，灰度重心法和改進(jìn)最大值法檢測(cè)效果較好。

圖12 局部低灰度條紋Fig. 12 Local low-gray stripes

綜上可得，Steger法檢測(cè)效果較差，出現(xiàn)了大量誤檢和漏檢；灰度重心法略優(yōu)于Steger法，但不能處理?xiàng)l紋斷點(diǎn)；本文提出的改進(jìn)最大值法檢測(cè)效果最佳，可以有效處理斷點(diǎn)區(qū)域。

4.2 全卷積神經(jīng)網(wǎng)絡(luò)對(duì)比分析

采集輸送帶撕裂圖像1 276張，并進(jìn)行條紋檢測(cè)、規(guī)范化和標(biāo)注處理，形成訓(xùn)練樣本庫(kù)，如圖13所示。

圖13 樣本采集和處理Fig. 13 Sample collection and processing

選擇全部樣本的10%作為驗(yàn)證集，90%作為訓(xùn)練集。分別使用U-net，SegNet，F(xiàn)CNs網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練過(guò)程如圖14所示。dice系數(shù)是一種集合相似度度量指標(biāo)，常用于評(píng)價(jià)圖像分割算法的好壞。本文采用dice系數(shù)和平均交并比（mean Intersection over Union, mIoU）作為評(píng)價(jià)指標(biāo)?？梢钥闯?，U-net網(wǎng)絡(luò)訓(xùn)練過(guò)程平穩(wěn)，在第15次迭代后達(dá)到穩(wěn)定狀態(tài)；FCNs網(wǎng)絡(luò)訓(xùn)練過(guò)程振蕩較大，性能最差；SegNet網(wǎng)絡(luò)性能處于兩者之間。

圖14 不同網(wǎng)絡(luò)訓(xùn)練過(guò)程Fig. 14 Training process of different networks

不同網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比見表1。可看出U-net網(wǎng)絡(luò)收斂速度快于其他2種網(wǎng)絡(luò)，迭代的穩(wěn)定性較強(qiáng)，評(píng)價(jià)指標(biāo)最優(yōu)。

表1 不同網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比Table 1 Comparison of training results of different networks

為了進(jìn)一步驗(yàn)證U-net網(wǎng)絡(luò)的性能，將U-net網(wǎng)絡(luò)壓縮后重復(fù)以上實(shí)驗(yàn)。原U-net采用5層結(jié)構(gòu)、4次下采樣，記為U-net5，將U-net的5層結(jié)構(gòu)分別改為4層、3層，對(duì)應(yīng)的下采樣為3次、2次，記為U-net4和U-net3，其他結(jié)構(gòu)不變。訓(xùn)練過(guò)程如圖15所示，可看出U-net3網(wǎng)絡(luò)性能指標(biāo)較差，穩(wěn)定性也較差，U-net4和U-net5網(wǎng)絡(luò)性能差距不大。

圖15 不同U-net網(wǎng)絡(luò)訓(xùn)練過(guò)程Fig. 15 Training process of different U-net networks

不同U-net網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比見表2?？煽闯鲭m然U-net3網(wǎng)絡(luò)性能指標(biāo)最差，但驗(yàn)證集和訓(xùn)練集指標(biāo)差距小，且驗(yàn)證集指標(biāo)與U-net4，U-net5網(wǎng)絡(luò)性能差距小于1%，在對(duì)硬件資源要求嚴(yán)格的環(huán)境下優(yōu)先使用；U-net5網(wǎng)絡(luò)略優(yōu)于U-net4網(wǎng)絡(luò)，由于

表2 不同U-net網(wǎng)絡(luò)訓(xùn)練結(jié)果對(duì)比Table 2 Comparison of training results of different U-net networks

U-net4網(wǎng)絡(luò)結(jié)構(gòu)更加簡(jiǎn)單，占用的硬件資源少，綜合評(píng)價(jià)結(jié)果為U-net4網(wǎng)絡(luò)性能最優(yōu)。

4.3 撕裂檢測(cè)與撕裂物理尺寸測(cè)量結(jié)果分析

為了驗(yàn)證撕裂檢測(cè)方法性能，在驗(yàn)證集上進(jìn)行U-net4網(wǎng)絡(luò)推理，通過(guò)計(jì)算P(u)得到撕裂區(qū)間[us,ue] ，同理可得標(biāo)注后的撕裂區(qū)間[u*s,u*e]，計(jì)算交并比當(dāng)U大于0.5時(shí)，說(shuō)明撕裂檢測(cè)結(jié)果正確。檢測(cè)結(jié)果的混淆矩陣見表3，N/A表示沒(méi)有對(duì)應(yīng)的標(biāo)準(zhǔn)值。計(jì)算可得撕裂檢測(cè)的召回率為96.09%，精確率為96.85%。

表3 撕裂檢測(cè)混淆矩陣Table 3 Confusion matrix of tearing detection

為了驗(yàn)證撕裂物理尺寸測(cè)量精度，在實(shí)驗(yàn)室中搭建驗(yàn)證平臺(tái)。選取4條存在撕裂的輸送帶，每條長(zhǎng)約2 m，模擬輸送帶運(yùn)載狀態(tài)。在每條輸送帶的4個(gè)不同位置進(jìn)行圖像采集，共采集16張圖像。在激光線標(biāo)志下，通過(guò)游標(biāo)卡尺手工測(cè)量撕裂長(zhǎng)度并將其作為標(biāo)準(zhǔn)值，游標(biāo)卡尺測(cè)量精度為0.02 mm。檢測(cè)結(jié)果見表4。

表4 撕裂物理尺寸測(cè)量結(jié)果Table 4 Measurement results of tear physical dimensions

由表4可看出，最大相對(duì)誤差為-13.04%。產(chǎn)生誤差的主要原因：① 像素誤差。通過(guò)手工測(cè)量撕裂長(zhǎng)度，得到每像素物理長(zhǎng)度為0.197 mm，這是由相機(jī)分辨率決定的，改用更高分辨率的相機(jī)可以提高精度，但會(huì)增加網(wǎng)絡(luò)參數(shù)。② 手工測(cè)量誤差。在實(shí)際測(cè)量過(guò)程中，輸送帶具有彈性，手工測(cè)量不可避免會(huì)存在誤差。③ 圖像標(biāo)注誤差。標(biāo)注外接矩形無(wú)法完美描述撕裂區(qū)域。④ 線結(jié)構(gòu)光標(biāo)定誤差。

撕裂檢測(cè)效果如圖16所示，圖16（a）-（d）對(duì)應(yīng)表4中前4行。為了不遮擋原圖，將標(biāo)記向右偏移，紅色像素為非斷點(diǎn)的撕裂像素，綠色直線為端點(diǎn)坐標(biāo)為Xs和Xe的撕裂直線?？梢?，所提方法能夠有效地實(shí)現(xiàn)輸送帶撕裂檢測(cè)和撕裂物理尺寸測(cè)量。

圖16 撕裂檢測(cè)效果Fig. 16 Tear detection results

5 結(jié)論

（1） 基于最大值法進(jìn)行線激光條紋檢測(cè)，通過(guò)最近鄰域法解決線激光條紋出現(xiàn)斷點(diǎn)時(shí)最大值法失效的問(wèn)題。通過(guò)實(shí)驗(yàn)證明改進(jìn)最大值法優(yōu)于Steger法和灰度重心法。

（2） 基于全卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行激光條紋分割，將撕裂檢測(cè)問(wèn)題轉(zhuǎn)換成語(yǔ)義分割問(wèn)題。選用U-net網(wǎng)絡(luò)并對(duì)其進(jìn)行降維，有效減少了神經(jīng)網(wǎng)絡(luò)參數(shù)量。實(shí)驗(yàn)結(jié)果表明，U-net網(wǎng)絡(luò)收斂速度快于SegNet和FCNs網(wǎng)絡(luò)，迭代的穩(wěn)定性較強(qiáng)，評(píng)價(jià)指標(biāo)最優(yōu)，U-net4網(wǎng)絡(luò)性能優(yōu)于U-net3和U-net5。在驗(yàn)證集上的檢測(cè)結(jié)果表明，撕裂檢測(cè)的召回率為96.09%，精確率為96.85%；

（3） 利用線結(jié)構(gòu)光標(biāo)定數(shù)據(jù)進(jìn)行撕裂物理尺寸測(cè)量，在實(shí)驗(yàn)平臺(tái)的測(cè)量結(jié)果表明，撕裂物理尺寸測(cè)量的最大相對(duì)誤差為-13.04%。誤差的主要來(lái)源有像素誤差、手工測(cè)量誤差、圖像標(biāo)注誤差和線結(jié)構(gòu)光標(biāo)定誤差，可通過(guò)減小像素誤差和圖像標(biāo)注誤差提高測(cè)量精度。

（4） 目前撕裂樣本數(shù)據(jù)還不充分，后期將在工業(yè)實(shí)驗(yàn)中采集更多樣本，以進(jìn)一步提高撕裂檢測(cè)方法性能。