石耀慧，史華偉，王永振，和佳聰，倪 冬

（1. 山西焦煤（集團(tuán)）霍州煤電集團(tuán)店坪煤礦，山西 呂梁 277102；2. 鄂托克前旗長城煤礦有限責(zé)任公司，內(nèi)蒙古 鄂爾多斯 016200；3. 中國礦業(yè)大學(xué)機(jī)電工程學(xué)院，江蘇 徐州 221116）

0 引言

在煤礦運(yùn)輸系統(tǒng)中，礦用輸送帶需要長時(shí)間、高負(fù)荷運(yùn)輸物料。物料中存在的矸石、錨桿等鋒利的雜質(zhì)，可能會(huì)造成輸送帶縱向撕裂。一旦發(fā)生縱向撕裂，如果巡檢或者附近值班人員無法及時(shí)發(fā)現(xiàn)并進(jìn)行停機(jī)，輸送帶會(huì)在短時(shí)間內(nèi)發(fā)生貫穿性整體損毀[1-2]。輸送帶縱向撕裂事故發(fā)生會(huì)造成物料傾灑，托輥、減速器和電動(dòng)機(jī)等設(shè)備損毀，造成巨大經(jīng)濟(jì)損失甚至是人員傷亡，更嚴(yán)重時(shí)可能引起輸送帶局部溫度升高，引發(fā)礦井火災(zāi)[3-4]。

輸送帶縱向撕裂檢測大致可分為接觸式和非接觸式兩種檢測方式。接觸式檢測技術(shù)常見的有棒形檢測器、線形檢測器、擺動(dòng)托輥檢測器等[5]。接觸式檢測法的結(jié)構(gòu)較為簡單、使用方便，但是其可靠性較差、使用壽命較短，容易誤報(bào)和漏報(bào)，因此，目前多采用非接觸式檢測技術(shù)。非接觸式檢測技術(shù)主要有超聲波檢測法[6]、電磁傳感法[7]、X射線檢測法[8]、視覺檢測法[9]等。超聲波檢測法不易在井下安裝，且后期維護(hù)費(fèi)用高昂，不適合大規(guī)模推廣；電磁檢測法工藝復(fù)雜、成本高，同時(shí)降低皮帶強(qiáng)度，穩(wěn)定性較差；X射線檢測法檢測速度慢，且有輻射，會(huì)造成身體上的損傷。

視覺檢測作為一種非接觸式無損檢測技術(shù)發(fā)展迅速，在各領(lǐng)域都有廣泛的應(yīng)用并且日趨成熟[10]。基于圖像分割技術(shù)、邊緣檢測技術(shù)等，有研究人員直接采集輸送帶圖像進(jìn)行縱向撕裂判別[11-14]。上述方法在應(yīng)用于井下工況時(shí)，因輸送帶表面污漬較多，環(huán)境光照變化較大，會(huì)導(dǎo)致采集的圖像清晰度較低甚至模糊，難以取得較好的檢測效果。

為了降低周圍環(huán)境對(duì)縱向撕裂檢測的影響，游磊等[15]利用改進(jìn)最大值法提取單條激光中心線，提出了一種基于U-net網(wǎng)絡(luò)的輸送帶縱向撕裂檢測方法，有效解決了光照條件差的問題，但是該算法存在撕裂樣本不充分的問題；曾飛等[16]設(shè)計(jì)了便攜式高精度輸送帶縱向撕裂檢測系統(tǒng)，解決了遠(yuǎn)距離監(jiān)測輸送帶縱向撕裂的問題，但是圖像采集端只能采集輸送帶上表面激光圖像，無法檢測正在輸送貨物的輸送帶；熊輝等[17]采用網(wǎng)格狀激光圖像，利用圖像的網(wǎng)格特征進(jìn)行皮帶撕裂識(shí)別，該算法識(shí)別率高，但是該系統(tǒng)安裝復(fù)雜，容易受到振動(dòng)干擾；徐輝等[18]同時(shí)采集3條線激光圖像，通過光條畸變特征檢測輸送帶縱撕裂，該方法簡單、檢測準(zhǔn)確度高，但是并沒有對(duì)塵霧環(huán)境下的撕裂圖像進(jìn)行分析，泛化能力差；LI等[19]提出了一種基于多組激光器的計(jì)算機(jī)視覺檢測算法，擴(kuò)大了探測面積，但是提取多激光線條所使用的消線方法仍需要良好的光照條件。

針對(duì)以上問題，本文提出了一種基于多條線激光的輸送帶縱向撕裂檢測系統(tǒng)，分析了線激光發(fā)射器、工業(yè)攝像儀數(shù)量對(duì)圖像采集質(zhì)量的影響，設(shè)計(jì)了雙目激光器、三線激光器的圖像采集方案。針對(duì)煤礦井下煤灰和水霧等因素導(dǎo)致采集圖像較差的問題，采用圖像ROI提取、圖像模型轉(zhuǎn)換、圖像增強(qiáng)、圖像拼接等算法，獲得了完整、高質(zhì)量的線激光圖像。針對(duì)光照不均、煤渣等降低縱向撕裂識(shí)別率的問題，本文通過線激光圖像中連通域的數(shù)量判斷是否發(fā)生縱向撕裂，提高了檢測的準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，基于多線激光的縱向撕裂檢測方法相比于常用線激光的縱向撕裂檢測方法，具有更高的準(zhǔn)確率和更好的環(huán)境適應(yīng)性。

1 圖像采集

1.1 設(shè)備選型

縱向撕裂檢測硬件設(shè)備是采集輸送帶下表面圖像的關(guān)鍵設(shè)備，主要包括線激光發(fā)射器、工業(yè)攝像儀及鏡頭。選擇線激光發(fā)射器時(shí)，主要考慮其光功率、發(fā)散角度、波長等參數(shù)；選擇工業(yè)攝像儀時(shí)，主要考慮其像元尺寸、幀率和分辨率等參數(shù)；選擇鏡頭時(shí)，需考慮上下輸送帶間距、輸送帶寬度和工業(yè)攝像機(jī)的參數(shù)。綜合考慮，定制線激光發(fā)射器，工業(yè)攝像儀選擇?？禉C(jī)器人MV-CA032-10GC型面陣工業(yè)攝像儀，鏡頭選擇?？禉C(jī)器人MVL-MF0828M-8MP型鏡頭，設(shè)備參數(shù)見表1。

1.2 布置方案

由于輸送帶上表面存在煤炭的遮擋，工業(yè)攝像儀不易采集到輸送帶上表面的縱向撕裂線性特征。因此，本文將縱向撕裂檢測設(shè)備安裝在輸送帶的下方，對(duì)輸送帶下表面的縱向撕裂線性特征進(jìn)行采集。線激光發(fā)射器和工業(yè)攝像儀在上下輸送帶之間的布置示意圖，如圖1所示。為了突出縱向撕裂特征，需要分析線激光發(fā)射器與工業(yè)攝像儀的數(shù)量。

1.3 線激光發(fā)射器的數(shù)量分析

礦用帶式輸送機(jī)運(yùn)轉(zhuǎn)時(shí)，單線激光和多線激光分別照射到完好輸送帶的下表面，激光線條會(huì)呈現(xiàn)一定的弧度并具有連續(xù)性，如圖2（a）和圖2（c）所示。單線激光和多線激光分別照射到縱向撕裂輸送帶的下表面，激光線條在縱向撕裂位置會(huì)產(chǎn)生斷裂或跳躍，如圖2（b）和圖2（d）所示。

圖2 不同情況下的線激光圖像Fig. 2 Line laser images under different conditions

當(dāng)輸送帶下表面沾染煤渣時(shí)，可能會(huì)導(dǎo)致線激光發(fā)生間斷。單線激光進(jìn)行檢測時(shí)，會(huì)將其判斷為縱向撕裂，從而導(dǎo)致誤判，如圖2（e）所示。多線激光照射沾染煤渣的輸送帶下表面，只有中間一條線激光發(fā)生了間斷，如圖2（f）所示。利用多線激光檢測時(shí)，只有多線激光同時(shí)間斷，才能判斷輸送帶發(fā)生縱向撕裂，因此，多線激光檢測能夠降低煤渣沾染導(dǎo)致的誤報(bào)率。隨著線激光數(shù)量增加，圖像處理時(shí)間也會(huì)相應(yīng)提高，因此，選取線激光發(fā)射器數(shù)目時(shí)，要根據(jù)硬件設(shè)備和現(xiàn)場實(shí)際情況，選取合理的線激光發(fā)射器數(shù)目。經(jīng)過綜合考慮，選用3個(gè)線激光發(fā)射器進(jìn)行輸送帶縱向撕裂檢測。

1.4 工業(yè)攝像儀的數(shù)量分析

由于煤礦井下上下輸送帶空間狹小、煤灰、水霧等因素的影響，單個(gè)工業(yè)攝像儀無法直接獲得高質(zhì)量且完整的輸送帶下表面線激光圖像。因此，采用兩個(gè)工業(yè)攝像儀組成雙目視覺系統(tǒng)，對(duì)輸送帶下表面線激光圖像進(jìn)行采集，然后對(duì)采集的同幀圖像拼接，從而獲得高質(zhì)量且完整的輸送帶下表面線激光圖像。

2 圖像預(yù)處理

煤礦井下環(huán)境惡劣，輸送帶周圍存在大量的煤灰和水霧，光在傳播的過程中會(huì)被煤灰和水霧吸收和散射，導(dǎo)致光照強(qiáng)度降低。工業(yè)攝像儀只能采集到衰減后的激光線條，導(dǎo)致采集圖像質(zhì)量較差，影響輸送帶縱向撕裂檢測的準(zhǔn)確率。因此，首先要對(duì)采集圖像進(jìn)行預(yù)處理，提高圖像的質(zhì)量和縮短后續(xù)圖像處理的時(shí)間，預(yù)處理流程包含圖像ROI提取、圖像模型轉(zhuǎn)換、圖像增強(qiáng)及圖像拼接。

2.1 圖像ROI提取

圖像ROI提取是利用圖像剪切手段裁剪出感興趣區(qū)域（ROI），降低后續(xù)圖像處理算法的難度和時(shí)間。本文中的工業(yè)攝像儀直接采集的RGB圖像像素尺寸為2048×1536，如圖3（a）所示；從圖像中裁剪出一個(gè)800×400像素區(qū)域作為ROI圖像，如圖3（b）所示。

圖3 圖像ROI提取Fig. 3 Image ROI extraction

2.2 圖像模型轉(zhuǎn)換

工業(yè)攝像儀采集的圖像是由R通道、G通道、B通道組成，為了縮短后續(xù)圖像處理的時(shí)間，將采集到的RGB圖像轉(zhuǎn)換為單一顏色通道圖像。分別對(duì)ROI提取后的圖像進(jìn)行R通道、G通道、B通道提取和圖像灰度化，獲得的圖像如圖4所示，相對(duì)應(yīng)的圖像灰度二維分布如圖5所示。由圖4和圖5可知，提取R通道的圖像激光線條和背景對(duì)比特征最為顯著，在保證準(zhǔn)確提取激光線條中心線的前提下，將三通道彩色圖像降低為R通道圖像，能夠降低圖像處理的數(shù)據(jù)量。

圖4 不同顏色通道和灰度化圖像對(duì)比Fig. 4 Comparison of different color channels and gray-scale images

圖5 不同圖像的灰度二維分布Fig. 5 Grayscale two-dimensional distribution of different images

2.3 圖像增強(qiáng)

為了使采集的線激光圖像接近煤礦井下真實(shí)線激光圖像，在實(shí)驗(yàn)室模擬煤礦井下塵霧環(huán)境進(jìn)行線激光圖像采集，采集的含塵霧線激光圖像。含塵霧線激光圖像質(zhì)量較差，能夠影響后續(xù)輸送帶縱向撕裂檢測的準(zhǔn)確率。本文提出了一種分段線性變換與CLAHE結(jié)合的圖像增強(qiáng)算法，對(duì)線激光圖像進(jìn)行增強(qiáng)。算法實(shí)現(xiàn)過程如下所述。

1）利用分段線性灰度變換，對(duì)圖像中低灰度值噪聲進(jìn)行抑制，對(duì)感興趣灰度值區(qū)域進(jìn)行增強(qiáng)，獲得分段線性灰度變換增強(qiáng)后圖像。

2）將增強(qiáng)后圖像分割成尺寸相同的子塊圖像，圖像之間互不重疊，但要相互鄰接。

3）統(tǒng)計(jì)每個(gè)子塊圖像的灰度直方圖h（i），i代表圖像中的灰度級(jí)。

4）保證子塊中每個(gè)灰度級(jí)的像素個(gè)數(shù)相等，像素個(gè)數(shù)平均值NAver的數(shù)學(xué)表達(dá)式見式（1）。

式中：LGray為子塊中含有的灰度級(jí)數(shù)目；ux為x軸的像素?cái)?shù)量；uy為y軸的像素?cái)?shù)量。

5）確定剪切限制系數(shù)β，β∈[0,1]。β值越大，圖像對(duì)比度越高。剪切限制閾值NCL表達(dá)式見式（2）。

式中，β為剪切限制系數(shù)。

6）將子塊灰度直方圖中超出剪切限制閾值NCL的像素剪切出來，平均分配給各個(gè)灰度級(jí)，如圖6所示。

圖6 剪切像素分配Fig. 6 Shear pixel allocation

設(shè)超出限制閾值NCL的像素總數(shù)為NClip，則子塊圖像中的灰度級(jí)獲得的像素?cái)?shù)NACP的表達(dá)式見式（3）和式（4）。

式中，NGray為圖像總灰度像素總數(shù)。

獲得新局部直方圖H（i）的表達(dá)式見式（5）。

如果超出限制閾值NCL像素沒有完全分配，則需要對(duì)剩下的像素進(jìn)行再次分配。經(jīng)過多次均勻分配后，超出限制閾值NCL的像素?cái)?shù)被平均分配到像素?cái)?shù)小于限制閾值的灰度級(jí)中。

7）分別對(duì)剪切處理后的子塊圖像直方圖H（i）進(jìn)行均衡化。

8）通過雙線性插值算法將子塊圖像進(jìn)行組合，能夠有效去除子塊的邊界。

含塵霧線激光圖像原圖，如圖7（a）所示。分段線性灰度變換增強(qiáng)后的圖像，如圖7（b）所示。CLAHE算法增強(qiáng)后的圖像，如圖7（c）所示?；诜侄尉€性變換與CLAHE結(jié)合算法增強(qiáng)后的圖像，如圖7（d）所示。由圖7可知，基于分段線性變換與CLAHE結(jié)合算法增強(qiáng)后的圖像中低灰度值噪聲被抑制，并且圖像右上角的激光線條對(duì)比度和亮度均得到了提高。因此，基于分段線性變換與CLAHE結(jié)合的圖像增強(qiáng)算法對(duì)含塵霧線激光圖像具有較好的圖像增強(qiáng)效果，能夠適應(yīng)煤礦井下環(huán)境。

圖7 線激光圖像增強(qiáng)對(duì)比Fig. 7 Line laser image enhancement contrast

2.4 圖像拼接

為了降低圖像拼接計(jì)算量、提高配準(zhǔn)率，本文采用基于改進(jìn)SIFT特征提取的圖像拼接算法[20]，對(duì)線激光圖像進(jìn)行拼接。算法主要分為特征點(diǎn)提取與匹配、圖像配準(zhǔn)和圖像合成三個(gè)部分，算法流程圖如圖8所示。

圖8 基于SIFT特征提取的圖像拼接算法Fig. 8 Image mosaic algorithm based on SIFT feature extraction

在圖像拼接過程中，首先，對(duì)左右線激光圖像進(jìn)行ROI提取、圖像模型轉(zhuǎn)換、圖像增強(qiáng)，如圖9（a）和圖9（b）所示；其次，提取圖像特征點(diǎn)，并實(shí)現(xiàn)圖像特征點(diǎn)匹配，如圖9（c）所示；最后，在圖像拼接融合部分利用帽子函數(shù)加權(quán)平均融合算法消除圖像拼接后的亮度差異，拼接后的線激光圖像如圖9（d）所示。

圖9 線激光圖像拼接Fig. 9 Line laser image stitching

3 縱向撕裂特征提取與檢測

3.1 多條線激光中心線提取

對(duì)輸送帶線激光圖像其提取中心線后，能夠去除邊緣的雜波干擾，更準(zhǔn)確地表示激光線條的位置，增大激光線條斷裂處的距離，從而提高檢測的精度和準(zhǔn)確率。常見的線激光中心線提取算法有極值法、灰度重心法、高斯曲線擬合法、Steger算法。極值法提取單線激光中心線速度較快，但是容易被噪聲干擾，導(dǎo)致提取精度較差；灰度重心法提取斜率較大的線激光中心線時(shí)，誤差會(huì)顯著上升，容易出現(xiàn)斷線現(xiàn)象；高斯曲線擬合法提取線激光中心線時(shí)，由于不存在完全對(duì)稱的灰度值分布，提取的線激光中心線會(huì)存在較大誤差；Steger算法對(duì)單線激光中心線提取精度較高、魯棒性好，但是計(jì)算復(fù)雜、處理效率較低。綜上所述，常用的線激光提取算法并不適合對(duì)多線激光中心線進(jìn)行提取。本文提出基于改進(jìn)Otsu閾值分割算法的多線激光中心線提取算法，該算法實(shí)現(xiàn)流程如圖10所示。

圖10 基于改進(jìn)Otsu閾值分割算法的多線激光中心線提取算法Fig. 10 Multiple line laser center line extraction algorithm based on improved Otsu threshold segmentation algorithm

3.1.1 圖像二值化

為了降低多條線激光中心線提取時(shí)間、排除圖像中的干擾信息，需要對(duì)圖像進(jìn)行分割。由于煤礦井下惡劣的環(huán)境，固定閾值提取的線激光存在區(qū)域過多或過少的問題。本文采用改進(jìn)Otsu閾值分割算法，根據(jù)單張線激光圖像中存在的灰度信息，按照灰度級(jí)劃分為線激光和輸送帶兩個(gè)部分，算法的計(jì)算步驟如下所述。

設(shè)采集到的線激光圖像中灰度值是i的像素點(diǎn)總量是mi，i的取值范圍為[0，K-1]，像素點(diǎn)總量M的數(shù)學(xué)表達(dá)式見式（7）。

式中，K為線激光圖像最大灰度值。

在單張線激光圖像的所有像素點(diǎn)中，隨機(jī)選取一個(gè)像素點(diǎn)，灰度值是i的概率Pi的數(shù)學(xué)表達(dá)式見式（8）。

Pi必須要符合數(shù)學(xué)表達(dá)式（9）。

根據(jù)實(shí)際情況設(shè)定一個(gè)閾值T，將線激光和輸送帶兩部分進(jìn)行初次分離。將初次分離的線激光和輸送帶部分分別命名為B1和B0。輸送帶部分的灰度值范圍設(shè)為[0，T-1]，線激光部分的灰度值設(shè)為[T，K-1]。B0和B1的概率x0和x1的數(shù)學(xué)表達(dá)式見式（10）和式（11）。

B0和B1的灰度均值A(chǔ)0和A1的數(shù)學(xué)表達(dá)式見式（12）和式（13）。

經(jīng)過R通道提取的線激光圖像的灰度值均值的數(shù)學(xué)表達(dá)式見式（14）。

B0和B1的類間方差σ2的數(shù)學(xué)表達(dá)式見式（15）。

閾值T的數(shù)學(xué)表達(dá)式見式（16）。

由于線激光圖像中線激光部分占圖像比重較小，輸送帶部分的像素點(diǎn)經(jīng)過分割后可能歸類到線激光部分，使得線激光圖像過分割。對(duì)線激光圖像的過分割問題，使用線激光部分像素點(diǎn)占圖像像素點(diǎn)的比重S進(jìn)行改進(jìn)，并且通過縮小灰度值t的取值范圍，提升算法的分割速度。改進(jìn)Otsu閾值分割算法的最佳閾值計(jì)算公式見式（17）。

式中：S為線激光部分所占圖像的比重，用于改變變量t所占的權(quán)重；t為灰度閾值，其中，x0（t）灰度閾值為t時(shí)，線激光部分的概率；x1（t）灰度閾值為t時(shí)，輸送帶部分的概率；A0（t）灰度閾值為t時(shí)，線激光部分的平均灰度值；A1（t）灰度閾值為t時(shí)，輸送帶部分的平均灰度值；σ0（t）灰度閾值為t時(shí)，線激光部分灰度值的方差；σ1（t）灰度閾值為t時(shí)，輸送帶部分灰度值的方差；A為線激光圖像的平均灰度值；D為線激光圖像的最大灰度值。

通過改進(jìn)Otsu閾值分割算法，動(dòng)態(tài)選擇閾值T的大小。設(shè)未經(jīng)二值化處理的線激光圖像函數(shù)f（i，j），二值化處理后的線激光圖像函數(shù)F（i，j），二值化的數(shù)學(xué)表達(dá)式見式（18）。

式中：（i，j）為線激光圖像中各個(gè)像素點(diǎn)坐標(biāo)；f（i，j）為未經(jīng)二值化處理過的線激光圖像在像素點(diǎn)（i，j）處的灰度值；F（i，j）為二值化處理后的線激光圖像在像素點(diǎn)（i，j）處的灰度值。

3.1.2 分組提取多線激光中心線

對(duì)多線激光圖像函數(shù)F（i，j）進(jìn)行逐列搜索，當(dāng)像素點(diǎn)灰度值從0變成255時(shí)，此像素點(diǎn)為上邊界點(diǎn)；當(dāng)像素點(diǎn)灰度值從255變成0時(shí)，此像素點(diǎn)為下邊界點(diǎn)。計(jì)算上下邊界像素點(diǎn)坐標(biāo)均值，獲得線激光中心點(diǎn)坐標(biāo)，重復(fù)計(jì)算獲得該列三條線激光中心點(diǎn)坐標(biāo)。

通過對(duì)圖像進(jìn)行逐列搜索，獲得多線激光所有中心像素點(diǎn)坐標(biāo)。根據(jù)聚類算法將線激光中心像素點(diǎn)坐標(biāo)分類到相應(yīng)的坐標(biāo)數(shù)組。最后將所有像素點(diǎn)坐標(biāo)按照分組連線，獲得多線激光中心線。

3.1.3 形態(tài)學(xué)優(yōu)化

形態(tài)學(xué)優(yōu)化主要分為開運(yùn)算和閉運(yùn)算。開運(yùn)算將線激光區(qū)域中相鄰近但不相接的像素點(diǎn)去除，導(dǎo)致線激光的縫隙增大。閉運(yùn)算能夠?qū)⑧徑墓铝⑾袼攸c(diǎn)合并起來填補(bǔ)線激光的縫隙，同時(shí)不會(huì)導(dǎo)致線激光的邊緣部分加粗。因此，本文選擇閉運(yùn)算對(duì)線激光圖像進(jìn)行形態(tài)學(xué)優(yōu)化。

選取一條能量不均的線激光，如圖11（a）所示。因其斜率較大、能量分布不均等原因，提取的中心線被分割成幾部分，如圖11（b）所示。不連續(xù)的激光線條會(huì)影響后續(xù)縱向撕裂特征提取與檢測的準(zhǔn)確率，因此，需要對(duì)提取的線激光中心線進(jìn)行形態(tài)學(xué)優(yōu)化。采用閉運(yùn)算對(duì)微小間斷點(diǎn)進(jìn)行填充，填充后的線激光中心線如圖11（c）所示。

圖11 形態(tài)學(xué)優(yōu)化Fig. 11 Morphological optimization

3.2 縱向撕裂特征提取與檢測

常用的縱向撕裂檢測算法主要有角點(diǎn)檢測和直線檢測。SUSAN角點(diǎn)檢測算法容易受到圖像中噪聲的影響，F(xiàn)AST角點(diǎn)檢測算法易產(chǎn)生角點(diǎn)聚簇現(xiàn)象，對(duì)于噪聲點(diǎn)容易誤判為角點(diǎn)。HOUGH變換直線檢測算法對(duì)曲率較大的激光線條檢測效果不佳，因此該方法不適合本系統(tǒng)。通過分析多線激光在縱向撕裂時(shí)的線性特征，本文提出了一種基于形態(tài)學(xué)的特征提取與檢測算法。該算法利用多條線激光圖像中存在的連通域數(shù)目，判斷輸送帶是否發(fā)生了縱向撕裂。

對(duì)含縱向撕裂的線激光圖像進(jìn)行中心線提取，提取后的圖像是二值化圖像，將圖中的三條線激光中心線作為一個(gè)區(qū)域進(jìn)行連通域劃分。由于圖中的線激光中心線存在曲率，因此，只能通過8-鄰域原則（灰度值為255像素點(diǎn)的8鄰域中存在灰度值為255的像素點(diǎn)，則兩個(gè)像素點(diǎn)在相同的連通域中）判斷線激光中心線區(qū)域是否連通。圖12為發(fā)生縱向撕裂時(shí)的線激光圖像，3條線激光共有5個(gè)間斷點(diǎn)。頂部的激光線有2個(gè)間斷點(diǎn)，整條激光線被分為3部分，也就是3個(gè)連通域。類似的，中間的激光線被分為3個(gè)連通域，底部的激光線被分為2個(gè)連通域。因此，圖12所示的激光圖像共存在8個(gè)連通域。相反的，不發(fā)生縱向撕裂時(shí)，線激光不存在間斷點(diǎn)，僅存在3個(gè)連通域。

圖12 連通域判定Fig. 12 Judgement of connected domain

由于噪聲干擾，線激光圖像可能會(huì)形成多個(gè)較小的連通域，導(dǎo)致連通域劃分不準(zhǔn)確。通過設(shè)置連通域像素點(diǎn)數(shù)目閾值去除干擾連通域。去除干擾連通域后，如果區(qū)域內(nèi)存在3個(gè)連通域，則認(rèn)為輸送帶未發(fā)生縱向撕裂，運(yùn)行狀況良好；如果區(qū)域內(nèi)存在6個(gè)及以上連通域，則認(rèn)為輸送帶可能存在縱向撕裂。當(dāng)連續(xù)四幀線激光圖像中均檢測到6個(gè)及以上連通域，輸送帶縱向撕裂檢測系統(tǒng)判定輸送帶發(fā)生了縱向撕裂，需要立即停止帶式輸送機(jī)。

4 實(shí)驗(yàn)結(jié)果與分析

4.1 實(shí)驗(yàn)設(shè)備

在實(shí)驗(yàn)室搭建實(shí)驗(yàn)平臺(tái)，驗(yàn)證本文提出的基于多線激光的輸送帶縱向撕裂檢測方法的優(yōu)越性。實(shí)驗(yàn)臺(tái)由輸送帶、機(jī)架、工業(yè)攝像儀、線激光、安裝支架、臺(tái)式計(jì)算機(jī)、電動(dòng)滾筒等組成。采用氣壓噴壺和一級(jí)粉煤灰模擬煤礦井下塵霧環(huán)境。實(shí)驗(yàn)使用的輸送帶厚度為11.5 mm，寬度為680 mm，總長為6600 mm，輸送帶的最大運(yùn)轉(zhuǎn)速度能夠達(dá)到2 m/s。搭建完成后的實(shí)驗(yàn)臺(tái)，如圖13所示。

圖13 輸送帶縱向撕裂檢測實(shí)驗(yàn)臺(tái)Fig. 13 Test bench of conveyor belt longitudinal tear detection

4.2 中心線提取

為了驗(yàn)證提取算法的優(yōu)越性，對(duì)同一位置連續(xù)多次拍攝，選取含有縱向撕裂的單條線激光圖像30張，選擇Steger算法[21]、極值法[22]、灰度重心法[23]與本文算法進(jìn)行對(duì)比。Steger算法是提取單條線激光中心線最準(zhǔn)確的方法之一，因此，將Steger算法提取的線激光中心線作為衡量標(biāo)準(zhǔn)，與基于改進(jìn)Otsu閾值分割算法的多線激光中心線提取算法（本節(jié)改進(jìn)算法）、灰度重心法和極值法提取的中心線進(jìn)行對(duì)比分析。本節(jié)改進(jìn)算法、極值法、灰度重心法和Steger法提取的局部線激光中心線坐標(biāo)，如圖14所示。

圖14 多種算法提取結(jié)果中局部線激光中心線對(duì)比Fig. 14 Comparison of local line laser centerlines in the extraction results of multiple algorithms

由圖14可知，本節(jié)改進(jìn)算法和Steger算法提取的中心線非常接近，而灰度重心法和Steger算法提取的中心線偏差較小。為了量化不同算法提取線激光中心線的精度，采用偏差均值表示精度，處理時(shí)間表示算法速度。將Steger算法提取的坐標(biāo)值作為標(biāo)準(zhǔn)值Z，計(jì)算偏差均值S，計(jì)算見式（19）～式（21）。

式中：Zi為測試方法計(jì)算得到的點(diǎn)坐標(biāo)；N為一幅線激光圖像中心線坐標(biāo)點(diǎn)數(shù)目；M為提取的圖像數(shù)目。不同算法的均值偏差和處理時(shí)間見表2。

表2 中心線提取算法對(duì)比Table 2 Comparison of center line extraction algorithms

由表2可知，在提取準(zhǔn)確率方面，本文改進(jìn)算法與Steger算法的偏差均值S最?。辉谔幚硭俣确矫?，本文算法處理速度接近極值法，大大高于Steger算法。因此，本文改進(jìn)算法能快速提取中心線且能夠準(zhǔn)確的反映激光線條線性特征。

4.3 縱向撕裂檢測

對(duì)輸送帶縱向撕裂檢測時(shí)，檢測結(jié)果異常的情況有兩種。一種情況是輸送帶完好，但由于輸送帶下表面沾染煤渣等因素導(dǎo)致檢測結(jié)果為縱向撕裂，此種結(jié)果出現(xiàn)的次數(shù)記為M1。另一種情況是輸送帶縱向撕裂，但由于縱向撕裂特征不顯著等因素導(dǎo)致檢測結(jié)果為完好，記為M2。檢測結(jié)果正確的也有兩種情況，一種情況是輸送帶完好，此種結(jié)果出現(xiàn)的次數(shù)記為M3。另一種情況是輸送帶縱向撕裂，此種結(jié)果出現(xiàn)的次數(shù)記為M4。據(jù)此，輸送帶縱向撕裂檢測準(zhǔn)確率計(jì)算公式見式（22）。

將工業(yè)攝像儀和線激光發(fā)射器分別安裝到實(shí)驗(yàn)臺(tái)上，向試驗(yàn)臺(tái)噴灑水霧和粉煤灰模擬煤礦井下塵霧環(huán)境。在無塵霧和模擬塵霧兩種實(shí)驗(yàn)環(huán)境下，工業(yè)攝像儀分別采集5組多線激光和單線激光輸送帶下表面圖像，每組含有200張圖像。為了驗(yàn)證本文縱向撕裂檢測方法的優(yōu)越性，分別與文獻(xiàn)[16]、文獻(xiàn)[24]報(bào)道的單條線激光方法、與文獻(xiàn)[18]報(bào)道的多條線激光方法進(jìn)行對(duì)比實(shí)驗(yàn)，分別記錄每組實(shí)驗(yàn)中M1、M2、M3和M4的值，見表3。對(duì)5組實(shí)驗(yàn)結(jié)果的準(zhǔn)確率求平均值，不同檢測方法的對(duì)比實(shí)驗(yàn)結(jié)果見表4。

表3 不同檢測方法對(duì)比Table 3 Comparison of different detection methods

表4 不同檢測方法準(zhǔn)確率Table 4 Accuracy of different detection methods單位：%

文獻(xiàn)[16]、文獻(xiàn)[24]提出的為單條線激光檢測方法，文獻(xiàn)[18]與本文提出的為多條線激光檢測方法。由表4可知，在無塵霧實(shí)驗(yàn)室環(huán)境下，單條線激光檢測方法準(zhǔn)確率低于多條線激光檢測方法，本文提出的方法準(zhǔn)確率最高，達(dá)到了98.6%。在模擬煤礦井下塵霧環(huán)境時(shí)，單條線激光檢測方法準(zhǔn)確率迅速下降，分別為82.1%、78.9%，說明單條線激光在塵霧環(huán)境下縱向撕裂檢測容易受到干擾；文獻(xiàn)[18]的準(zhǔn)確率為90.5%，本文的準(zhǔn)確率為97.9%，說明本文提出的算法更適合于煤礦塵霧環(huán)境。

5 結(jié)語

為解決目前煤礦井下輸送帶縱向撕裂檢測存在的采集圖像質(zhì)量較差、誤判率較高、智能化程度較低等問題，本文提出了一種基于多線激光的礦用輸送帶縱向撕裂檢測方法。算法采用多條線激光輔助縱向撕裂檢測方法，將輸送帶縱向撕裂的形態(tài)學(xué)特征轉(zhuǎn)換為激光線條的線性特征，提高檢測的速度和準(zhǔn)確率。通過對(duì)多線激光的特點(diǎn)進(jìn)行分析，提出了基于改進(jìn)Otsu閾值分割算法的多條線激光中心線提取方法，去除了激光線邊緣的雜波干擾，更準(zhǔn)確地表示激光線條的位置，增大激光線條斷裂處的距離，更準(zhǔn)確反映激光線條的線性特征。通過分析多線激光在縱向撕裂時(shí)的線性特征，提出一種基于形態(tài)學(xué)的特征提取與檢測算法對(duì)輸送帶進(jìn)行縱向撕裂檢測，利用多線激光圖像中存在的連通域數(shù)目，判斷輸送帶是否發(fā)生了縱向撕裂。通過實(shí)驗(yàn)室試驗(yàn)，驗(yàn)證了本文輸送帶縱向撕裂檢測方法的優(yōu)越性。

本文只是在實(shí)驗(yàn)室模擬煤礦塵霧環(huán)境下進(jìn)行實(shí)驗(yàn)，但煤礦井下環(huán)境更為復(fù)雜，特別是存在大量的煤灰和水霧，會(huì)導(dǎo)致設(shè)備污染，進(jìn)而造成激光圖像模糊，甚至損毀設(shè)備。因此，下一步需要研制自動(dòng)除塵保護(hù)裝置，以解決線激光發(fā)射器、工業(yè)攝像儀等設(shè)備的污損問題。此外，本文的檢測方法只能對(duì)已經(jīng)發(fā)生縱向撕裂的輸送帶進(jìn)行檢測，無法對(duì)即將發(fā)生的縱向撕裂進(jìn)行提前預(yù)警，比如尖銳物未穿透輸送帶、大塊物料卡壓輸送帶等。未來可以使用紅外熱像儀等穿透性設(shè)備對(duì)縱向撕裂征兆進(jìn)行監(jiān)測，實(shí)現(xiàn)提前預(yù)警。