基于纹理规则性分析的钢丝绳芯输送带故障在线检测方法

摘要

一种基于纹理规则性分析的钢丝绳芯输送带故障在线检测方法，属于故障检测领域。解决当前基于X光的钢丝绳芯输送带故障检测实时性较差、准确率不高、主要依赖人工分析等问题。本发明根据钢丝绳芯输送带X光图像灰度呈规律性变化、并且纹理呈规则的条纹状分布的特点，对输入图像进行归一化和规范化后，逐行扫描、计算每个像素点的LRB(Light Regular Band，亮规则带)和DRB(Dark Regular Band，暗规则带)参数值，然后与整幅图像的LRB和DRB参数值的均值相减，再用差值和训练阶段得到的阈值比较，判断出有无故障并从故障图像中检测出故障区域。本发明可以在线、自动、准确的实现钢丝绳芯输送带故障的检测。

说明书

技术领域

本发明属于故障检测领域，具体涉及钢丝绳芯输送带故障检测中一种基于纹理规则性分 析的阈值获取、故障在线检测的方法。

背景技术

钢丝绳芯输送带在煤矿生产中被大量使用，在使用中由于多种原因而产生故障，如得不 到及时检测和处理，将会造成断带或纵向撕裂等安全事故，严重影响安全生产^[1-3]。因此，各 煤矿都制定了相应的钢丝绳芯输送带检测制度。

对钢丝绳芯输送带的检测，目前除人工检测外，研究者们还提出了涡流检测、磁感应检 测、冲击波检测和X光检测等有效方法，并得到了一定程度的应用^[4-9]。其中X光检测法可 实时获取和显示钢丝绳芯输送带的内部钢丝绳芯图像，能运用图像处理技术检测故障，而且 基于该方法的检测装置操作简单、检测速度快，因而受到了研究人员的重视和输送带用户的 欢迎。发明人前期研制出了一种基于X光的钢丝绳芯输送带无损检测系统，并对钢丝绳芯输 送带接头拉伸故障自动检测方法进行了研究^[9，10]。在检测系统的使用中，使用者迫切要求还能 够在线自动检测出接头拉伸故障之外的故障，如输送带断裂、单根钢丝绳芯断开、钢丝绳芯 端头交叉等故障。

钢丝绳芯输送带的X光图像具有很强的周期性纹理特性，并且纹理呈现规则的条纹状分 布。在纹理检测的规则性分析方面，虽然已经有几种较为有效的方法，但大都对噪声非常敏 感，检测结果的准确率不高，另外就是运算量往往都比较大，不适于在线的快速检测。本发 明可以在线、自动、准确的实现钢丝绳芯输送带故障的检测。

参考文献：

[1]黄民，魏任之.矿用钢绳芯带式输送机实时工况监测与故障诊断技术[J].煤炭学报，2005， 30(2)：245-250.

[2]毛君，赵永生，王淑娇.矿用输送带纵向撕裂原因分析及其预防[J].煤矿机械，2007， 28(10)：182-183.

[3]黄民，李恩，顾玉华，魏任之.钢绳芯输送带纵向撕裂监测方法研究[J].中国矿业大学学报， 2002，31(1)：49-52.

[4]Harrison A.A new technique for measuring loss of adhesion in conveyor belt splices[J]. Australian J.Coal Mining Technology and Research，1983，(4)：27-34.

[5]Sukhorukov V.Steel-cord conveyor belt NDT[J].International Journal of Materials&Product  Technology，2006，27(3/4)：236-246.

[6]Alport M，Basson J F，Padayachee T.Digital magnetic imaging of steel cord belts[J].Bulk  Solids Handling，2008，28(3)：182-185.

[7]姜梅，姜汉民，马国兵.强力输送带纵向防撕裂系统的设计与实现[J].矿山机械，2006， 34(6)：93-95.

[8]He Zhi-qiang，Wang Bai-yan，Gao Yu-lin.Research of algorithm for judgment of joint elongation  of conveyer Belt[J].Journal of China University of Mining&Technology，1999，9(1)：51-54.

[9]Li Xian-Guo，Miao Chang-Yun，Zhang Yan.An algorithm for selecting and stitching the  conveyer belt joint images based on X-ray[A].2010International Conference on Intelligent  Computation Technology and Automation[C].IEEE Computer Society，2010.vol.1，474-477.

[10]天津工业大学.X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法：中国， 201010146881.X[P].2010-4-15.

发明内容

本发明的目的是提出一种X光成像的钢丝绳芯输送带故障的在线检测方法，解决当前基 于X光的钢丝绳芯输送带故障检测实时性较差、准确率不高、主要依赖于人工分析等问题。

本发明所采用的技术方案，分为两个阶段，即训练阶段和检测阶段。

训练阶段的具体操作步骤如下：

步骤1，读入一幅不含故障信息的训练图像。

步骤2，对输入图像进行归一化，通过线性变换使图像的像素值均处于(0，1)范围内。

步骤3，对归一化后的图像进行规范化，用归一化后的图像减去其像素均值使像素 值均处于范围内。

步骤4，行扫描，计算每行每个像素点的LRB(Light Regular Band，亮规则带：利用纹 理图像的规则性来度量亮的缺陷)和DRB(Dark Regular Band，暗规则带：利用纹理图像的 规则性来度量暗的缺陷)参数值，在图像的某行上计算LRB参数值时定义式为

计算DRB参数值时定义式为

其中，滑动平均和标准差的表达式为

式中n是一个整数，表示输入图像中重复基元的维数，即纹理周期，x_ij是大小为p×q的图像 X经过规范化后的第i行、第j列像素点的灰度值，0≤r₁≤r_n≤q-1，r_n＝r₁+n-1，r₁∈[0，q-n]， r_n∈[n-1，q-1]，并且

步骤5，行扫描，计算每行LRB参数值的均值。如对于大小为p×q的训练图像，第i行 的LRB参数值的均值为

其中为在行的方向上计算得到的(i，j)像素点的LRB参数值。同理计算出每行DRB值 的均值。

步骤6，行扫描，计算LRB参数的两个阈值和以及DRB参数的两个阈值和 计算时将训练图像LRB和DRB参数值正向偏离和负向偏离对应的LRB和DRB参数 值的均值的最大偏离量作为阈值的基准，并增加一个调整参数进行自适应调节，作为阈值。 如对于大小为p×q的训练图像，第i行的LRB参数值正向偏离该行LRB参数值均值的最大 值为

$l_{\max +}^i=\max (L_r^{i,j}-u_{L,r}^i)=\max \left(L_r^{i,j}\right)-u_{L,r}^i$

所有行训练得到的LRB参数值正向偏离最大值为

$l_{\max +}=\max \left(l_{\max +}^i\right)$

实际操作中，使用的LRB参数值正向偏离的最大值为

$l_{\max +}^{\mathrm{use}}=l_{\max +}\times (1+\alpha )$

其中，α为调整参数，α≥0默认取1，LRB参数值负向偏离的最大值为

$l_{\max -}^i=\min (L_r^{i,j}-u_{L,r}^i)=\min \left(L_r^{i,j}\right)-u_{L,r}^i$

$l_{\max -}=\min \left(l_{\max -}^i\right)$

$l_{\max -}^{\mathrm{use}}=l_{\max -}\times (1+\alpha )$

同理可以求得DRB参数值的两个阈值，即DRB参数值正向偏离的最大值和DRB参数 值负向偏离的最大值

由于在训练过程中，对每行均单独求LRB和DRB参数值的均值，并分别计算正向偏离 和负向偏离对应行的均值的最大值，等效于分别用所有行进行训练，相当于增加了训练样本 的数量，降低了训练样本选择的偶然性影响。

检测阶段的具体操作步骤如下：

步骤1，读入一幅待检测图像。

步骤2，对步骤1读入的图像进行归一化，通过线性变换使图像的每个像素值均处于(0， 1)范围内。

步骤3，对步骤2得到的归一化后的图像进行规范化，用归一化后的图像减去其像素均 值使像素值均处于范围内。

特别的，此处减去的像素均值为本待检测图像归一化后的像素均值以适应待检测 图像的不同变化并保持待检测图像和训练图像操作上的独立。

步骤4，对步骤3得到的规范化后的图像进行行扫描，计算每行每个像素点的LRB和 DRB参数值。

步骤5，根据步骤4得到的结果，计算每行LRB和DRB参数值的均值。由于钢丝绳芯 输送带非接头区域的X光图像中的LRB参数值和DRB参数值的均值的差别都不大，且故障 区域的大小和整幅图像的大小的相比要小很多，为降低故障所在的行上故障区域的LRB或 DRB参数值对该行均值的影响，用此检测图像所有行的LRB和DRB参数值的均值的平均值 作为所有行的实际判别使用的均值，对于大小为p×q的待检测图像，LRB实际判别使用的均 值以及DRB实际判别使用的均值的计算公式分别为

$u_{L,r}^{\mathrm{use}}=\frac{\underset{i=0}{\overset{p-1}{\Sigma }}{u}_{L,r}^i}{p}$

$u_{D,r}^{\mathrm{use}}=\frac{\underset{i=0}{\overset{p-1}{\Sigma }}{u}_{D,r}^i}{p}$

其中，为第i行的LRB参数值的均值；为第i行的DRB参数值的均值。

步骤6，利用步骤5的结果和训练阶段得到的LRB参数值的两个阈值以及 DRB参数值的两个阈值行扫描，对原图像进行阈值化分割，若(i，j)像素点的 $L_r^{i,j}-u_{L,r}^{\mathrm{use}}\notin \left(\begin{array}{cc}{l}_{\max -}^{\mathrm{use}},& l_{\max +}^{\mathrm{use}}\end{array}\right)$或$D_r^{i,j}-u_{D,r}^{\mathrm{use}}\notin \left(\begin{array}{cc}{d}_{\max -}^{\mathrm{use}},& d_{\max +}^{\mathrm{use}}\end{array}\right),$则令该像素点的灰度值为白色，否则设 为黑色，其中为在行的方向上计算得到的(i，j)像素点的LRB参数值，为在行的 方向上计算得到的(i，j)像素点的DRB参数值。

步骤7，根据步骤6阈值化分割后的结果进行白像素点统计，当白像素点的数目超过设 定的数目时，认为该图像为含有故障信息的图像。

步骤8，根据步骤7的判断，报告检测结果。

本发明的效果和益处是，实际应用表明，本发明可以在线、自动、准确的实现钢丝绳芯 输送带输送带断裂、单根钢丝绳芯断开、钢丝绳芯端头交叉等故障的检测，在工业应用中具 有良好的使用价值。本发明技术有以下几个优势：

(1)本发明的方法自动化程度高，使用简单，需要设置的参数少，且检测结果对n的取 值(n为输入图像的纹理周期)不是很敏感。

(2)在训练过程中，对每行和每列均单独处理，相当于增加了训练样本的数量，降低了 训练样本选择的偶然性影响，故障检测的准确率高。

(3)本发明的方法能检测出细小的故障，图像对比度高、能较好地凸显出故障区域，且 检测出的故障区域更接近于故障的外形，利于进一步的故障区域的分割和故障识别。

(4)本发明的方法计算量较小，适于钢丝绳芯输送带故障的在线检测。

(5)本发明基于纹理规则性分析的方法还可应用于其他具有规则纹理特征的物品如织 物、墙纸、陶瓷等的在线检测。

附图说明

图1是钢丝绳芯输送带故障在线检测训练阶段操作流程图；

图2是钢丝绳芯输送带故障在线检测检测阶段操作流程图；

图3是钢丝绳芯输送带故障图像；

图4是图3所示的钢丝绳芯输送带故障图像的检测结果图像。

具体实施方式

以下结合附图和实施例详细叙述本发明的具体实施。

本发明提出的方法具体实施时分成两个阶段，即首先需要通过训练阶段获取判别所需的 阈值，钢丝绳芯输送带故障在线检测训练阶段的操作流程图如附图1所示；然后在检测阶段 实现对待检测图像的检测，钢丝绳芯输送带故障在线检测检测阶段操作流程图如附图2所示。

钢丝绳芯输送带中的钢丝绳芯是按一定的间距纵向排列的，其X光图像具有很强的纹理 特性，即图像灰度呈规律性变化，并且纹理呈规则的条纹状分布(竖条纹状分布)。为降低实 现的复杂度、提高执行效率，在钢丝绳芯输送带故障在线检测的实际操作中，只需在行的方 向上进行。

对钢丝绳芯输送带常见的输送带断裂、单根钢丝绳芯断开、钢丝绳芯端头交叉等三类典 型故障进行检测。检测数据库为四个煤矿的四条差异较大的钢丝绳芯输送带的2577幅X光 图像，其中含输送带断裂图像8幅(其中某幅输送带断裂图像如附图3(a)所示)，单根钢丝绳芯 断开图像33幅(其中某幅单根钢丝绳芯断开图像如附图3(b)所示)，钢丝绳芯端头交叉图像 22幅(其中某幅钢丝绳芯端头交叉图像如附图3(c)所示)。为增强显示效果，附图3所示的图 像均为从原完整图像中剪切出来的包含故障区域的大小为160×160像素的局部图像。检测每 条输送带时，均以第一幅不含有故障信息的图像作为训练图像。n取12，α取默认值1，白像 素点的统计阈值取5。

训练阶段的操作流程如下：

步骤1，读入当前输送带数据库中第一幅不含故障信息的训练图像。

步骤2，对输入图像进行归一化，通过线性变换使图像的像素值均处于(0，1)范围内。

步骤3，对归一化后的图像进行规范化，用归一化后的图像减去其像素均值使像素 值均处于范围内。

步骤4，行扫描，计算每行每个像素点的LRB(Light Regular Band，亮规则带：利用纹 理图像的规则性来度量亮的缺陷)和DRB(Dark Regular Band，暗规则带：利用纹理图像的 规则性来度量暗的缺陷)参数值，在图像的某行上计算LRB参数值时定义式为

计算DRB参数值时定义式为

其中，滑动平均和标准差的表达式为

式中n是一个整数，表示输入图像中重复基元的维数，即纹理周期，x_ij是大小为p×q的图像 X经过规范化后的第i行、第j列像素点的灰度值，0≤r₁≤r_n≤q-1，r_n＝r₁+n-1，r₁∈[0，q-n]， r_n∈[n-1，q-1]，并且

步骤5，行扫描，计算每行LRB参数值的均值。如对于大小为p×q的训练图像，第i行 的LRB参数值的均值为

其中为在行的方向上计算得到的(i，j)像素点的LRB参数值。同理计算出每行DRB值 的均值。

步骤6，行扫描，计算LRB参数的两个阈值和以及DRB参数的两个阈值和 对于大小为p×q的训练图像，第i行的LRB参数值正向偏离该行LRB参数值均值的 最大值为

$l_{\max +}^i=\max (L_r^{i,j}-u_{L,r}^i)=\max \left(L_r^{i,j}\right)-u_{L,r}^i$

所有行训练得到的LRB参数值正向偏离最大值为

$l_{\max +}=\max \left(l_{\max +}^i\right)$

实际操作中，使用的LRB参数值正向偏离的最大值为

$l_{\max +}^{\mathrm{use}}=l_{\max +}\times (1+\alpha )$

其中，α为调整参数，α取1，LRB参数值负向偏离的最大值为

$l_{\max -}^i=\min (L_r^{i,j}-u_{L,r}^i)=\min \left(L_r^{i,j}\right)-u_{L,r}^i$

$l_{\max -}=\min \left(l_{\max -}^i\right)$

$l_{\max -}^{\mathrm{use}}=l_{\max -}\times (1+\alpha )$

同理求得DRB参数值的两个阈值，即DRB参数值正向偏离的最大值和DRB参数值负 向偏离的最大值

通过训练阶段建立了四个阈值后，即可进入检测阶段，实现对 钢丝绳芯输送带故障的在线检测。

检测阶段的操作流程如下：

步骤1，读入一幅待检测图像，该待检测图像可能是故障图像也可能是无故障图像。

步骤2，对步骤1读入的图像进行归一化，通过线性变换使图像的每个像素值均处于(0， 1)范围内。

步骤3，对步骤2得到的归一化后的图像进行规范化，用归一化后的图像减去其像素均 值使像素值均处于范围内。

步骤4，对步骤3得到的规范化后的图像进行行扫描，计算每行每个像素点的LRB和 DRB参数值。

步骤5，根据步骤4得到的结果，计算每行LRB和DRB参数值的均值。对于大小为p×q 的待检测图像，LRB实际判别使用的均值以及DRB实际判别使用的均值的计算公式 分别为

$u_{L,r}^{\mathrm{use}}=\frac{\underset{i=0}{\overset{p-1}{\Sigma }}{u}_{L,r}^i}{p}$

$u_{D,r}^{\mathrm{use}}=\frac{\underset{i=0}{\overset{p-1}{\Sigma }}{u}_{D,r}^i}{p}$

其中，为第i行的LRB参数值的均值；为第i行的DRB参数值的均值。

步骤6，利用步骤5的结果和训练阶段得到的LRB参数值的两个阈值以及 DRB参数值的两个阈值行扫描，对原图像进行阈值化分割，若(i，j)像素点的 $L_r^{i,j}-u_{L,r}^{\mathrm{use}}\notin \left(\begin{array}{cc}{l}_{\max -}^{\mathrm{use}},& l_{\max +}^{\mathrm{use}}\end{array}\right)$或$D_r^{i,j}-u_{D,r}^{\mathrm{use}}\notin \left(\begin{array}{cc}{d}_{\max -}^{\mathrm{use}},& d_{\max +}^{\mathrm{use}}\end{array}\right),$则令该像素点的灰度值为白色，否则设 为黑色，其中为在行的方向上计算得到的(i，j)像素点的LRB参数值，为在行的方 向上计算得到的(i，j)像素点的DRB参数值。

步骤7，根据步骤6阈值化分割后的结果进行白像素点统计，当白像素点的数目超过设 定的阈值时，认为该图像为含有故障信息的图像。

步骤8，根据步骤7的判断，报告检测结果。

附图4是附图3所示的钢丝绳芯输送带故障图像的检测结果图像(为增强显示效果，附 图4为从结果图像中剪切出来的对应于附图3所示的故障区域的大小为160×160像素的局部 图像)，从中可以看出本发明的方法能检测出细小的故障(如附图3(b)所示的该幅故障图像， 即因锈蚀或制作工艺等因素造成的单根钢丝绳芯断开故障，因其断开的程度较低，灰度值没 有较大的变化，加之其位置紧贴图像的边沿，此情形人眼一般难以将其识别出来，但本发明 的方法仍能将其正确识别)，图像对比度高、能较好地凸显出故障区域，且检测出的故障区域 更接近于故障的外形，利于进一步的故障区域的分割和故障识别。

对检测数据库的四条输送带图像，均成功检测出了其中包含的上述三类故障，准确率为 100％。

用C#语言编写了本发明提出的检测阶段程序，在Intel Core 2Duo CPU T58702.0GHz 主频、1GB内存的PC上运行，一幅600×960的钢丝绳芯输送带X光图像的检测时间为630ms， 小于其采集时间750ms，因而本发明方法适于在线检测。该方法还可应用于其他具有规则纹 理特征的物品如织物、墙纸、陶瓷等的在线检测。

实际应用表明，本发明可以在线、自动、准确的实现钢丝绳芯输送带输送带断裂、单根 钢丝绳芯断开、钢丝绳芯端头交叉等故障的检测，在工业应用中具有良好的使用价值。