邊緣擴展的皮帶撕裂支持向量機視覺檢測

王福斌 孫海洋 TU Paul

1.華北理工大學電氣工程學院，唐山,063009 2.卡爾加里大學機械制造工程系, 卡爾加里,T2N1N4

0 引言

皮帶輸送設(shè)備大量應(yīng)用于冶金、煤炭、礦山及水泥行業(yè)，用來輸送粉狀或塊狀物料。皮帶輸送機高速輸送物料時，一旦發(fā)生皮帶撕裂事故，若不能及時發(fā)現(xiàn)并處理，將會造成皮帶的長距離撕裂及物料的散落，帶來巨大的經(jīng)濟損失。

皮帶撕裂監(jiān)測是一種較難解決的工程問題，國內(nèi)外許多研究人員也一直在研究、探索更有效的解決辦法。盧金龍[1]通過線激光結(jié)構(gòu)光視覺檢測系統(tǒng)，識別激光條紋的畸變特征，用來判別皮帶是否有撕裂現(xiàn)象發(fā)生，采用洛倫茲信息測度的線性加權(quán)Ostu分割算法對激光條紋進行分割，并采用Hessian和脊線跟蹤算法提取激光條紋的中心線，取得了較好的效果，但激光條紋對皮帶劃痕的檢測效果則不理想。張明敏[2]將兩個工業(yè)相機固定在輸送帶的兩側(cè)對輸送帶整個橫向截面的圖像進行采集，用模式識別的方法來檢測輸送帶縱向撕裂故障。LEE等[3]利用k-均值方法并基于識別對象的類型，提出一種穩(wěn)健的噪聲分割方法(活動輪廓法)，可用于分割皮帶裂紋圖像特征。

為及時發(fā)現(xiàn)皮帶由于老化、鈍器損傷等原因出現(xiàn)的撕裂現(xiàn)象[4]，本文構(gòu)建了皮帶撕裂視覺監(jiān)控系統(tǒng)，代替人工對皮帶進行不間斷的實時檢測。將智能相機及照明光源布置在皮帶下方，通過連續(xù)采集皮帶圖像，對圖像進行特征提取及特征分析，進而判斷是否有裂紋產(chǎn)生。

1 皮帶撕裂視覺監(jiān)控系統(tǒng)

皮帶撕裂監(jiān)控系統(tǒng)原理見圖1。系統(tǒng)硬件構(gòu)成如下：智能工業(yè)相機、照明光源及其控制器、繼電器控制模塊及上位機等。

由于皮帶輸送機工作空間黑暗且有大量的粉塵，使得圖像采集環(huán)境不理想，應(yīng)對皮帶進行連續(xù)照明[5-6]。皮帶下部工作面圖像的采集、預(yù)處理、圖像特征提取及劃痕或撕裂識別等工作均在智能相機內(nèi)部完成。發(fā)現(xiàn)非正常狀態(tài)時，根據(jù)劃痕或撕裂程度分別進行報警或停機處理。

制作的皮帶撕裂監(jiān)控裝置及選用的智能相機見圖2。智能相機位于裝置的中間位置，兩側(cè)布置LED照明光源。光源控制器為雙通道獨立控制，可對光源亮度進行調(diào)節(jié)，通過兩路可調(diào)節(jié)電流的電源，實現(xiàn)對輸出通道所連接光源的亮度調(diào)節(jié)。

圖2 皮帶撕裂監(jiān)控裝置及智能相機Fig.2 Monitoring device of belt tearing and intelligent camera

皮帶監(jiān)控裝置的監(jiān)控功能主要依靠相機序列圖像分析實現(xiàn)[7]。裝置的功能部件主要有：

(1)工業(yè)智能相機。相機選用Vision Components公司的VC4038相機。相機本身具備圖像采集與處理功能，配合電平轉(zhuǎn)換電路可將信號輸出，作為PLC的控制輸入量。相機的分辨率為640像素×480像素，圖像采集速度為63 幀每秒，相機進光孔調(diào)為最大，曝光時間為1 ms，對應(yīng)皮帶最高運行速度(3 m/s)的拖影長度為3 mm，滿足應(yīng)用要求。

(2)光源及光源控制器。光源選用2個VL600D-W型長條LED光源，光源長度為316 mm，為視場范圍內(nèi)的皮帶底部提供照明。雙通道光源控制器(VP-24)可實現(xiàn)光源亮度的精確調(diào)節(jié)。圖3為皮帶監(jiān)控系統(tǒng)示意圖及光源布置[7-8]。為防止粉塵干擾圖像的采集，采用壓縮空氣對鏡頭進行吹掃。

圖3 皮帶監(jiān)控裝置的安裝及其光源布置Fig.3 Arrangement of belt monitoring device and its light source

2 皮帶退化圖像的復(fù)原

圖4所示為裂紋圖像處理及識別原理。圖像處理前，首先對裂紋圖像進行復(fù)原、校正，減弱粉塵、振動等圖像退化因素的干擾，獲得比較理想的輸入圖像。輸送帶工作過程中，如有大塊物料落下，不僅會激起粉塵，還可能造成皮帶及輸送機機架的抖動，導(dǎo)致圖像產(chǎn)生一定程度的模糊退化。為提高皮帶工作面圖像質(zhì)量[9]，采用維納(Wiener)濾波方法實現(xiàn)退化圖像的復(fù)原。在二維圖像復(fù)原處理中，維納濾波器計算量小[10]，有較好的復(fù)原效果。

圖4 皮帶裂紋圖像的處理及識別Fig.4 Image processing and recognition for belt crack

(1)

式中,E(·)為參數(shù)的期望值。

在頻率域中，多數(shù)情況下不知道信號及噪聲的分布狀態(tài)，有約束復(fù)原的通用表達式可簡化為

(2)

式中,F(·)為圖像f(x,y)對應(yīng)的頻域表達式；K為施加到|H(u,v)|2所有項上的特定常數(shù)；G(u,v)為退化圖像的傅里葉變換；H(u,v)為退化函數(shù)。

在已知退化圖像H(u,v)的情況下，可通過確定參數(shù)K，采用逆傅里葉變換，實現(xiàn)圖像復(fù)原[12]。圖5所示為振動模糊退化圖像的復(fù)原結(jié)果，經(jīng)過觀察可知，與退化圖像相比，裂紋目標得到了增強。

圖5 退化皮帶圖像的復(fù)原Fig.5 Restoration of degradation belt image

3 快速運動目標圖像的分割與追蹤

輸送帶在工作過程中以較高的線速度運行，視覺監(jiān)控系統(tǒng)必須快速捕捉到高速運動的皮帶裂紋。系統(tǒng)采用CamShift算法實現(xiàn)快速移動目標的跟蹤捕捉[13]，算法實現(xiàn)原理見圖6。實驗時，將皮帶運動速度調(diào)節(jié)至最高(3 m/s)，來驗證監(jiān)控系統(tǒng)的快速目標捕捉能力。在640×480的像素視場范圍內(nèi)采集高速運行的皮帶圖像，經(jīng)圖像處理及分割后，可清楚地看出皮帶裂紋的變化過程，表明皮帶視覺監(jiān)控系統(tǒng)可滿足皮帶高速運行時的監(jiān)控任務(wù)。

圖6 CamShift算法原理Fig.6 Principle of CamShift algorithm

(x,y)為搜索窗口中的像素點位置，在投影圖中，點(x,y)對應(yīng)的像素值為I(x,y)，搜索窗口的零階矩M00與一階矩M01、M10表達式為

(3)

當前搜索窗口內(nèi)的質(zhì)心位置為

(4)

搜索窗口尺寸依據(jù)M00進行調(diào)整，預(yù)先設(shè)定搜索窗口中心與質(zhì)心間的距離閾值，并動態(tài)移動、計算二者之間的實時距離。算法收斂條件為實時距離小于給定的閾值或達到算法規(guī)定的循環(huán)次數(shù)。達到收斂條件則對下一幀圖像進行同樣的操作，否則重新計算調(diào)整后的當前圖像幀的窗口質(zhì)心[14]。

對于當前幀，搜索窗口的二階矩為[15]

(5)

令

(6)

得到目標長軸方向角為

θ=1/2arctan(b/(a-c))

(7)

圖像中目標的長軸l、短軸m分別為

(8)

圖7所示為采用CamShift算法分別對第375幀、382幀快速運動的皮帶圖像跟蹤的結(jié)果。由圖可知，對高速運動的皮帶及裂紋的跟蹤效果較為清晰。

圖7 快速運動皮帶跟蹤結(jié)果Fig.7 Tracking of fast moving belt

4 皮帶裂紋的改進Canny邊緣檢測

皮帶撕裂圖像監(jiān)控過程中的關(guān)鍵環(huán)節(jié)是采集皮帶裂紋圖像并有效、快速地識別出來。皮帶裂紋的識別提取采用Canny算子實現(xiàn)[16]，為提高邊緣檢測的可靠性，對檢測到的皮帶邊緣進行周向擴充，在邊緣基礎(chǔ)上增加一個δ常數(shù)，從而減小皮帶裂紋漏檢的幾率。

采用Canny邊緣檢測算子得到平滑后的圖像為g(x,y)=f(x,y)?h(x,y)，其中，f(x,y)為原始圖像，h(x,y)為平滑濾波脈沖響應(yīng)的一階微分。再對圖像g(x,y)求梯度[17]：

(9)

根據(jù)卷積運算得

g(x,y)=f(x,y)?h(x,y)=

f(x,y)?h(x,y)

(10)

為防止提取的邊緣模糊，應(yīng)限制梯度的幅值，采用非極大點抑制方法并結(jié)合雙閾值方法剔除虛假的邊緣,最終目標的邊緣輪廓由多段邊緣連接而成[18-19]，并用參數(shù)δ進行外向擴展，增加危險裂紋目標的可識別性。

皮帶裂紋邊緣提取結(jié)果見圖8。圖8a中外圍不規(guī)則邊緣為一幀圖像視場范圍輪廓，內(nèi)框為目標感興趣區(qū)域(ROI)；圖8b中虛線框為識別出的裂紋最小外接矩形，該矩形在ROI區(qū)內(nèi)。

圖8 皮帶裂紋邊緣提取結(jié)果Fig.8 Edge extraction results of belt crack

5 皮帶裂紋的SVM識別

支持向量機(SVM)作為有監(jiān)督的學習模型，適合于模式識別、分類及回歸分析。支持向量機識別算法的主要思想如下。

構(gòu)建輸入向量x∈Rn、輸出向量y∈R及n維訓(xùn)練樣本集D={(x1,y1),(x2,y2),…,(xl,yl)}。在n維空間中，尋求與訓(xùn)練樣本的輸入、輸出向量擬合最優(yōu)的分類面方程y=f(x)=wx+b(w、b分別為權(quán)值和閾值)，即SVM的優(yōu)化過程。該優(yōu)化問題可化為在約束條件下，求目標函數(shù)的極小值[20]。其中約束條件為yi(wxi-b)-1≥0，i=1,2,…，l，目標函數(shù)為

(11)

為優(yōu)化該目標函數(shù)，定義Lagrange函數(shù)如下

(12)

式中，αi為Lagrange系數(shù)，αi≥0。

分別對式(12)中的w、b求偏微分，則問題轉(zhuǎn)化為對αi求如下函數(shù)的二次規(guī)劃最大值問題：

(13)

約束條件為

(14)

αi≥0

(15)

SVM的學習過程以內(nèi)積核函數(shù)代替向高維空間的非線性映射。選用徑向基核函數(shù)k(x,xi)=exp(-‖x-xi‖2/(2σ2))。

皮帶運行狀態(tài)監(jiān)控的SVM預(yù)報模型輸入特征量為皮帶裂紋的像素面積、長寬比，構(gòu)成SVM識別模型的訓(xùn)練樣本。

對皮帶裂紋樣本的輸入量進行了歸一化處理，表達式為

s=(s0-s1)/s0

(16)

式中，s0為無裂紋出現(xiàn)時目標圖像在ROI區(qū)內(nèi)的像素面積；s1為有裂紋出現(xiàn)時的裂紋目標像素面積。

首先設(shè)定裂紋像素面積閾值a1，當前面積s≥a1，在連續(xù)的3幀圖像中出現(xiàn)2次時，確定為有皮帶撕裂，此時SVM的預(yù)報輸出值用來報警或停機。

圖9為ROI區(qū)內(nèi)的皮帶裂紋圖像。系統(tǒng)檢測到該裂紋目標后，通過圖像預(yù)處理、分割及幾何特征提取，構(gòu)建裂紋識別的輸入幾何特征向量。

圖9 檢測到的裂紋目標Fig.9 The detected crack target image

檢測系統(tǒng)實際運行中，將裂紋目標的長寬比作為輔助決策條件，從而增強識別皮帶撕裂的可靠性。歸一化時，當前裂紋目標的長寬比與ROI區(qū)內(nèi)貫穿裂紋的長寬比相除。圖10所示為第100幀裂紋圖像的長寬比幾何特征提取結(jié)果。

圖10 提取的第100幀裂紋的長寬比特征Fig.10 Extracted feature of length width ratio for the 100th frame belt crack

部分皮帶圖像幾何特征量樣本見表1。樣本涵蓋了可能出現(xiàn)的無裂紋、部分裂紋及裂紋貫通3種特征。表中的樣本第53～55幀為為無裂紋；第99～101幀為裂紋剛剛發(fā)生；第139～141幀為貫穿裂紋。提取樣本圖像的像素面積及裂紋長寬比幾何特征參數(shù)，構(gòu)建SVM輸入特征向量。為提高預(yù)報模型的可靠性，對無裂紋時皮帶圖像分割中出現(xiàn)的斑點干擾進行特殊處理：較大的斑點被誤作裂紋時，雖然斑點的像素面積很小，但其長寬比卻有可能很大，因此，對無裂紋時的圖像樣本的長寬比特征量取0～1之間的隨機數(shù)[21]。模型的預(yù)報輸出為無裂紋(0～0.3)、部分裂紋(0.3～0.7)、貫穿裂紋(>0.7)。

表1 部分皮帶圖像幾何特征量樣本

將訓(xùn)練樣本數(shù)據(jù)作為SVM預(yù)報模型的輸入特征量，對模型進行訓(xùn)練。將第55、102及142幀圖像特征選取為測試樣本，對模型的裂紋識別能力進行測試，結(jié)果見表2。由此可知，采用SVM模型實現(xiàn)的皮帶裂紋識別具有較高的精度。實際裂紋類型與SVM裂紋識別結(jié)果見圖11。

表2 模型識別能力測試結(jié)果

圖11 SVM裂紋類型識別結(jié)果Fig.11 Crack type identification result based on SVM

6 結(jié)論

為提高皮帶圖像質(zhì)量，本文采用維納濾波實現(xiàn)皮帶退化圖像的復(fù)原增強。為適應(yīng)皮帶高速運行的特點，采用CamShift算法實現(xiàn)皮帶裂紋目標圖像的快速跟蹤與捕捉。對于分割后的圖像，在ROI區(qū)域內(nèi)，采用Canny算子對皮帶裂紋進行邊緣提取，并用增加δ值的方法擴展裂紋邊緣，增加裂紋識別的可靠性。最后，通過構(gòu)建SVM預(yù)報模型，實現(xiàn)了皮帶撕裂的檢測。

皮帶撕裂檢測是一個較難解決的工程實際問題，如何克服現(xiàn)場惡劣的工作環(huán)境，進一步提高皮帶撕裂的檢測效果將是本文今后的研究方向。