基于二維Gabor濾波器的膠帶撕裂檢測

劉曉陽， 劉晶， 張向陽， 申利飛， 鄧志鋼， 馬新彥， 王地

(中國礦業(yè)大學(xué)(北京) 機(jī)電與信息工程學(xué)院， 北京 100083)

0 引言

帶式輸送機(jī)作為煤礦井下的重要運(yùn)輸設(shè)備，其穩(wěn)定運(yùn)行關(guān)系到煤礦安全生產(chǎn)。煤礦環(huán)境惡劣，帶式輸送機(jī)工作強(qiáng)度高，在運(yùn)輸過程中易發(fā)生膠帶撕裂故障[1]?，F(xiàn)有的膠帶撕裂檢測方法主要有接觸式檢測法和非接觸式檢測法[2-6]。其中非接觸式檢測法中的機(jī)器視覺技術(shù)因其較高的穩(wěn)定性和準(zhǔn)確性成為近年來的研究熱點(diǎn)。王福斌等[4]提出了一種邊緣擴(kuò)展的膠帶撕裂支持向量機(jī)檢測方法，通過在邊緣基礎(chǔ)上增加權(quán)重的方法擴(kuò)展膠帶撕裂邊緣，構(gòu)建支持向量機(jī)模型，以裂紋圖像的面積和長寬比作為輸入特征向量，完成膠帶撕裂檢測。曹成等[5]提出了一種優(yōu)化Canny邊緣算子的縱向撕裂檢測方法，通過KSW熵法(由Kapur、Sahoo和Wong等提出的最佳熵閾值確定法)和蟻群算法相結(jié)合選取最優(yōu)閾值，將此最佳閾值運(yùn)用于Canny算子，提高邊緣檢測算法的準(zhǔn)確性。牛犇等[6]提出了一種基于LabVIEW和CCD(Charge-coupled Device，電荷耦合元件)相機(jī)的縱向撕裂檢測系統(tǒng)，通過高斯濾波、邊緣檢測和卷積運(yùn)算等算法提取膠帶撕裂區(qū)域特征，再對撕裂區(qū)域特征進(jìn)行閾值分析，判斷膠帶是否發(fā)生撕裂缺陷。上述機(jī)器視覺檢測方法處理背景紋理復(fù)雜的圖像時易將撕裂痕跡相對背景紋理不明顯的缺陷區(qū)域誤判為無缺陷。

針對上述問題，本文提出一種基于二維Gabor濾波器的膠帶撕裂檢測方法，以Gabor濾波為基礎(chǔ)提出一種新的優(yōu)化選擇方法，輔以改進(jìn)的Sobel算子提取和增強(qiáng)撕裂區(qū)域輪廓特征，采用自適應(yīng)閾值和形態(tài)學(xué)技術(shù)2種方法完成最終檢測。該方法可抑制背景紋理特征，最大程度地保留所有撕裂痕跡，檢測效果良好，不易出現(xiàn)漏檢。

1 膠帶撕裂檢測方法流程

基于二維Gabor濾波器的膠帶撕裂檢測方法流程如圖1所示。

(1) 圖像處理。通過二維Gabor濾波對標(biāo)準(zhǔn)圖像和待檢測圖像進(jìn)行濾波處理，分別得到標(biāo)準(zhǔn)圖像和待檢測圖像濾波處理圖。

(2) 最優(yōu)濾波通道選取。計(jì)算標(biāo)準(zhǔn)圖像與待檢測圖像在同一通道下濾波處理圖的變異系數(shù)之差，最大差值對應(yīng)的通道為最優(yōu)濾波通道。

圖1 基于二維Gabor濾波器的膠帶撕裂檢測方法流程Fig.1 Two-dimensional Gabor filter-based belt tear detection method flow chart

(3) 特征提取與增強(qiáng)。首先，利用Sobel算子分別提取水平和垂直方向的撕裂區(qū)域紋理特征，并得到2個方向的梯度圖；其次，對所得梯度圖進(jìn)行自乘歸一化操作，增強(qiáng)紋理信息；最后，以圖像標(biāo)準(zhǔn)差占比為參數(shù)，采用像素加權(quán)平均法融合2幅圖像。

(4) 圖像檢測。將得到的融合圖像通過自適應(yīng)閾值二值化的方法進(jìn)行閾值分割，并利用形態(tài)學(xué)技術(shù)對待檢測圖像進(jìn)行撕裂檢測。

2 膠帶撕裂檢測方法原理

在檢測膠帶圖像是否存在撕裂缺陷時，復(fù)雜的背景紋理會降低檢測結(jié)果的準(zhǔn)確性，為解決這一問題，需弱化背景紋理特征，增強(qiáng)撕裂區(qū)域紋理特征。

2.1 Gabor濾波器

Gabor函數(shù)[7-11]由平移窗函數(shù)與高斯核函數(shù)卷積構(gòu)成，具有良好的空間局部性和方向選擇性，在檢測過程中能夠捕捉對應(yīng)于空間和頻率的局部結(jié)構(gòu)信息，實(shí)現(xiàn)局部區(qū)域的特征增強(qiáng)。二維Gabor濾波函數(shù)g(x,y)的表達(dá)式為

(1)

式中：x和y為像素位置的坐標(biāo);σx、σy分別為高斯函數(shù)在x軸和y軸上的伸縮系數(shù)；W為函數(shù)的調(diào)制頻率。

二維Gabor濾波函數(shù)經(jīng)過適當(dāng)?shù)某叨扰蛎浐头较蛐D(zhuǎn)可得到一組自相似Gabor小波函數(shù)hpq(x,y)。

(2)

x′=xcosθq+ysinθq

(3)

y′=-xsinθq+ycosθq

(4)

設(shè)輸入的第k幅待檢測圖像為Ik(x,y)，經(jīng)過Gabor濾波器輸出圖像為Ipq(x,y)，則

Ipq(x,y)={[hpq(x,y)e*Ik(x,y)]2+

(5)

式中：hpq(x,y)e、hpq(x,y)o分別為Gabor濾波函數(shù)的實(shí)部與虛部；*表示二維卷積運(yùn)算。

2.2 最優(yōu)濾波通道選取

Gabor優(yōu)化選擇方法[11]通過圖像標(biāo)準(zhǔn)差、方差、均值等圖像基本參數(shù)信息建立代價函數(shù)，計(jì)算各濾波通道下的代價函數(shù)值，選取最大代價函數(shù)值對應(yīng)的通道為最優(yōu)濾波通道，對最優(yōu)濾波通道下的濾波圖進(jìn)行閾值分割處理，最終得到檢測結(jié)果圖，此方法對圖像缺陷檢測效果良好。

通過Gabor優(yōu)化選擇方法，以變異系數(shù)[12]為基礎(chǔ)構(gòu)建新的代價函數(shù)，選取最優(yōu)濾波通道。

取待檢測圖像與標(biāo)準(zhǔn)圖像濾波后所得圖像的變異系數(shù)作差運(yùn)算，差值即為代價函數(shù)，此值反映了待檢測圖像相對于標(biāo)準(zhǔn)圖像像素的離散程度。差值越大，則偏差程度越大，撕裂區(qū)域紋理與背景紋理對比度越大，撕裂特征越明顯。

(6)

(7)

J(i)=cd(i)-cs(i)

(8)

式中：cd(i)、cs(i)分別為第i個濾波通道的待檢測圖像和標(biāo)準(zhǔn)圖像變異系數(shù)；i為濾波通道，i=1,2,…,SL；δd(i)、δs(i)分別為第i個濾波通道的待檢測圖像和標(biāo)準(zhǔn)圖像像素標(biāo)準(zhǔn)差；μd(i)、μs(i)分別為第i個濾波通道的待檢測圖像和標(biāo)準(zhǔn)圖像像素均值；J(i)為第i個通道的代價函數(shù)。

選取代價函數(shù)最大值Jbest對應(yīng)的濾波通道為最優(yōu)濾波通道。

(9)

最優(yōu)濾波通道下的濾波圖即為最優(yōu)濾波通道圖，此圖有效保留了撕裂區(qū)域邊緣的紋理特征，在一定程度上降低了局部噪聲的干擾。

2.3 撕裂特征提取和增強(qiáng)

為減小背景紋理對檢測結(jié)果的干擾，提高檢測結(jié)果的準(zhǔn)確性，通過改進(jìn)Sobel邊緣檢測算法提取并增強(qiáng)撕裂區(qū)域紋理特征。

(1) 利用Sobel算子[13]在水平和垂直2個方向進(jìn)行卷積運(yùn)算，得到水平和垂直2幅梯度圖。

(2) 對2幅梯度圖進(jìn)行自乘歸一化處理，在增強(qiáng)圖像對比度的同時，減小光線不均造成的干擾。

(3) 以標(biāo)準(zhǔn)差為基礎(chǔ)，對處理后的圖像進(jìn)行融合。

(10)

f(x,y)=αfx(x,y)+(1-α)fy(x,y)

(11)

式中：α為融合系數(shù)；ax、ay分別為水平和垂直方向梯度圖經(jīng)自乘歸一化處理所得圖像的標(biāo)準(zhǔn)差；f(x,y)為融合圖像；fx(x,y)、fy(x,y)分別為水平和垂直方向梯度圖經(jīng)自乘歸一化處理所得圖像。

2.4 閾值分割與撕裂檢測

首先采用自適應(yīng)閾值二值化法將圖像分為多個區(qū)域，計(jì)算各區(qū)域均值，減去常數(shù),得到閾值;再對各區(qū)域進(jìn)行二值化，得到分割圖像;最后利用形態(tài)學(xué)技術(shù)[14]強(qiáng)化撕裂處的輪廓特征，完成最終檢測。通過上述方法實(shí)現(xiàn)撕裂區(qū)域分割，能保證撕裂區(qū)域輪廓信息被較好地保留下來。

3 實(shí)驗(yàn)與結(jié)果分析

在Windows 10環(huán)境下，通過Python 3.7.3軟件編寫算法程序?qū)崿F(xiàn)膠帶撕裂檢測。采集240張膠帶受損情況不同的圖像，像素大小均為256×256，缺陷圖像和標(biāo)準(zhǔn)圖像各120張，橫向撕裂、縱向撕裂以及這2類缺陷任意組合的混合撕裂缺陷圖各40張。

建立2個文件夾，分別存放標(biāo)準(zhǔn)圖像、對應(yīng)的缺陷圖像，同時讀取2個文件夾中的圖像，選用4×4多通道二維Gabor濾波器對標(biāo)準(zhǔn)圖像和缺陷圖像進(jìn)行處理，得到多幅Gabor濾波處理圖，用新代價函數(shù)選取最優(yōu)濾波通道圖，利用改進(jìn)的Sobel邊緣檢測算法對所得圖像進(jìn)行特征提取，最后通過自適應(yīng)閾值二值化法和形態(tài)學(xué)技術(shù)完成檢測。結(jié)果如圖2所示。

由圖2(a)和圖2(b)可知，當(dāng)采集到的圖像背景中存在摩擦痕跡時，新代價函數(shù)在強(qiáng)化撕裂區(qū)域局部紋理特征的同時，弱化了背景紋理特征；由圖2(c)可知，改進(jìn)的Sobel邊緣檢測算法對提取的撕裂區(qū)域紋理特征起到很好的增強(qiáng)效果，同時，進(jìn)一步弱化了背景紋理特征；由圖2(d)可知，本文所用分割方法能有效分割出撕裂區(qū)域，并較好地保留撕裂區(qū)域輪廓信息，對膠帶撕裂缺陷具有較好的檢測效果。

圖2 檢測結(jié)果
Fig.2 Detection results

采用Gabor優(yōu)化選擇方法、基于Sobel算子的縱向撕裂檢測方法[15]和改進(jìn)后的Gabor優(yōu)化選擇方法對不同缺陷的膠帶樣本進(jìn)行檢測，通過檢測結(jié)果(圖3—圖5)、正確檢測率、整體檢測率和漏檢率(表1)反映算法的檢測能力。

(a) 橫裂和縱裂膠帶圖像(b) Gabor優(yōu)化選擇方法(c) 基于Sobel算子的縱向撕裂檢測方法(d) 改進(jìn)后的Gabor優(yōu)化選擇方法

圖3 橫裂和縱裂缺陷檢測結(jié)果Fig.3 Detection results of transverse crack and longitudinal crack defect

圖4 大面積撕裂缺陷檢測結(jié)果Fig.4 Detection results of large-area tear defect

圖5 橫裂缺陷檢測結(jié)果
Fig.5 Detection results of transverse crack defect

圖3(a)中背景復(fù)雜，一些撕裂痕跡并不明顯，難以捕捉，3種方法中,Gabor優(yōu)化選擇方法和改進(jìn)后的Gabor優(yōu)化選擇方法都能分割出所有裂痕，但Gabor優(yōu)化選擇方法的檢測結(jié)果中含有大量噪點(diǎn)，導(dǎo)致撕裂痕跡不明顯，不利于識別；圖4(a)中的撕裂缺陷對比背景痕跡明顯，3種方法都能分割出撕裂缺陷，但改進(jìn)后的Gabor優(yōu)化選擇方法相比Gabor優(yōu)化選擇方法，檢測結(jié)果中不含噪點(diǎn)，效果更好，相比基于Sobel算子的縱向撕裂檢測方法，缺陷區(qū)域輪廓信息保留得更為完整；圖5(a)中背景紋理信息復(fù)雜，摩擦痕跡明顯，導(dǎo)致一些撕裂痕跡難以識別，3種方法中只有改進(jìn)后的Gabor優(yōu)化選擇方法能檢測出所有撕裂缺陷，并且檢測結(jié)果清晰，撕裂區(qū)域輪廓被較好地保留下來。

表1 撕裂檢測結(jié)果統(tǒng)計(jì)Table 1 Statistics of tear detection results %

由表1可知，改進(jìn)后的Gabor優(yōu)化選擇方法整體檢測率達(dá)到94.5%，且漏檢率明顯降低。綜上所述，改進(jìn)后的Gabor優(yōu)化選擇方法對背景復(fù)雜、裂痕相對不明顯的撕裂缺陷有良好的檢測效果。

4 結(jié)語

對膠帶圖像進(jìn)行Gabor變換，得到多幅Gabor濾波處理圖，用一種新的代價函數(shù)選取最優(yōu)濾波通道圖，并用改進(jìn)的Sobel邊緣檢測算法提取和增強(qiáng)撕裂區(qū)域紋理信息，最后通過自適應(yīng)閾值二值化法和形態(tài)學(xué)技術(shù)完成膠帶撕裂檢測。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的Gabor優(yōu)化選擇方法比原Gabor優(yōu)化選擇方法和基于Sobel算子的縱向撕裂檢測方法漏檢率更低，可以檢測出背景紋理復(fù)雜的膠帶缺陷圖像中的所有缺陷，并且檢測結(jié)果清晰，檢測率更高。