帶式輸送機膠帶縱向撕裂雙目視覺在線檢測系統研究與設計

王志星 喬鐵柱

(太原理工大學山西省測控技術與新型傳感器工程技術研究中心，山西省太原市，030024)

帶式輸送機是煤礦生產中的主要設備，一旦發生故障，就會對井下工人的人身安全和煤礦的經濟損失造成無法彌補的嚴重后果。其中，帶式輸送機膠帶縱向撕裂是最常見的事故之一，因此有必要研究一套實時性強、檢測率高的帶式輸送機膠帶縱向撕裂在線檢測系統。目前帶式輸送機膠帶縱向撕裂檢測方法主要有力學法、光電傳感法、電磁法、X光法、機器視覺法等。力學法和光電傳感法只有發生帶式輸送機膠帶完全撕裂、有煤落下時才會觸發，靈敏度較低；電磁法需要在帶式輸送機膠帶中預埋線圈，此種方法會降低帶式輸送機膠帶強度；X光法設備復雜，還可能會對人體產生健康方面的影響；機器視覺檢測方法目前已被廣泛應用于工業和農業檢測等領域。

本文在前人研究的基礎上，利用機器視覺的檢測技術，開發基于NVIDIA GPU嵌入式平臺的可見光CCD礦用帶式輸送機膠帶縱向撕裂檢測系統，經過圖像采集、算法分析等步驟，獲取相關特征信息進行縱向撕裂的判定，并發送到上位機數據庫中，方便上位機遠程在線監控井下帶式輸送機膠帶的運行情況，若發現縱向撕裂故障，能夠及時預警阻斷縱向撕裂事故的進一步擴大，為煤礦安全方面提供有效措施。

1 帶式輸送機膠帶縱向撕裂檢測方法

1.1 檢測原理

帶式輸送機膠帶發生縱向撕裂時，由于托輥的支撐作用，帶式輸送機膠帶撕裂部位在垂直于運行方向上的曲率會發生明顯變化?；诖颂匦裕瑘D像采集部分用可見光CCD相機及激光線光源配合采集。在CCD視野內，帶式輸送機膠帶下表面形成一條垂直于帶式輸送機膠帶運行方向的單色細線。細線會隨著帶式輸送機膠帶的運行掃描到帶式輸送機膠帶表面的各個部位。在未撕裂部位，激光線近似呈直線狀態；而在撕裂部位，激光線會彎折甚至斷開，同時會檢測到1條以上斜率不同的直線和角點(即亮度快速變化的點或曲率達到最大值的點)。這樣在圖像在經過預處理之后，通過角點檢測和直線檢測算法分析，即可達到檢測的目的。

1.2 故障定位原理

在檢測到帶式輸送機膠帶發生縱向撕裂之后，為了方便檢修維護，需要快速準確地找到撕裂處的位置。為此，本文進行了故障定位設計，具體思路是在帶式輸送機膠帶上涂刷一個圓形標記，作為定位的起點，利用機器視覺的技術，結合定時器和速度傳感器的配合使用。起點用圖像處理算法中的圓形檢測來尋找，發生故障的部位可以用與起點的相對距離長度來描述。距離用速度對時間的累加效應計算出來(即速度對時間的積分)。

2 帶式輸送機膠帶縱向撕裂檢測系統硬件設計

帶式輸送機膠帶縱向撕裂檢測系統硬件結構主要由信號采集、GPU嵌入式開發平臺、控制執行單元、井下光纖環網和上位機監控器組成，系統硬件框圖如圖1所示。

2.1 信號采集

帶式輸送機膠帶的下方安裝兩個調整好的工業CCD相機，并將激光線光源照射在CCD視野內，進行圖像信號的采集；將速度傳感器也安裝在帶式輸送機膠帶下方，進行速度信號的實時采集。將采集到的圖像信號和A/D轉換后的速度信號經數據傳輸接口輸入到GPU嵌入式開發平臺，進行數據處理。

圖1 系統硬件框圖

2.2 GPU嵌入式開發平臺

本系統選用NVIDIA Jetson TK1開發板，以NVIDIA Tegra?K1 SoC為基礎構建，集成NVIDIA Kepler GPU、192個CUDA 核心和NVIDIA 4-Plus-1TM四核 ARM?CortexTM-A15 CPU。2 GB64位內存，16 GB 4.51 eMMC內存，1個USB 2.0端口，1個USB 3.0 端口 ，1 個 RS232串行端口，1個 RTL8111GS Realtek千兆位以太網局域網。NVIDIA提供整個 BSP 和軟件堆棧，包括CUDA、OpenGL 4.4和Tegra加速的OpenCV。充分利用開發板上的資源，可以節約運算時間，提高系統的實時性。此外，Jetson TK1開發板上的mini pci-e接口插入繼承了wifi和藍牙功能的無線網卡Intel 7260，并安裝配置驅動程序，連接到以太網網絡后能夠方便地實現與上位機的無線通訊。

2.3 上位機監控器

此部分主要用于實現井上人員的在線監控功能，遠程顯示CPU嵌入式開發平臺通過井下光纖環網傳輸過來的原始數據、撕裂結果判斷與撕裂部位位置信息，并建立OPC服務器，用于上位機與可編程PLC之間實現以太網通訊。

2.4 控制執行單元

該部分核心采用西門子S7-200系列PLC，當系統檢測到縱向撕裂時，上位機利用OPC服務器向可編程PLC控制器發送停機信號指令，PLC接受到信號后，一方面通過變頻器控制帶式輸送機膠帶電機的減速與停機，另一方面控制聲光報警裝置報警，通知現場人員迅速手動緊急停機及維修。

3 帶式輸送機膠帶縱向撕裂檢測系統軟件設計

檢測系統軟件設計在Jetson TK1嵌入式GPU開發板內自帶的系統版本為32位的Ubuntu 14.04的linux操作系統內完成，主要包括CCD圖像采集模塊、圖像拼接模塊以及縱向撕裂檢測與定位模塊，用OpenCV與C++語言編程。

3.1 CCD圖像采集模塊

為了獲得高分辨率和寬視野的全景圖片，從而提取圖片的深度信息，本文采用雙目CCD進行拍攝。使用視頻采集的流程為：打開視頻設備→讀取設備信息→更改設備當前參數設置→進行視頻采集→對采集的視頻進行處理→關閉視頻設備。利用雙目視覺法可以獲得更加清晰的圖像信息，更能準確地描述現場，有利于機器的感知。雙目標準模型如圖2所示。

圖2 雙目標準模型

3.2 圖像拼接模塊

由于傳統的拼接算法大多存在運算量大、耗時高等問題，本文從硬件的角度進行改進，基于雙目視覺模型，采用一種圖像直接拼接算法，算法核心思想是利用雙目視覺系統的成像模型推導出兩幅圖像的重疊區域，并選擇合適的重投影合成面，對重疊區域進行融合，從而完成圖像拼接。

3.3 檢測與定位模塊

對采集拼接后的圖像進行預處理(圖像增強、去噪等)后進行角點檢測、直線檢測和圓形檢測算法分析，實現帶式輸送機膠帶縱向撕裂檢測及定位功能。檢測系統軟件流程圖如圖3所示。

圖3 檢測系統軟件流程圖

由于在實際檢測過程中，可能會出現一些情況影響檢測的準確性。為了避免誤檢，本文設計了兩步檢測：第一步，如果采集到的某一幀圖像中存在角點或一條以上的直線，則初步判斷為縱向撕裂；第二步，對檢測的角點和直線進行篩選，如果經篩選后仍存在角點或一條以上直線，則最終判斷結果為縱向撕裂。具體篩選方法如下：

(1)角點篩選。為了避免誤判，篩選目的是剔除所有不在任意一條檢測出的直線上的角點，在實際算法計算中，判定角點在直線上，使用一個角點到直線的距離閾值，若計算出的角點到直線的距離小于這個閾值，則認為角點在直線上。編程中調用getDistance()和point_filter()兩個函數實現。

(2)直線篩選。為了避免誤判，篩選目的是剔除所有斜率相等的其他直線，在實際算法計算中，判定斜率相等使用一個斜率差閾值，若兩條直線的斜率差小于這個閾值，則認為這兩條直線斜率相等，計算時只保留其中一條。編程中調用getFormula()和line_filter()兩個函數實現。

4 系統測試結果分析

將Jetson TK1開發板、激光線光源和CCD相機固定好，安裝在帶式輸送機膠帶下方的大架上，朝向帶式輸送機膠帶下表面，速度傳感器安裝在輸送機滾筒上，用于測量帶式輸送機膠帶的實時速度。相機選用PointGrey CMLN-13S2M -CS 型的可見光CCD，分辨率設為640×480，檢測系統的幀率設定為30幀/s。搭建的實驗平臺如圖4所示。

圖4 實驗平臺

在GPU嵌入式平臺下，利用FAST角點檢測算法和Hough變換直線檢測算法和圓檢測算法，檢測到的帶式輸送機膠帶發生縱向撕裂時激光線圖像形態特征如圖5所示。

圖5 帶式輸送機膠帶發生縱向撕裂時激光線圖像形態特征

由圖5可以看出，圖5(a)為原始圖像，圖5(b)表示在激光線斷開處檢測出3個角點，圖5(c)表示在撕裂處通過Hough變換得到兩條不同的直線，圖5(d)是檢測到的帶式輸送機膠帶上的圓形標記(用于計算撕裂部位的位置信息)。實驗表明，該系統抗干擾能力強，運行效率高，檢測準確率高，符合預期的效果。

該試驗分6組進行，每組截取600幀圖像，先分別計算一級檢測和兩級檢測的檢測時間，取平均值,再分別計算一級檢測和兩級檢測的準確率并進行對比，試驗結果見表1。

表1 試驗結果

5 結語

本文利用工業CCD相機和CPU嵌入式平臺相結合的視覺檢測技術，針對帶式輸送機膠帶的縱向撕裂進行檢測與故障識別，將數據傳送到上位機。上位機對井下帶式輸送機膠帶的運行情況進行實時在線監控并及時預警阻斷帶式輸送機膠帶縱向撕裂事故的進一步擴大。實驗表明整個系統抗干擾能力強、誤動作次數少，能夠實現42.1幀/s的檢測速度及97.37%的檢測準確率，實現帶式輸送機膠帶縱向撕裂的實時、快速、準確檢測，為煤礦企業的安全生產提供可靠有效的保障。

參考文獻：

[1] 陳炳耀，孫建平，朱東岳.基于激光傳感器技術的膠帶縱向撕裂保護裝置的研究[J].中國煤炭，2017(12)

[2] 喬鐵柱，趙永紅，馬俊超.新型帶式輸送機膠帶縱向撕裂在線監測系統的設計[J].煤炭科學技術，2010(2)

[3] 許洪強，王廣豐，熊永超.鋼繩芯帶式輸送機膠帶縱向撕裂監測系統[J].遼寧工程技術大學學報，2005 (Z1)

[4] Guan Y, Zhang J, Shang Y, et al. Embedded Sensor of Forecast Conveyer Belt Breaks[A].Fifth International Conference on Fuzzy Systems and Knowledge Discovery[C]. IEEE Computer Society, 2008

[5] 張春明.基于線激光輔助的皮帶撕裂視覺檢測技術研究[D].燕山大學，2012

[6] 劉偉力，喬鐵柱.礦用帶式輸送機膠帶縱向撕裂檢測系統研究[J].工礦自動化，2017(2)

[7] 錢鑫大.基于雙目視覺的圖像拼接技術研究[D].重慶大學，2016

[8] Rosten E, Drummond T. Machine learning for high-speed corner detection[A].European Conference on Computer Vision[C]. Springer, Berlin, Heidelberg, 2006

[9] Rosten E, Porter R, Drummond T. Faster and better: a machine learning approach to corner detection[J]. IEEE Transactions on Pattern Analysis& Machine Intelligence, 2010(1)

[10] 王曉超,喬鐵柱.基于Hough變換的帶式輸送機膠帶縱向撕裂檢測方法[J].工礦自動化，2015(12)

[11] 曾文靜，張鐵棟，萬磊等.基于Hough變換的水下管道檢測方法[J].儀器儀表學報，2012(1)

[12] 魯昌華，韓靜，劉春.基于hough變換的角度檢測和特征識別[J].電子測量與儀器學報，2005(5)

[13] 朱桂英，張瑞林.基于Hough變換的圓檢測方法[J].計算機工程與設計，2008(6)

[14] 黃永林，葉玉堂，陳鎮龍等.一種新的快速Hough變換圓檢測方法[J].電子測量與儀器學報，2010(9)