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

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

皮帶撕裂監測是一種較難解決的工程問題，國內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]通過線激光結構光視覺檢測系統，識別激光條紋的畸變特征，用來判別皮帶是否有撕裂現象發生，采用洛倫茲信息測度的線性加權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]將兩個工業相機固定在輸送帶的兩側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。

為及時發現皮帶由于老化、鈍器損傷等原因出現的撕裂現象[4]，本文構建了皮帶撕裂視覺監控系統，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生。

1 皮帶撕裂視覺監控系統

皮帶撕裂監控系統原理見圖1。系統硬件構成如下：智能工業相機、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，使得圖像采集環境不理想，應對皮帶進行連續照明[5-6]。皮帶下部工作面圖像的采集、預處理、圖像特征提取及劃痕或撕裂識別等工作均在智能相機內部完成。發現非正常狀態時，根據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節，通過兩路可調節電流的電源，實現對輸出通道所連接光源的亮度調節。

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

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

(1)工業智能相機。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，相機進光孔調為最大，曝光時間為1 ms，對應皮帶最高運行速度(3 m/s)的拖影長度為3 mm，滿足應用要求。

(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，為視場范圍內的皮帶底部提供照明。雙通道光源控制器(VP-24)可實現光源亮度的精確調節。圖3為皮帶監控系統示意圖及光源布置[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，導致圖像產生一定程度的模糊退化。為提高皮帶工作面圖像質量[9]，采用維納(Wiener)濾波方法實現退化圖像的復原。在二維圖像復原處理中，維納濾波器計算量小[10]，有較好的復原效果。

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(·)為參數的期望值。

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

(2)

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

在已知退化圖像H(u,v)的情況下，可通過確定參數K，采用逆傅里葉變換，實現圖像復原[12]。圖5所示為振動模糊退化圖像的復原結果，經過觀察可知，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，視覺監控系統必須快速捕捉到高速運動的皮帶裂紋。系統采用CamShift算法實現快速移動目標的跟蹤捕捉[13]，算法實現原理見圖6。實驗時，將皮帶運動速度調節至最高(3 m/s)，來驗證監控系統的快速目標捕捉能力。在640×480的像素視場范圍內采集高速運行的皮帶圖像，經圖像處理及分割后，可清楚地看出皮帶裂紋的變化過程，表明皮帶視覺監控系統可滿足皮帶高速運行時的監控任務。

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)

當前搜索窗口內的質心位置為

(4)

搜索窗口尺寸依據M00進行調整，預先設定搜索窗口中心與質心間的距離閾值，并動態移動、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定的循環次數。達到收斂條件則對下一幀圖像進行同樣的操作，否則重新計算調整后的當前圖像幀的窗口質心[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

皮帶撕裂圖像監控過程中的關鍵環節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[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，在邊緣基礎上增加一個δ常數，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的一階微分。再對圖像g(x,y)求梯度[17]：

(9)

根據卷積運算得

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，應限制梯度的幅值，采用非極大點抑制方法并結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果見圖8。圖8a中外圍不規則邊緣為一幀圖像視場范圍輪廓，內框為目標感興趣區域(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區內。

圖8 皮帶裂紋邊緣提取結果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。

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

(11)

為優化該目標函數，定義Lagrange函數如下

(12)

式中，αi為Lagrange系數，αi≥0。

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

(13)

約束條件為

(14)

αi≥0

(15)

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

皮帶運行狀態監控的SVM預報模型輸入特征量為皮帶裂紋的像素面積、長寬比，構成SVM識別模型的訓練樣本。

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為無裂紋出現時目標圖像在ROI區內的像素面積；s1為有裂紋出現時的裂紋目標像素面積。

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

圖9為ROI區內的皮帶裂紋圖像。系統檢測到該裂紋目標后，通過圖像預處理、分割及幾何特征提取，構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區內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，構建SVM輸入特征向量。為提高預報模型的可靠性，對無裂紋時皮帶圖像分割中出現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[21]。模型的預報輸出為無裂紋(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

將訓練樣本數據作為SVM預報模型的輸入特征量，對模型進行訓練。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，結果見表2。由此可知，采用SVM模型實現的皮帶裂紋識別具有較高的精度。實際裂紋類型與SVM裂紋識別結果見圖11。

表2 模型識別能力測試結果

圖11 SVM裂紋類型識別結果Fig.11 Crack type identification result based on SVM

6 結論

為提高皮帶圖像質量，本文采用維納濾波實現皮帶退化圖像的復原增強。為適應皮帶高速運行的特點，采用CamShift算法實現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區域內，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，通過構建SVM預報模型，實現了皮帶撕裂的檢測。

皮帶撕裂檢測是一個較難解決的工程實際問題，如何克服現場惡劣的工作環境，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。