基于機器視覺的礦用輸送帶縱向撕裂檢測研究

石耀慧，史華偉，王永振，和佳聰，倪 冬

（1. 山西焦煤（集團）霍州煤電集團店坪煤礦，山西 呂梁 277102；2. 鄂托克前旗長城煤礦有限責任公司，內蒙古 鄂爾多斯 016200；3. 中國礦業大學機電工程學院，江蘇 徐州 221116）

0 引言

在煤礦運輸系統中，礦用輸送帶需要長時間、高負荷運輸物料。物料中存在的矸石、錨桿等鋒利的雜質，可能會造成輸送帶縱向撕裂。一旦發生縱向撕裂，如果巡檢或者附近值班人員無法及時發現并進行停機，輸送帶會在短時間內發生貫穿性整體損毀[1-2]。輸送帶縱向撕裂事故發生會造成物料傾灑，托輥、減速器和電動機等設備損毀，造成巨大經濟損失甚至是人員傷亡，更嚴重時可能引起輸送帶局部溫度升高，引發礦井火災[3-4]。

輸送帶縱向撕裂檢測大致可分為接觸式和非接觸式兩種檢測方式。接觸式檢測技術常見的有棒形檢測器、線形檢測器、擺動托輥檢測器等[5]。接觸式檢測法的結構較為簡單、使用方便，但是其可靠性較差、使用壽命較短，容易誤報和漏報，因此，目前多采用非接觸式檢測技術。非接觸式檢測技術主要有超聲波檢測法[6]、電磁傳感法[7]、X射線檢測法[8]、視覺檢測法[9]等。超聲波檢測法不易在井下安裝，且后期維護費用高昂，不適合大規模推廣；電磁檢測法工藝復雜、成本高，同時降低皮帶強度，穩定性較差；X射線檢測法檢測速度慢，且有輻射，會造成身體上的損傷。

視覺檢測作為一種非接觸式無損檢測技術發展迅速，在各領域都有廣泛的應用并且日趨成熟[10]。基于圖像分割技術、邊緣檢測技術等，有研究人員直接采集輸送帶圖像進行縱向撕裂判別[11-14]。上述方法在應用于井下工況時，因輸送帶表面污漬較多，環境光照變化較大，會導致采集的圖像清晰度較低甚至模糊，難以取得較好的檢測效果。

為了降低周圍環境對縱向撕裂檢測的影響，游磊等[15]利用改進最大值法提取單條激光中心線，提出了一種基于U-net網絡的輸送帶縱向撕裂檢測方法，有效解決了光照條件差的問題，但是該算法存在撕裂樣本不充分的問題；曾飛等[16]設計了便攜式高精度輸送帶縱向撕裂檢測系統，解決了遠距離監測輸送帶縱向撕裂的問題，但是圖像采集端只能采集輸送帶上表面激光圖像，無法檢測正在輸送貨物的輸送帶；熊輝等[17]采用網格狀激光圖像，利用圖像的網格特征進行皮帶撕裂識別，該算法識別率高，但是該系統安裝復雜，容易受到振動干擾；徐輝等[18]同時采集3條線激光圖像，通過光條畸變特征檢測輸送帶縱撕裂，該方法簡單、檢測準確度高，但是并沒有對塵霧環境下的撕裂圖像進行分析，泛化能力差；LI等[19]提出了一種基于多組激光器的計算機視覺檢測算法，擴大了探測面積，但是提取多激光線條所使用的消線方法仍需要良好的光照條件。

針對以上問題，本文提出了一種基于多條線激光的輸送帶縱向撕裂檢測系統，分析了線激光發射器、工業攝像儀數量對圖像采集質量的影響，設計了雙目激光器、三線激光器的圖像采集方案。針對煤礦井下煤灰和水霧等因素導致采集圖像較差的問題，采用圖像ROI提取、圖像模型轉換、圖像增強、圖像拼接等算法，獲得了完整、高質量的線激光圖像。針對光照不均、煤渣等降低縱向撕裂識別率的問題，本文通過線激光圖像中連通域的數量判斷是否發生縱向撕裂，提高了檢測的準確率。實驗結果表明，基于多線激光的縱向撕裂檢測方法相比于常用線激光的縱向撕裂檢測方法，具有更高的準確率和更好的環境適應性。

1 圖像采集

1.1 設備選型

縱向撕裂檢測硬件設備是采集輸送帶下表面圖像的關鍵設備，主要包括線激光發射器、工業攝像儀及鏡頭。選擇線激光發射器時，主要考慮其光功率、發散角度、波長等參數；選擇工業攝像儀時，主要考慮其像元尺寸、幀率和分辨率等參數；選擇鏡頭時，需考慮上下輸送帶間距、輸送帶寬度和工業攝像機的參數。綜合考慮，定制線激光發射器，工業攝像儀選擇海康機器人MV-CA032-10GC型面陣工業攝像儀，鏡頭選擇海康機器人MVL-MF0828M-8MP型鏡頭，設備參數見表1。

1.2 布置方案

由于輸送帶上表面存在煤炭的遮擋，工業攝像儀不易采集到輸送帶上表面的縱向撕裂線性特征。因此，本文將縱向撕裂檢測設備安裝在輸送帶的下方，對輸送帶下表面的縱向撕裂線性特征進行采集。線激光發射器和工業攝像儀在上下輸送帶之間的布置示意圖，如圖1所示。為了突出縱向撕裂特征，需要分析線激光發射器與工業攝像儀的數量。

1.3 線激光發射器的數量分析

礦用帶式輸送機運轉時，單線激光和多線激光分別照射到完好輸送帶的下表面，激光線條會呈現一定的弧度并具有連續性，如圖2（a）和圖2（c）所示。單線激光和多線激光分別照射到縱向撕裂輸送帶的下表面，激光線條在縱向撕裂位置會產生斷裂或跳躍，如圖2（b）和圖2（d）所示。

圖2 不同情況下的線激光圖像Fig. 2 Line laser images under different conditions

當輸送帶下表面沾染煤渣時，可能會導致線激光發生間斷。單線激光進行檢測時，會將其判斷為縱向撕裂，從而導致誤判，如圖2（e）所示。多線激光照射沾染煤渣的輸送帶下表面，只有中間一條線激光發生了間斷，如圖2（f）所示。利用多線激光檢測時，只有多線激光同時間斷，才能判斷輸送帶發生縱向撕裂，因此，多線激光檢測能夠降低煤渣沾染導致的誤報率。隨著線激光數量增加，圖像處理時間也會相應提高，因此，選取線激光發射器數目時，要根據硬件設備和現場實際情況，選取合理的線激光發射器數目。經過綜合考慮，選用3個線激光發射器進行輸送帶縱向撕裂檢測。

1.4 工業攝像儀的數量分析

由于煤礦井下上下輸送帶空間狹小、煤灰、水霧等因素的影響，單個工業攝像儀無法直接獲得高質量且完整的輸送帶下表面線激光圖像。因此，采用兩個工業攝像儀組成雙目視覺系統，對輸送帶下表面線激光圖像進行采集，然后對采集的同幀圖像拼接，從而獲得高質量且完整的輸送帶下表面線激光圖像。

2 圖像預處理

煤礦井下環境惡劣，輸送帶周圍存在大量的煤灰和水霧，光在傳播的過程中會被煤灰和水霧吸收和散射，導致光照強度降低。工業攝像儀只能采集到衰減后的激光線條，導致采集圖像質量較差，影響輸送帶縱向撕裂檢測的準確率。因此，首先要對采集圖像進行預處理，提高圖像的質量和縮短后續圖像處理的時間，預處理流程包含圖像ROI提取、圖像模型轉換、圖像增強及圖像拼接。

2.1 圖像ROI提取

圖像ROI提取是利用圖像剪切手段裁剪出感興趣區域（ROI），降低后續圖像處理算法的難度和時間。本文中的工業攝像儀直接采集的RGB圖像像素尺寸為2048×1536，如圖3（a）所示；從圖像中裁剪出一個800×400像素區域作為ROI圖像，如圖3（b）所示。

圖3 圖像ROI提取Fig. 3 Image ROI extraction

2.2 圖像模型轉換

工業攝像儀采集的圖像是由R通道、G通道、B通道組成，為了縮短后續圖像處理的時間，將采集到的RGB圖像轉換為單一顏色通道圖像。分別對ROI提取后的圖像進行R通道、G通道、B通道提取和圖像灰度化，獲得的圖像如圖4所示，相對應的圖像灰度二維分布如圖5所示。由圖4和圖5可知，提取R通道的圖像激光線條和背景對比特征最為顯著，在保證準確提取激光線條中心線的前提下，將三通道彩色圖像降低為R通道圖像，能夠降低圖像處理的數據量。

圖4 不同顏色通道和灰度化圖像對比Fig. 4 Comparison of different color channels and gray-scale images

圖5 不同圖像的灰度二維分布Fig. 5 Grayscale two-dimensional distribution of different images

2.3 圖像增強

為了使采集的線激光圖像接近煤礦井下真實線激光圖像，在實驗室模擬煤礦井下塵霧環境進行線激光圖像采集，采集的含塵霧線激光圖像。含塵霧線激光圖像質量較差，能夠影響后續輸送帶縱向撕裂檢測的準確率。本文提出了一種分段線性變換與CLAHE結合的圖像增強算法，對線激光圖像進行增強。算法實現過程如下所述。

1）利用分段線性灰度變換，對圖像中低灰度值噪聲進行抑制，對感興趣灰度值區域進行增強，獲得分段線性灰度變換增強后圖像。

2）將增強后圖像分割成尺寸相同的子塊圖像，圖像之間互不重疊，但要相互鄰接。

3）統計每個子塊圖像的灰度直方圖h（i），i代表圖像中的灰度級。

4）保證子塊中每個灰度級的像素個數相等，像素個數平均值NAver的數學表達式見式（1）。

式中：LGray為子塊中含有的灰度級數目；ux為x軸的像素數量；uy為y軸的像素數量。

5）確定剪切限制系數β，β∈[0,1]。β值越大，圖像對比度越高。剪切限制閾值NCL表達式見式（2）。

式中，β為剪切限制系數。

6）將子塊灰度直方圖中超出剪切限制閾值NCL的像素剪切出來，平均分配給各個灰度級，如圖6所示。

圖6 剪切像素分配Fig. 6 Shear pixel allocation

設超出限制閾值NCL的像素總數為NClip，則子塊圖像中的灰度級獲得的像素數NACP的表達式見式（3）和式（4）。

式中，NGray為圖像總灰度像素總數。

獲得新局部直方圖H（i）的表達式見式（5）。

如果超出限制閾值NCL像素沒有完全分配，則需要對剩下的像素進行再次分配。經過多次均勻分配后，超出限制閾值NCL的像素數被平均分配到像素數小于限制閾值的灰度級中。

7）分別對剪切處理后的子塊圖像直方圖H（i）進行均衡化。

8）通過雙線性插值算法將子塊圖像進行組合，能夠有效去除子塊的邊界。

含塵霧線激光圖像原圖，如圖7（a）所示。分段線性灰度變換增強后的圖像，如圖7（b）所示。CLAHE算法增強后的圖像，如圖7（c）所示。基于分段線性變換與CLAHE結合算法增強后的圖像，如圖7（d）所示。由圖7可知，基于分段線性變換與CLAHE結合算法增強后的圖像中低灰度值噪聲被抑制，并且圖像右上角的激光線條對比度和亮度均得到了提高。因此，基于分段線性變換與CLAHE結合的圖像增強算法對含塵霧線激光圖像具有較好的圖像增強效果，能夠適應煤礦井下環境。

圖7 線激光圖像增強對比Fig. 7 Line laser image enhancement contrast

2.4 圖像拼接

為了降低圖像拼接計算量、提高配準率，本文采用基于改進SIFT特征提取的圖像拼接算法[20]，對線激光圖像進行拼接。算法主要分為特征點提取與匹配、圖像配準和圖像合成三個部分，算法流程圖如圖8所示。

圖8 基于SIFT特征提取的圖像拼接算法Fig. 8 Image mosaic algorithm based on SIFT feature extraction

在圖像拼接過程中，首先，對左右線激光圖像進行ROI提取、圖像模型轉換、圖像增強，如圖9（a）和圖9（b）所示；其次，提取圖像特征點，并實現圖像特征點匹配，如圖9（c）所示；最后，在圖像拼接融合部分利用帽子函數加權平均融合算法消除圖像拼接后的亮度差異，拼接后的線激光圖像如圖9（d）所示。

圖9 線激光圖像拼接Fig. 9 Line laser image stitching

3 縱向撕裂特征提取與檢測

3.1 多條線激光中心線提取

對輸送帶線激光圖像其提取中心線后，能夠去除邊緣的雜波干擾，更準確地表示激光線條的位置，增大激光線條斷裂處的距離，從而提高檢測的精度和準確率。常見的線激光中心線提取算法有極值法、灰度重心法、高斯曲線擬合法、Steger算法。極值法提取單線激光中心線速度較快，但是容易被噪聲干擾，導致提取精度較差；灰度重心法提取斜率較大的線激光中心線時，誤差會顯著上升，容易出現斷線現象；高斯曲線擬合法提取線激光中心線時，由于不存在完全對稱的灰度值分布，提取的線激光中心線會存在較大誤差；Steger算法對單線激光中心線提取精度較高、魯棒性好，但是計算復雜、處理效率較低。綜上所述，常用的線激光提取算法并不適合對多線激光中心線進行提取。本文提出基于改進Otsu閾值分割算法的多線激光中心線提取算法，該算法實現流程如圖10所示。

圖10 基于改進Otsu閾值分割算法的多線激光中心線提取算法Fig. 10 Multiple line laser center line extraction algorithm based on improved Otsu threshold segmentation algorithm

3.1.1 圖像二值化

為了降低多條線激光中心線提取時間、排除圖像中的干擾信息，需要對圖像進行分割。由于煤礦井下惡劣的環境，固定閾值提取的線激光存在區域過多或過少的問題。本文采用改進Otsu閾值分割算法，根據單張線激光圖像中存在的灰度信息，按照灰度級劃分為線激光和輸送帶兩個部分，算法的計算步驟如下所述。

設采集到的線激光圖像中灰度值是i的像素點總量是mi，i的取值范圍為[0，K-1]，像素點總量M的數學表達式見式（7）。

式中，K為線激光圖像最大灰度值。

在單張線激光圖像的所有像素點中，隨機選取一個像素點，灰度值是i的概率Pi的數學表達式見式（8）。

Pi必須要符合數學表達式（9）。

根據實際情況設定一個閾值T，將線激光和輸送帶兩部分進行初次分離。將初次分離的線激光和輸送帶部分分別命名為B1和B0。輸送帶部分的灰度值范圍設為[0，T-1]，線激光部分的灰度值設為[T，K-1]。B0和B1的概率x0和x1的數學表達式見式（10）和式（11）。

B0和B1的灰度均值A0和A1的數學表達式見式（12）和式（13）。

經過R通道提取的線激光圖像的灰度值均值的數學表達式見式（14）。

B0和B1的類間方差σ2的數學表達式見式（15）。

閾值T的數學表達式見式（16）。

由于線激光圖像中線激光部分占圖像比重較小，輸送帶部分的像素點經過分割后可能歸類到線激光部分，使得線激光圖像過分割。對線激光圖像的過分割問題，使用線激光部分像素點占圖像像素點的比重S進行改進，并且通過縮小灰度值t的取值范圍，提升算法的分割速度。改進Otsu閾值分割算法的最佳閾值計算公式見式（17）。

式中：S為線激光部分所占圖像的比重，用于改變變量t所占的權重；t為灰度閾值，其中，x0（t）灰度閾值為t時，線激光部分的概率；x1（t）灰度閾值為t時，輸送帶部分的概率；A0（t）灰度閾值為t時，線激光部分的平均灰度值；A1（t）灰度閾值為t時，輸送帶部分的平均灰度值；σ0（t）灰度閾值為t時，線激光部分灰度值的方差；σ1（t）灰度閾值為t時，輸送帶部分灰度值的方差；A為線激光圖像的平均灰度值；D為線激光圖像的最大灰度值。

通過改進Otsu閾值分割算法，動態選擇閾值T的大小。設未經二值化處理的線激光圖像函數f（i，j），二值化處理后的線激光圖像函數F（i，j），二值化的數學表達式見式（18）。

式中：（i，j）為線激光圖像中各個像素點坐標；f（i，j）為未經二值化處理過的線激光圖像在像素點（i，j）處的灰度值；F（i，j）為二值化處理后的線激光圖像在像素點（i，j）處的灰度值。

3.1.2 分組提取多線激光中心線

對多線激光圖像函數F（i，j）進行逐列搜索，當像素點灰度值從0變成255時，此像素點為上邊界點；當像素點灰度值從255變成0時，此像素點為下邊界點。計算上下邊界像素點坐標均值，獲得線激光中心點坐標，重復計算獲得該列三條線激光中心點坐標。

通過對圖像進行逐列搜索，獲得多線激光所有中心像素點坐標。根據聚類算法將線激光中心像素點坐標分類到相應的坐標數組。最后將所有像素點坐標按照分組連線，獲得多線激光中心線。

3.1.3 形態學優化

形態學優化主要分為開運算和閉運算。開運算將線激光區域中相鄰近但不相接的像素點去除，導致線激光的縫隙增大。閉運算能夠將鄰近的孤立像素點合并起來填補線激光的縫隙，同時不會導致線激光的邊緣部分加粗。因此，本文選擇閉運算對線激光圖像進行形態學優化。

選取一條能量不均的線激光，如圖11（a）所示。因其斜率較大、能量分布不均等原因，提取的中心線被分割成幾部分，如圖11（b）所示。不連續的激光線條會影響后續縱向撕裂特征提取與檢測的準確率，因此，需要對提取的線激光中心線進行形態學優化。采用閉運算對微小間斷點進行填充，填充后的線激光中心線如圖11（c）所示。

圖11 形態學優化Fig. 11 Morphological optimization

3.2 縱向撕裂特征提取與檢測

常用的縱向撕裂檢測算法主要有角點檢測和直線檢測。SUSAN角點檢測算法容易受到圖像中噪聲的影響，FAST角點檢測算法易產生角點聚簇現象，對于噪聲點容易誤判為角點。HOUGH變換直線檢測算法對曲率較大的激光線條檢測效果不佳，因此該方法不適合本系統。通過分析多線激光在縱向撕裂時的線性特征，本文提出了一種基于形態學的特征提取與檢測算法。該算法利用多條線激光圖像中存在的連通域數目，判斷輸送帶是否發生了縱向撕裂。

對含縱向撕裂的線激光圖像進行中心線提取，提取后的圖像是二值化圖像，將圖中的三條線激光中心線作為一個區域進行連通域劃分。由于圖中的線激光中心線存在曲率，因此，只能通過8-鄰域原則（灰度值為255像素點的8鄰域中存在灰度值為255的像素點，則兩個像素點在相同的連通域中）判斷線激光中心線區域是否連通。圖12為發生縱向撕裂時的線激光圖像，3條線激光共有5個間斷點。頂部的激光線有2個間斷點，整條激光線被分為3部分，也就是3個連通域。類似的，中間的激光線被分為3個連通域，底部的激光線被分為2個連通域。因此，圖12所示的激光圖像共存在8個連通域。相反的，不發生縱向撕裂時，線激光不存在間斷點，僅存在3個連通域。

圖12 連通域判定Fig. 12 Judgement of connected domain

由于噪聲干擾，線激光圖像可能會形成多個較小的連通域，導致連通域劃分不準確。通過設置連通域像素點數目閾值去除干擾連通域。去除干擾連通域后，如果區域內存在3個連通域，則認為輸送帶未發生縱向撕裂，運行狀況良好；如果區域內存在6個及以上連通域，則認為輸送帶可能存在縱向撕裂。當連續四幀線激光圖像中均檢測到6個及以上連通域，輸送帶縱向撕裂檢測系統判定輸送帶發生了縱向撕裂，需要立即停止帶式輸送機。

4 實驗結果與分析

4.1 實驗設備

在實驗室搭建實驗平臺，驗證本文提出的基于多線激光的輸送帶縱向撕裂檢測方法的優越性。實驗臺由輸送帶、機架、工業攝像儀、線激光、安裝支架、臺式計算機、電動滾筒等組成。采用氣壓噴壺和一級粉煤灰模擬煤礦井下塵霧環境。實驗使用的輸送帶厚度為11.5 mm，寬度為680 mm，總長為6600 mm，輸送帶的最大運轉速度能夠達到2 m/s。搭建完成后的實驗臺，如圖13所示。

圖13 輸送帶縱向撕裂檢測實驗臺Fig. 13 Test bench of conveyor belt longitudinal tear detection

4.2 中心線提取

為了驗證提取算法的優越性，對同一位置連續多次拍攝，選取含有縱向撕裂的單條線激光圖像30張，選擇Steger算法[21]、極值法[22]、灰度重心法[23]與本文算法進行對比。Steger算法是提取單條線激光中心線最準確的方法之一，因此，將Steger算法提取的線激光中心線作為衡量標準，與基于改進Otsu閾值分割算法的多線激光中心線提取算法（本節改進算法）、灰度重心法和極值法提取的中心線進行對比分析。本節改進算法、極值法、灰度重心法和Steger法提取的局部線激光中心線坐標，如圖14所示。

圖14 多種算法提取結果中局部線激光中心線對比Fig. 14 Comparison of local line laser centerlines in the extraction results of multiple algorithms

由圖14可知，本節改進算法和Steger算法提取的中心線非常接近，而灰度重心法和Steger算法提取的中心線偏差較小。為了量化不同算法提取線激光中心線的精度，采用偏差均值表示精度，處理時間表示算法速度。將Steger算法提取的坐標值作為標準值Z，計算偏差均值S，計算見式（19）～式（21）。

式中：Zi為測試方法計算得到的點坐標；N為一幅線激光圖像中心線坐標點數目；M為提取的圖像數目。不同算法的均值偏差和處理時間見表2。

表2 中心線提取算法對比Table 2 Comparison of center line extraction algorithms

由表2可知，在提取準確率方面，本文改進算法與Steger算法的偏差均值S最小；在處理速度方面，本文算法處理速度接近極值法，大大高于Steger算法。因此，本文改進算法能快速提取中心線且能夠準確的反映激光線條線性特征。

4.3 縱向撕裂檢測

對輸送帶縱向撕裂檢測時，檢測結果異常的情況有兩種。一種情況是輸送帶完好，但由于輸送帶下表面沾染煤渣等因素導致檢測結果為縱向撕裂，此種結果出現的次數記為M1。另一種情況是輸送帶縱向撕裂，但由于縱向撕裂特征不顯著等因素導致檢測結果為完好，記為M2。檢測結果正確的也有兩種情況，一種情況是輸送帶完好，此種結果出現的次數記為M3。另一種情況是輸送帶縱向撕裂，此種結果出現的次數記為M4。據此，輸送帶縱向撕裂檢測準確率計算公式見式（22）。

將工業攝像儀和線激光發射器分別安裝到實驗臺上，向試驗臺噴灑水霧和粉煤灰模擬煤礦井下塵霧環境。在無塵霧和模擬塵霧兩種實驗環境下，工業攝像儀分別采集5組多線激光和單線激光輸送帶下表面圖像，每組含有200張圖像。為了驗證本文縱向撕裂檢測方法的優越性，分別與文獻[16]、文獻[24]報道的單條線激光方法、與文獻[18]報道的多條線激光方法進行對比實驗，分別記錄每組實驗中M1、M2、M3和M4的值，見表3。對5組實驗結果的準確率求平均值，不同檢測方法的對比實驗結果見表4。

表3 不同檢測方法對比Table 3 Comparison of different detection methods

表4 不同檢測方法準確率Table 4 Accuracy of different detection methods單位：%

文獻[16]、文獻[24]提出的為單條線激光檢測方法，文獻[18]與本文提出的為多條線激光檢測方法。由表4可知，在無塵霧實驗室環境下，單條線激光檢測方法準確率低于多條線激光檢測方法，本文提出的方法準確率最高，達到了98.6%。在模擬煤礦井下塵霧環境時，單條線激光檢測方法準確率迅速下降，分別為82.1%、78.9%，說明單條線激光在塵霧環境下縱向撕裂檢測容易受到干擾；文獻[18]的準確率為90.5%，本文的準確率為97.9%，說明本文提出的算法更適合于煤礦塵霧環境。

5 結語

為解決目前煤礦井下輸送帶縱向撕裂檢測存在的采集圖像質量較差、誤判率較高、智能化程度較低等問題，本文提出了一種基于多線激光的礦用輸送帶縱向撕裂檢測方法。算法采用多條線激光輔助縱向撕裂檢測方法，將輸送帶縱向撕裂的形態學特征轉換為激光線條的線性特征，提高檢測的速度和準確率。通過對多線激光的特點進行分析，提出了基于改進Otsu閾值分割算法的多條線激光中心線提取方法，去除了激光線邊緣的雜波干擾，更準確地表示激光線條的位置，增大激光線條斷裂處的距離，更準確反映激光線條的線性特征。通過分析多線激光在縱向撕裂時的線性特征，提出一種基于形態學的特征提取與檢測算法對輸送帶進行縱向撕裂檢測，利用多線激光圖像中存在的連通域數目，判斷輸送帶是否發生了縱向撕裂。通過實驗室試驗，驗證了本文輸送帶縱向撕裂檢測方法的優越性。

本文只是在實驗室模擬煤礦塵霧環境下進行實驗，但煤礦井下環境更為復雜，特別是存在大量的煤灰和水霧，會導致設備污染，進而造成激光圖像模糊，甚至損毀設備。因此，下一步需要研制自動除塵保護裝置，以解決線激光發射器、工業攝像儀等設備的污損問題。此外，本文的檢測方法只能對已經發生縱向撕裂的輸送帶進行檢測，無法對即將發生的縱向撕裂進行提前預警，比如尖銳物未穿透輸送帶、大塊物料卡壓輸送帶等。未來可以使用紅外熱像儀等穿透性設備對縱向撕裂征兆進行監測，實現提前預警。