X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法.pdf

一种X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，属于X光无损检测领域。当前钢丝绳芯输送带接头拉伸故障的检测存在可靠性不高、准确性较差、显示不直观、主要依赖于人工检测等缺点。本发明可分为三个方面：(1)基于钢丝绳芯输送带X光图像的灰度变化特点，采用局部直方图信息将含有部分或全部接头信息的图像从一整条钢丝绳芯输送带的X光图像中筛选出来；(2)将筛选出来的图像拼接成对应的含有完整的接头信息的图像；(3)采用改进的“条件”Y-差分算法和聚类方法实现对每个接头拉伸的判断。本发明可以自动、快速、高效的实现钢丝绳芯输送带接头拉伸故障的检测。

权利要求书
1.  一种X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，该方法包含如下步骤：
S1：接头图像筛选
基于钢丝绳芯输送带X光图像灰度变化的特点，采用局部直方图信息，根据钢丝绳芯输送带接头信息的分布情况进行逻辑判断，将含有部分或全部接头信息的图像从一整条钢丝绳芯输送带的X光图像中筛选出来，并进行重命名和保存；
S2：接头图像拼接
依照钢丝绳芯输送带X光图像灰度变化的特点，采用局部直方图信息，根据保存的筛选后的接头图像的名称进行逻辑判断，将筛选出来的图像拼接成对应的含有完整接头信息的图像；
S3：接头拉伸判断
采用改进的“条件”Y-差分算法，实现钢丝绳芯输送带接头搭接部分上下边缘的标识和二值化，能有效的抑制噪音；根据接头搭接部位上下边缘的关系，使用去抖动算法，有效地去掉抖动；根据Y方向投影使用聚类方法(采用mean shift迭代算法)检测出每条线，并搜索出线对，同时计算距离和方差；根据先验值判断距离的变化，在大于设定的范围时给出报警提示。

2.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S1中所述的局部直方图信息：将一幅图像分成上中下三部分，取每一部分的连续5行的稳定区域，上中下三区域分别对应一幅图像中最上面的5行、中间的5行和最下面的5行，除去两边各20个像素点的区域；求这三个区域的直方图信息。

3.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S1中所述的进行重命名和保存，包括：一般情况下，当下部分检测有接头信息时，命名为“接头序号-1.jpg”；中间部分检测有接头信息时，命名为“接头序号-2.jpg”；上部分检测有接头信息时，命名为“接头序号-3.jpg”。特别的，为了防止丢失仅含有微小部分接头信息的图像，有时还需将前一幅或下一幅图像保存下来。若当前图中上部分和下部分均含有接头信息，此时也把后一幅图像保存下来，并把当前图命名为“接头序号-2.jpg”，后一幅图保存为“接头序号-3.jpg”的形式。此时，若下一幅图像在筛选中也被筛选出来，则不再重新保存，这样保证了筛选正确率达到100％，即不丢失任何一幅含有接头信息的图像。

4.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S2中所述的局部直方图信息：每行的直方图信息。

5.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S3中所述的改进的“条件”Y-差分算法：可以分成两步，第一步是差分，对于Y+方向，如果pixel(x，y+1)-pixel(x，y)＞threshold，则结果图像中的pixel(x，y)显示为红色；对于Y-方向，如果pixel(x，y)-pixel(x，y+1)＞threshold则结果图像中的pixel(x，y)显示为绿色；第二步是根据钢丝绳芯输送带图像的特点设置一定的条件来判断差分图像中的每个红色或绿色点是否要保留。保留与否的条件是：如果x方向上连续有三个以上的点都是同一种颜色的差分点，则这些点保留，否则就当作干扰点去除。在实现中，做差分和根据条件判断是否保留这两步是在同一次扫描中完成的，保证了算法的效率。

6.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S3中所述的去抖动算法：在执行完“条件”Y-差分算法后，如果一个点(x，y)为红色或绿色，在x方向上[x-range，x+range]范围内如果存在像素与它颜色相反，则认为是抖动。

7.  如权利要求1所述的X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，其特征在于，在步骤S3中所述的线对检测，步骤是：
(1)对于红线和绿线，分别获得Y轴投影redProjection[]和greenProjection[]，以下操作都是在这两个投影数组上的操作。
(2)根据设定的间隔interval在垂直方向上均匀划分每个类的初始候选位置(interval的值须根据钢丝绳芯输送带接头特点和采集时间来设定，interval必须大于每条线在垂直方向上的最大可能跨度，也必须小于相同颜色的两条线的最小可能距离)。
(3)在第(1)步算出的两个投影数组的基础上采用mean shift迭代算法计算出每个最优候选位置(或称类心，它是一个局部最优点，即(y-interval/2，y+interval/2)范围内，投影之和最大的y点)。
(4)从第(3)步计算出的极值点(类心)中按照以下准则筛选：
a.如果某个极值点周围投影之和小于某个阈值，则当作干扰去掉该点；
b.如果两个相同色的候选点之间距离小于某个最小距离，则认为属于同一条线，去掉投影之和较小的那个极值点；
c.如果不同色的候选点之间距离小于某个最小距离，则认为是抖动，则将两个极值点都去掉。最终剩下的极值点是有效的类心。
(5)根据第(4)步筛选出来的红色和绿色有效类心，结合已经获得的先验信息，进行进一步的逻辑判断。如果没有找到红色或绿色有效类心，说明当前图像不是接头图像；如果只有红色或绿色有效类心，说明当前图像是接头图像但是无法找到线对；如果同时存在红色和绿色有效类心，说明当前图像是接头图像，就有可能找到有效线对，但有效类心数目大于3个时，如果干扰太多，就无法找到线对。
(6)搜索线对。定义一个线对距离的可能的范围(范围的值须根据钢丝绳芯输送带接头特点和采集时间来设定)。凡是符合这个范围且红线在上绿线在下的组合就认为是有效线对。

说明书X光成像的钢丝绳芯输送带接头拉伸故障自动检测方法
技术领域
本发明属于X光无损检测领域，具体涉及X光钢丝绳芯输送带检测中一种钢丝绳芯输送带接头图像的筛选、拼接和钢丝绳芯输送带接头拉伸的自动检测的方法。
背景技术
钢丝绳芯输送带接头是整条钢丝绳芯输送带中抗拉强度最低、最为薄弱的环节，钢丝绳芯输送带横向断裂大都发生在接头处，在我国，几乎无一例外。所以，对钢丝绳芯输送带横向断裂的监测与诊断主要针对接头[1]。
静态人工检测方法：如“起泡”现象观测法、接头长度测量法、表面应变测量法等。但上述方法可靠性不高，在实际应用中会受到很多局限，如接头表面及其标志线或网格通常会被煤泥染得很脏而导致无法辨认和测量等[1]。
磁图像分析法：20世纪70年代末，澳大利亚学者A.哈里森根据电磁感应原理研制出CBM(Conveyor Belts Monitoring)钢丝绳芯输送带钢绳芯探伤装置[2]。我国某些单位如中科院力学所、煤科总院上海分院、太原理工大学等，利用相似的原理研制出钢丝绳芯输送带钢绳芯探测装置[3]。但这种监测方法的故障分析与诊断技术较复杂，计算量非常大，其诊断的准确性、可靠性及实时性尚有待提高。而且该方法只能显示结果曲线，不能直接显示输送带的内部图像，显示不直观。
X光探测监测法：在我国，过去也一直采用X光探测法对钢丝绳芯输送带进行检测，但往往只是用于钢丝绳芯输送带的静态检测。1993年，中国矿业大学研制了基于X光探测原理的钢丝绳芯输送带的检测系统[4]，但该系统受当时的软硬件技术的限制，存在输送带图像处理速度慢、实时性差、精度低(分辨率为2.5mm×2.5mm)等问题，对接头拉伸的测量采用数字滤波技术、空间导数运算、最小二乘直线拟合和可变阈值二值化等实现接头图像特征参量的提取，系统误差大，计算量大，图像预处理效果欠佳，特征提取失误率较高、需要自动搜索和人工干预相结合，难以满足生产实际的需求。
参考文献：
[1]黄民，魏任之.矿用钢绳芯带式输送机实时工况监测与故障诊断技术[J].煤炭学报，2005，30(2)：245-250.
[2]Harrison A.A new technique for measuring loss of adhesion in conveyor belt splices[J].Australian J.Coal Mining Technology and Research，1983(4)：27-34.
[3]刘志河，张海涛.钢绳芯胶带绳芯在线实时监测系统[J].煤炭科学技术，1998(8)：38-40.
[4]和志强.强力输送带钢绳芯无损探伤图像数据采集和处理技术的研究[D].北京：中国矿业大学(北京校区)，1998.
发明内容
本发明的目的是提出一种X光成像的钢丝绳芯输送带接头拉伸故障的自动检测方法，解决当前钢丝绳芯输送带接头拉伸故障监测和诊断中存在的可靠性不高、准确性较差、显示不直观、主要依赖于人工检测等问题。
本发明所采用的技术方案，可分为三个步骤(流程图如附图1所示)：
S1：接头图像筛选
将含有部分或全部接头信息的图像从X光成像系统采集并保存的一整条钢丝绳芯输送带的X光图像中筛选出来；
S2：接头图像拼接
将筛选出来的图像拼接成对应的含有完整接头信息的图像；
S3：接头拉伸判断
对每个接头进行接头拉伸的判断。
步骤S1，因为在X光钢丝绳芯输送带检测系统采集的图像中，一个接头可能分布到连续的几幅图中(大多数情况下钢丝绳芯输送带的运行速度为2.5m/s或3.15m/s，此时本发明所采用的检测系统采集到的一个接头的信息分布到连续的1-3幅图像中)。为了便于分析和处理，依照钢丝绳芯输送带X光图像灰度变化的特点，本发明采用局部直方图信息进行接头图像的筛选，根据钢丝绳芯输送带接头信息的分布情况进行逻辑判断，其方法流程图如附图2所示。首先将一幅图像分成上中下三部分，取每一部分的连续5行的稳定区域(上中下区域分别对应一幅图像最上面的5行、中间的5行和最下面的5行，除去两边各20个像素点的区域)，按附图2所示顺序取各区域直方图信息与阈值比较，依次判断是否含有接头信息，然后按照接头信息的分布情况在“接头筛选”文件夹中保存并命名筛选出的图像。特别的，为了防止丢失仅含有微小部分接头信息的图像，按照上述逻辑判断，有时还需将前一幅或下一幅图像保存下来。如当前图中上部分和下部分均含有接头信息，此时也把后一幅图像保存下来，并把当前图命名为“接头序号-2.jpg”，后一幅图保存为“接头序号-3.jpg”的形式。此时，若下一幅图像在筛选中也被筛选出来，则不再重新保存，这样保证了筛选正确率达到100％，即不丢失任何一幅含有接头信息的图像。
步骤S2，依照钢丝绳芯输送带X光图像的灰度变化特点，本发明采用局部直方图信息进行接头图像的拼接，根据保存的筛选后的接头图像的名称进行逻辑判断，其方法流程图如附图3所示。首先将筛选出的同一个接头的图像按照其命名规则拼接成高度为原图像两倍的新图像，然后求每行的局部直方图信息，由连续三行的逻辑判断确定接头信息开始和结束的纵坐标，最后根据每条钢丝绳芯输送带实际接头的情况，剪切形成最终的含有完整接头信息的图像。
步骤S3，采用改进的“条件”Y-差分算法，实现钢丝绳芯输送带接头搭接部分上下边缘的标识和二值化，能有效的抑制噪音；根据接头搭接部位上下边缘的关系，有效的去除抖动；根据Y方向投影使用聚类方法(采用mean shift迭代算法)检测出每条线，并搜索出线对，同时计算距离和方差；根据先验值判断距离的变化，在大于设定的范围时给出报警提示。其方法流程图如附图4所示。
特别的，“条件”Y-差分算法是指：在Y+和Y-方向计算“条件”差分图像并二值化，Y+方向用红色表示，Y-方向用绿色表示。“条件”差分可以分成两步，第一步是差分，对于Y+方向，如果pixel(x，y+1)-pixel(x，y)＞threshold，则结果图像中的pixel(x，y)显示为红色；对于Y-方向，如果pixel(x，y)-pixel(x，y+1)＞threshold则结果图像中的pixel(x，y)显示为绿色。第二步是根据钢丝绳芯输送带图像的特点设置一定的条件来判断差分图像中的每个红色或绿色点是否要保留。保留与否的条件是：如果x方向上连续有三个以上的点都是同一种颜色的差分点，则这些点保留，否则就当作干扰点去除。在实现中，做差分和根据条件判断是否保留这两步是在同一次扫描中完成的，保证了算法的效率。
本发明的效果和益处是，实际应用表明，本发明可以自动、快速、高效的实现钢丝绳芯输送带接头拉伸故障的检测，在工业应用中具有良好的使用价值。本发明技术有以下几个优势：
(1)自动化程度高，使用简单，无需用户干预。自动实现接头图像的筛选、拼接和拉伸判断；自动选取方法中需要的各种阈值，无需用户输入或选择；给出检测结果报告，当接头拉伸程度超过预警值时，自动给出报警提示。
(2)接头图像的筛选和拼接准确率高，可以达到100％。
(3)拼接后的接头图像包含完整的接头信息，并按照钢丝绳芯输送带接头的实际顺序存储，便于接头拉伸的判断或比对，并有利于故障的准确定位。
(4)基于差分配对和统计学的钢丝绳芯输送带接头伸长判断的方法，解决了钢丝绳芯输送带采集过程中的噪声以及抖动对图像处理造成的影响。该算法有效且鲁棒性强，可准确定位出接头并判断出接头内各条线之间的关系，计算出所需线对的距离和方差。
附图说明
图1是钢丝绳芯输送带接头拉伸故障自动检测总流程图；
图2是接头图像筛选流程图；
图3是接头图像拼接流程图；
图4是接头拉伸判断流程图；
图5是某钢丝绳芯输送带1号接头筛选出的两幅图像及其命名；
图6是图5筛选出的两幅图像在拼接后得到的完整的接头图像；
图7差分结果；
图8接头拉伸检测结果。
具体实施方式
以下结合附图和实施例详细叙述本发明的具体实施。
本发明提出的钢丝绳芯输送带接头拉伸故障自动检测方法的总流程图如附图1所示，对于X光成像系统采集并保存的一整条钢丝绳芯输送带的X光图像，实现对其中接头拉伸故障的自动检测需要完成三个步骤，即接头图像的筛选、接头图像的拼接和接头拉伸的判断。其中接头图像筛选流程图如附图2所示，接头图像拼接流程图如附图3所示，接头拉伸判断流程图如附图4所示。
首先进行接头图像的筛选，流程图如附图2所示。先从不含接头信息的钢丝绳芯输送带X光图像中获取直方图信息作为阈值，将一幅图像分成上中下三部分，取每一部分的连续5行的稳定区域(上中下区域分别对应一幅图像最上面的5行、中间的5行和最下面的5行，除去两边各20个像素点的区域)，按附图2所示顺序取各区域直方图信息与阈值比较，依次判断是否含有接头信息，然后按照接头信息的分布情况在“接头筛选”文件夹中保存并命名筛选出的图像。一般情况下，当下部分检测有接头信息时，命名为“接头序号-1.jpg”，中间部分检测有接头信息时，命名为“接头序号-2.jpg”，上部分检测有接头信息时，命名为“接头序号-3.jpg”。特别的，为了防止丢失仅含有微小部分接头信息的图像，按照上述逻辑判断，有时还需将前一幅或下一幅图像保存下来。如当前图中上部分和下部分均含有接头信息，此时也把后一幅图像保存下来，并把当前图命名为“接头序号-2.jpg”，后一幅图保存为“接头序号-3.jpg”的形式。此时，若下一幅图像在筛选中也被筛选出来，则不再重新保存，这样保证了筛选正确率达到100％，即不丢失任何一幅含有接头信息的图像。
附图5是某钢丝绳芯输送带1号接头筛选出的两幅图像及其命名。在筛选中，图像5(a)的下面部分检测到接头信息，命名为1-1.jpg，而图像5(b)的上面部分检测到接头信息，且下面部分没检测到接头信息，故命名为1-3.jpg。
完成了接头图像的筛选，随后进行的是接头图像的拼接，流程图如附图3所示。首先将筛选出的同一个接头的图像按照其命名规则拼接成高度为原图像两倍的新图像，如果含有三幅图像，则截取“接头序号-1.jpg”图像的下半部分、“接头序号-2.jpg”图像的全部和“接头序号-3.jpg”图像的上半部分依次拼接，若为两幅图像，则直接拼接；然后求每行的局部直方图信息，由连续三行的逻辑判断确定接头信息开始和结束的纵坐标；最后根据每条钢丝绳芯输送带实际接头的情况，设置拼接图像的高度，剪切形成最终的含有完整接头信息的图像。
附图6是由附图5筛选出的两幅图像在拼接后得到的完整的接头图像。可以看出由两幅分别包含部分接头信息的图像1-1.jpg和1-3.jpg拼接为一幅完整的、接头信息分布在整幅图中间部位的接头图像，视觉效果好，且便于进一步的分析和处理。
对拼接后的完整接头图像，最后要进行的是接头拉伸的判断。执行完灰度化后，进行“条件”Y-差分。即在Y+和Y-方向计算“条件”差分图像并二值化，Y+方向用红色表示，Y-方向用绿色表示。这里之所以称之为“条件”差分图像，是因为在做差分时设置了保留条件。“条件”差分可以分成两步，第一步是差分，对于Y+方向，如果pixel(x，y+1)-pixel(x，y)＞threshold，则结果图像中的pixel(x，y)显示为红色；对于Y-方向，如果pixel(x，y)-pixel(x，y+1)＞threshold则结果图像中的pixel(x，y)显示为绿色。第二步是根据钢丝绳芯输送带图像的特点设置一定的条件来判断差分图像中的每个红色或绿色点是否要保留。保留与否的条件是：如果x方向上连续有三个以上的点都是同一种颜色的差分点，则这些点保留，否则就当作干扰点去除。在实现中，做差分和根据条件判断是否保留这两步是在同一次扫描中完成的，保证了算法的效率。
附图7是差分结果图。由于温度、环境、射线强度和数据传输等因素影响会导致噪声的出现如图7(a)。普通的垂直差分算法会受到噪声的干扰，处理结果如图7(b)，而采用改进的“条件”差分算法，则能很好的抑制噪声，差分结果如图7(c)。
下一步执行消除抖动，根据采集到的出现抖动的图像特征以及上面提到图像Y-差分算法，分析出差分图像中抖动部分有两个特点，一个是抖动都出现在同一水平线上；另外总体上红绿颜色交替出现。根据这两个特点，可以用如下算法来消抖：如果一个点(x，y)为红色或绿色，在x方向上[x-range，x+range]范围内如果存在像素与它颜色相反，则认为是抖动。
然后执行线对检测，即根据Y方向投影使用聚类方法检测出每条线，搜索出线对，并计算距离，算法步骤如下：
1.对于红线和绿线，分别获得Y轴投影redProjection[]和greenProjection[]，以下操作都是在这两个投影数组上的操作。
2.根据设定的间隔interval在垂直方向上均匀划分每个类的初始候选位置(interval的值须根据钢丝绳芯输送带接头特点和采集时间来设定，interval必须大于每条线在垂直方向上的最大可能跨度，也必须小于相同颜色的两条线的最小可能距离)。
3.在第1步算出的两个投影数组的基础上采用mean shift迭代算法计算出每个最优候选位置(或称类心，它是一个局部最优点，即(y-interval/2，y+interval/2)范围内，投影之和最大的y点)。
4.从第3步计算出的极值点(类心)中按照以下准则筛选：
a.如果某个极值点周围投影之和小于某个阈值，则当作干扰去掉该点；
b.如果两个相同色的候选点之间距离小于某个最小距离，则认为属于同一条线，去掉投影之和较小的那个极值点；
c.如果不同色的候选点之间距离小于某个最小距离，则认为是抖动，则将两个极值点都去掉。最终剩下的极值点是有效的类心。
5.根据第4步筛选出来的红色和绿色有效类心，结合已经获得的先验信息，进行进一步的逻辑判断。如果没有找到红色或绿色有效类心，说明当前图像不是接头图像；如果只有红色或绿色有效类心，说明当前图像是接头图像但是无法找到线对；如果同时存在红色和绿色有效类心，说明当前图像是接头图像，就有可能找到有效线对，但有效类心数目大于3个时，如果干扰太多，就无法找到线对。
6.搜索线对。定义一个线对距离的可能的范围(范围的值须根据钢丝绳芯输送带接头特点和采集时间来设定)。凡是符合这个范围且红线在上绿线在下的组合就认为是有效线对。
在计算出每个线对的距离之后，根据正常钢丝绳芯输送带的先验值(将本条钢丝绳芯输送带先前正常运行时由X光成像系统检测并保存下来的线对距离作为参考标准值)可以判断出接头拉伸的变化，若大于设定的范围则给出报警提示。
附图8是接头拉伸检测结果，结果中给出了钢丝绳芯输送带每个接头的搭接部位线对的距离和方差，以及该接头的正常与否状态。
需要说明的是，若在线执行钢丝绳芯输送带接头拉伸故障的自动检测，在“接头图像筛选”判断为含接头信息后，可不执行“接头图像拼接”，由附图2接头图像筛选流程图中的“进一步处理”，直接进入“接头拉伸判断”，上述接头拉伸判断的算法略作修改即可完成在线的自动检测。
实际应用表明，本发明可以自动、快速、高效的实现钢丝绳芯输送带接头拉伸故障的检测，在工业应用中具有良好的使用价值。