阅读说明：本技术 一种皮带纵向撕裂检测方法及装置 (Belt longitudinal tearing detection method and device ) 是由 胡友民 郭志恒 张鑫 于 2020-05-28 设计创作，主要内容包括：本发明属于皮带损伤识别相关技术领域,并具体公开了一种皮带纵向撕裂检测方法及装置。该方法包括如下步骤：采集待测皮带的实时图像并进行传输和保存；对实时图像依次进行灰度转化、二位图转化、背景过滤、局部扫描和区域提取处理,进而得到该实时图像的核心区域；利用预先训练的卷积神经网络对核心区域进行识别,以此得到待测皮带有无纵向撕裂的检测结果。本发明通过无接触测量的方式采集待测皮带的实时图像,将对工作现场的影响降到最小；然后通过一系列的预处理以提取核心区域,进而有效提高识别效率和识别精度；同时采用卷积神经网络对图像信息进行快速准确的识别和分类,有效提高了皮带纵向撕裂的检测精度,实现了皮带纵向撕裂的实时监测。(The invention belongs to the technical field of belt damage identification and particularly discloses a method and a device for detecting longitudinal tearing of a belt. The method comprises the following steps: acquiring a real-time image of a belt to be detected, and transmitting and storing the real-time image; sequentially carrying out gray level conversion, bitmap conversion, background filtering, local scanning and region extraction processing on the real-time image so as to obtain a core region of the real-time image; and identifying the core area by utilizing a pre-trained convolutional neural network so as to obtain a detection result of whether the belt to be detected is longitudinally torn or not. The invention collects the real-time image of the belt to be measured in a non-contact measuring mode, and the influence on the working site is reduced to the minimum; then, a core area is extracted through a series of preprocessing, and therefore the identification efficiency and the identification precision are effectively improved; meanwhile, the convolutional neural network is adopted to rapidly and accurately identify and classify the image information, so that the detection precision of the longitudinal tearing of the belt is effectively improved, and the real-time monitoring of the longitudinal tearing of the belt is realized.)

一种皮带纵向撕裂检测方法及装置

技术领域

本发明属于皮带损伤识别相关技术领域，更具体地，涉及一种皮带纵向撕裂检测方法及装置。

背景技术

皮带运输机是工业生产中常见的运输设备，它的平稳运行和安全管理对于保障运输安全至关重要。随着交通运输业规模的不断扩大，对皮带运输机的运载规模、速度和距离的要求不断提高。由于工作负载大、运行长，皮带运输机容易发生各种故障，给安全运输造成很大的威胁。

皮带撕裂是一种常见且危害性强的故障类型，并且撕裂常常表现为皮带的纵向撕裂(调查显示，纵向撕裂占皮带撕裂事故的90％)。由于皮带的造价昂贵，若未及时发现皮带的撕裂而造成整条皮带撕裂，将造成物料倾洒，损坏减速机，甚至损毁机架结构，造成很大的经济损失且严重威胁运输的安全。

针对皮带的纵向撕裂进行检测与预防已成为皮带运输机健康管理的一大课题。目前，利用信息技术、传感器技术、图像识别技术进行皮带机运行状态的监测，已成为一种可靠的方式。其中，基于机器视觉的故障检测是一种全新的检测理论，能够对皮带纵向撕裂进行高效、自动检测。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了一种皮带纵向撕裂检测方法及装置，其中通过无接触测量的方式采集待测皮带的实时图像，将对工作现场的影响降到最小；然后通过一系列的预处理以提取核心区域，进而有效提高识别效率和识别精度；同时本发明采用卷积神经网络对图像信息进行快速准确的识别和分类，有效提高了皮带纵向撕裂的检测精度，实现了皮带纵向撕裂的实时监测。

为实现上述目的，按照本发明的一方面，提供了一种皮带纵向撕裂检测方法，该方法包括如下步骤：

S1采集待测皮带的实时图像并进行传输和保存；

S2对所述实时图像依次进行灰度转化、二位图转化、背景过滤、局部扫描和区域提取处理，进而得到该实时图像的核心区域；

S3利用预先训练的卷积神经网络对所述核心区域进行识别，以此得到所述待测皮带有无纵向撕裂的检测结果。

作为进一步优选的，步骤S1中，利用工业相机由下至上实时拍摄所述待测皮带的下表面图像，以此获得所述实时图像。

作为进一步优选的，步骤S2包括如下子步骤：

S21对所述实时图像进行灰度转化，获得灰度图像；

S22将所述灰度图像转化为二位图，便于后续操作；

S23对所述二位图进行局部处理，进而筛掉背景信息并保留皮带区域图像；

S24基于正常皮带图像训练卷积核，并利用该卷积核遍历所述皮带区域图像，以此识别出非正常区域皮带图像；

S25将所述非正常区域皮带图像中与正常图像差异最大的区域进行提取保存，以此获得所述实时图像的核心区域。

作为进一步优选的，步骤S24中，所述卷积核的长宽比不大于1:4。

作为进一步优选的，步骤S3包括如下子步骤：

S31将所述实时图像的核心区域输入所述预先训练的卷积神经网络中，利用卷积层进行特征提取得到图像特征；

S32利用池化层对所述图像特征进行特征选择和信息过滤，以此得到所述待测皮带有无纵向撕裂的检测结果。

作为进一步优选的，步骤S3中，利用Soft-max分类器得到所述待测皮带有无纵向撕裂的检测结果。

按照本发明的另一方面，提供了一种利用上述方法进行皮带纵向撕裂检测的装置，该装置包括图像采集单元、图像处理单元和控制单元，其中所述图像采集单元用于采集待测皮带的实时图像并进行传输和保存；所述图像处理单元用于获取所述实时图像的核心区域，并基于卷积神经网络对其进行识别，以此获得所述待测皮带有无纵向撕裂的检测结果；所述控制单元用于根据所述检测结果控制所述皮带的运行状况。

作为进一步优选的，所述图像采集单元包括图像采集传感器和图像采集卡，所述图像采集传感器用于采集待测皮带的实时图像，所述图像采集卡用于传输和保存所述实时图像。

总体而言，通过本发明所构思的以上技术方案与现有技术相比，主要具备以下的技术优点：

1.本发明提供的皮带纵向撕裂检测方法通过无接触测量的方式采集待测皮带的实时图像，将对工作现场的影响降到最小；然后通过一系列的预处理以提取核心区域，进而有效提高识别效率和识别精度；同时本发明采用卷积神经网络对图像信息进行快速准确的识别和分类，有效提高了皮带纵向撕裂的检测精度，基于机器视觉技术实现了皮带纵向撕裂的实时监测，减少了皮带纵向撕裂事故造成的经济损失，提高了皮带机运行的可靠性，有利于提高企业的生产效率和经济效益；

2.尤其是，本发明通过对实时图像的处理过程进行优化，能够有效提高皮带纵向撕裂检测的稳定性和鲁棒性；

3.此外，本发明还提供了一种皮带纵向撕裂检测装置，该装置利用机器视觉技术对皮带进行检测，能够保证不接触、不改变被测对象，具有稳定的检测特性并且易于维护，拥有自动化程度高、信息集成度高、稳定性和鲁棒性良好的特点。

附图说明

图1是本发明提供的皮带纵向撕裂检测方法的流程图；

图2是本发明提供的皮带纵向撕裂检测装置的示意图；

图3是本发明优选实施例中采集实时图像的流程示意图；

图4是本发明优选实施例中不同状态下待测皮带的实时图像，其中(a)为正常状态，(b)为纵向撕裂状态，(c)为点损状态，(d)为横向撕裂状态；

图5是本发明优选实施例中提取核心区域的流程图，其中(a)为纵向撕裂样本，(b)为点损样本，(c)为横向撕裂样本，(d)为正常样本；

图6是本发明优选实施例中利用卷积神经网络进行识别的示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

如图1所示，本发明实施例提供了一种皮带纵向撕裂检测方法，该方法包括如下步骤：

S1利用工业相机由下至上实时拍摄待测皮带的下表面图像，以此获得实时图像，同时将该实时图像并进行传输和保存；

S2对实时图像依次进行灰度转化、二位图转化、背景过滤、局部扫描和区域提取处理，进而得到该实时图像的核心区域，具体包括如下子步骤：

S21对彩色的实时图像进行灰度转化，获得灰度图像；

S22将灰度图像转化为二位图，便于后续操作；

S23对二位图进行局部处理，进而筛掉背景信息并保留皮带区域图像；

S24基于正常皮带图像训练卷积核，并利用该卷积进行局部扫描操作，该卷积核可以像素级遍历图像，进行卷积和累加操作，在于正常皮带图像扫描结果的先验范围进行比较，以此识别出非正常区域皮带图像即皮带破损位置的图像；

S25将非正常区域皮带图像中与正常图像差异最大的区域进行提取保存，以此获得实时图像的核心区域；

S3利用预先训练的两层卷积神经网络对核心区域进行识别，以此得到待测皮带有无纵向撕裂的检测结果，具体包括如下子步骤：

S31将实时图像的核心区域输入预先训练的卷积神经网络(CNN)中，利用卷积层进行特征提取得到图像特征；

S32利用池化层对图像特征进行特征选择和信息过滤，在卷积神经网络的最后构建Soft-max分类器，最终输出(1,0)或(0,1)，分别代表“存在纵向撕裂”或“不存在纵向撕裂”的两种结果，并将检测结果反馈给控制中心，决定是否进行停机处理。

在上述流程中，图像的获取和核心区域提取部分主要应用到了机器视觉的相关技术，其无接触式的测量方式可以最小化对工作现场的影响。在裂纹识别的部分，主要采用了卷积神经网络，从而快速准确地对图像信息进行识别与分类，适用于皮带纵向撕裂检测的应用背景。在特征识别的过程中，知识库是一个重要的识别依据，其主要是由先前积累的皮带采集样本来构成，利用其对卷积神经网络模型进行训练。在识别结束后，正确的识别结果也被放入知识库中，以训练出更加完善和精准的卷积神经网络模型。

进一步，步骤S24中进行局部扫描操作所使用的卷积核长宽比一般不大于1:4，使得其能更好的识别皮带纵向撕裂特征，并将特征图即核心区域的图像进行提取和保存。

如图2所示，按照本发明的另一方面，提供了一种利用上述方法进行皮带纵向撕裂检测的装置，该装置包括图像采集单元、图像处理单元和控制单元，其中：图像采集单元用于采集待测皮带的实时图像并进行传输和保存，其包括图像采集传感器和图像采集卡，图像采集传感器用于采集待测皮带的实时图像，图像采集卡用于传输和保存实时图像；图像处理单元用于获取实时图像的核心区域，并基于卷积神经网络对其进行识别，以此获得待测皮带有无纵向撕裂的检测结果；控制单元用于根据检测结果控制皮带的运行状况。

下面根据具体实施例对本发明作进一步具体说明。

步骤1：图像获取

为获取到高质量的图像素材，采用HIKVISION型号为MV-CE100-30GM的工业相机。如图3所示，工业相机架设在皮带的正下方，由下向上进行拍摄采样，通过调整焦距和安装位置使得相机更多采集皮带图像更少采集背景信息，保证检测的精准度和检测速度。采集到图像素材有正常、纵向裂纹、点损、横向裂纹四类，如图4所示，这些图像通过现场高速网络传输到图像处理单元进行后续处理工作。得到皮带是否纵向撕裂的结果后，将发送信号到皮带运输机的控制单元，再由控制单元向皮带机发送停机指令。

步骤2：图像区域提取

(1)灰度图像转化

图像区域提取步骤如图5所示，首先进行图像灰度的转化。由于工业相机采集到的图像是三通道的彩色图像，不便于分析。因此，先将彩色图像进行灰度转化，得到灰度图像。

(2)二位图转化

灰度转化后，再将灰度图像转化为二位(0，1)图，便于后续背景过滤的进行。

(3)背景过滤

经过二位图转化后，基于先验知识对图像进行局部处理，筛掉背景信息，保留皮带图像区域。

(4)局部扫描

基于正常的皮带图像，训练一个矩形卷积核，使得该矩形卷积核在正常皮带图像上进行像素级平移卷积及结果累加后，能有确定范围的输出。而对存在破损的图像进行处理时，则输出有所不同。且该卷积核训练过程中考虑了光照和区域反光的情况，训练样本取自不同的光照条件。因此，该矩形卷积核进行一次图像遍历后，即可识别出非正常区域的皮带图像。将结果差异最大的区域进行提取保存，即得到了待检图像的核心区域部分。其中，该卷积核的大小基于训练经验进行确认，但其长宽比一般不大于1:4，即该矩形核为竖长条状，使得其能更好的提取出皮带的纵向撕裂特征。

(5)核心区域提取

利用(4)局部扫描中训练完成的卷积核，在待检图像上执行全方位扫描操作。当该卷积核在正常皮带图像上进行卷积时，其输出能稳定在一定范围θ内。而当该卷积核在存在撕裂状态的图像上进行卷积时，其输出值则不在此范围θ内。当卷积核在待检图像上完成一次扫描后，选择卷积输出值与范围θ偏离最大的区域，即为待检图像的核心区域。将该区域进行提取和保存，应用于后续裂纹识别步骤，可大大降低后续图像识别的计算复杂度，并提高皮带纵向撕裂的识别精度。

步骤3：裂纹识别(基于CNN的皮带纵向撕裂特征识别)

图像经过区域提取操作后，图像处理单元在主机内调动CNN算法来完成特征识别的工作，识别流程如图6所示。步骤2中提取到的图像核心区域输入到卷积神经网络中进行特征提取，主要分为卷积和池化两个步骤。其中，卷积层主要起到特征提取的作用，它通过设置固定大小卷积核来对图像进行规律性的扫描，单次扫描的区域又被称为“感受野”。在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量，也就完成了图像特征的一次提取。之后，输出的特征图将被输送到池化层中，实现特征的选择和信息的过滤，池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。上述卷积层、池化层参数可以人为设置，从而达到最优的特征识别效果。

要完成上述的特征识别过程，需要先利用知识库对卷积神经网络进行模型训练，以促使模型能够更好地拟合图像上的特征分布。卷积神经网络的模型训练主要依靠有监督训练，即利用含标签(是否有纵向撕裂，若有则标签为1，若无纵向撕裂则标签为0，其中标签为0的样本中包含了普通、横向撕裂和点损的情况)的图片进行网络训练，逐层调节各层神经元的权重和偏置。经过大量图片素材的训练，模型逐渐完善，便可以应用到皮带纵向撕裂的实时检测中。此外，由于知识库的构建过程需要大量含标签的图片，在知识库构建的早期需要人为的对图片进行标记。通过人工查验确定图片上是否存在撕裂，标记到一定数量后就可以进行卷积神经网络模型的训练。之后，模型在实时检测的过程中也可以得到丰富的、含标签的图片素材对知识库实现进一步的完善。随着知识库不断完善，模型训练的结果也会更加契合实际情况，从而提高了皮带纵向撕裂的检测准确率。

卷积神经网络的训练过程分为前向传递和反向传播两个过程。前向传递是数据由输入层进行输入，经由多个卷积层、池化层，再传递至全连接层和输出层，得到输出结果。前向传递得到的输出结果与期望输出(人为标记的结果)进行比较，通常采用均方误差来表示这一差值σ。反向传播过程，会将误差σ传递到每一层的输出，通过每一层的函数对参数的导数，可求得参数的梯度。有了计算梯度的方法，再通过基于梯度的最优化，就能寻得最优值，完成卷积神经网络权值、偏置、卷积核等参数的更新过程。

该CNN网络的输入为10×50的二维图形，经过两层卷积核池化操作，结果映射到了末端的Soft-max分类器中。分类器则最终输出(1,0)，(0,1)两种结果，代表该图像被识别为有纵向撕裂和无纵向撕裂。对于无纵向撕裂的图像，可能存在点损和横向撕裂的情况，但本发明主要用于纵向撕裂情况的检测，因为其发生的更频繁、危害更大。

步骤4：反馈控制

若识别出皮带纵向撕裂现象的存在，控制台立刻将指令发送到皮带机控制系统，对皮带运输机进行停机处理，以避免造成更大损失。

经过实验验证，本发明提出的皮带纵向撕裂检测方案，对于纵向撕裂的检测精度高达90.4％，能起到很好的在线检测和识别作用，证明本发明所提出的皮带纵向撕裂检测方案具备一定的实用价值。

本领域的技术人员容易理解，以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。