基于NSCT與PCNN的自適應(yīng)輸送帶表面裂紋檢測(cè)

摘要：目前輸送帶表面裂紋檢測(cè)主要由人工完成，費(fèi)時(shí)費(fèi)力、容易漏檢，傳統(tǒng)缺陷檢測(cè)算法不能很好地提取顏色暗、對(duì)比度低的輸送帶裂紋目標(biāo)。本文提出一種非下采樣Contourlet域變換（NSCT）與脈沖神經(jīng)網(wǎng)絡(luò)（PCNN）融合的自適應(yīng)輸送帶表面裂紋檢測(cè)算法，該算法通過(guò)NSCT將圖像分解成低頻子帶和多層高頻子帶，對(duì)低頻子帶圖像提出一種鄰域連接PCNN算法分割出裂紋的大致位置，對(duì)高頻子帶圖像提出一種結(jié)合快速連接PCNN和點(diǎn)火頻率圖自適應(yīng)算法分割，最后利用形態(tài)學(xué)方法融合，提取裂紋目標(biāo)。實(shí)驗(yàn)結(jié)果表明，文中方法對(duì)于輸送帶表面裂紋目標(biāo)正確率在95%以上。本文網(wǎng)絡(luò)版地址：http：//www.eepw.com.cn/article/281894.htm

關(guān)鍵詞：輸送帶；裂紋檢測(cè)；非下采樣Contourlet變換；脈沖神經(jīng)網(wǎng)絡(luò)

DOI：10.3969/j.issn.1005-5517.2015.10.018

亢伉（1987-），男，碩士，研究方向：圖像處理。

輸送帶是用于皮帶輸送帶中起承載和運(yùn)送物料作用的復(fù)合制品。輸送帶廣泛應(yīng)用于煤礦、水泥、焦化、冶金、化工、鋼鐵等行業(yè)中輸送距離較短、輸送量較小的場(chǎng)合。在長(zhǎng)期使用中，由于磨損等原因會(huì)造成輸送帶表面產(chǎn)生形狀不一的裂紋，若不及時(shí)發(fā)現(xiàn)處理，極有可能造成輸送帶撕裂，造成重大的經(jīng)濟(jì)損失甚至安全事故。目前輸送帶表面裂紋檢測(cè)主要由人工完成，這種方法不但精度差、效率低，容易造成漏檢或誤檢而且由于每次檢測(cè)需要停機(jī)完成，影響正常的生產(chǎn)活動(dòng)。

近年來(lái)隨著圖像采集技術(shù)以及計(jì)算機(jī)圖像處理技術(shù)的提高，基于機(jī)器視覺(jué)的自動(dòng)缺陷檢測(cè)系統(tǒng)開(kāi)始廣泛使用。目前輸送帶表面裂紋缺陷檢測(cè)方法很少。太原理工大學(xué)的衛(wèi)霞等人^[1]提出二維熵裂紋目標(biāo)提取算法；唐艷同等人^[2]提出預(yù)設(shè)灰度門(mén)限閾值法，馮廣生等人^[3]提出了灰度直方圖閾值法，中北大學(xué)的魏濤等人^[4]提出腐蝕膨脹的數(shù)學(xué)形態(tài)學(xué)算法。上述算法都取得了一定的成果，但是由于輸送帶工作環(huán)境惡劣，表面裂紋與輸送帶灰度較為相近，基于機(jī)器視覺(jué)的輸送帶表面裂紋檢測(cè)算法還有很大的研究空間。

為了適應(yīng)低對(duì)比度情況下輸送帶裂紋的準(zhǔn)確分割，結(jié)合NSCT與PCNN的優(yōu)點(diǎn)，提出一種針對(duì)輸送帶裂紋目標(biāo)的自適應(yīng)提取算法，實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠準(zhǔn)確的提取裂紋目標(biāo)，對(duì)基于機(jī)器視覺(jué)的輸送帶裂紋檢測(cè)提供一條新的思路。

經(jīng)典N(xiāo)SCT變換

非下采樣Contourlet域（non-subsampled contourlet，NSCT）是在CT（contourlet）的基礎(chǔ)上提出的一種多尺度、多方向的離散的圖像分解方法，它由非下采樣塔式分解濾波器（nonsubsampled pyramid，NSP）和非下采樣方向?yàn)V波器組（non-subsampleddirectional filter bank，NSDFB）來(lái)實(shí)現(xiàn)的^[5]。如圖1（a）所示，以圖像的三個(gè)尺度分解為例，其過(guò)程為：

（1）圖像在頻率域通過(guò)NSP分解成一個(gè)低頻子帶和一個(gè)高頻子帶，其中，低頻子帶包含的是圖像的輪廓信息，可以定位輸送帶裂紋的位置，高頻子帶包含的是圖像的細(xì)節(jié)信息，可以用來(lái)精確描述輸送帶裂紋的大小；

（2）對(duì)高頻子帶使用NSDFB分解成多個(gè)方向子帶，每一個(gè)方向子帶描述圖像在此方向的細(xì)節(jié)信息，如圖1（b）所示，由于NSDBF是一個(gè)雙通道濾波器，所以方向子帶的數(shù)目可以是2的任意次冪，低頻子帶繼續(xù)使用NSP分解，實(shí)現(xiàn)對(duì)圖像的多尺度、多方向的分解^[6]。

經(jīng)典PCNN模型

脈沖耦合神經(jīng)網(wǎng)絡(luò)（pulse-coupledneural network，PCNN）是第三代人工神經(jīng)網(wǎng)絡(luò)的代表，受生物視覺(jué)皮層神經(jīng)的啟發(fā)，提出基于大量神經(jīng)元的反饋網(wǎng)絡(luò)模型。一個(gè)基本的PCNN神經(jīng)元由以下三部分組成：接收域、調(diào)制域和脈沖產(chǎn)生域^[7]，如圖2所示。

其數(shù)學(xué)模型為：

PCNN網(wǎng)絡(luò)在圖像分割方面的基本原理可以描述為：二維灰度圖像矩陣M×N，每一個(gè)像素可以理解為PCNN模型中相對(duì)應(yīng)一個(gè)神經(jīng)元，當(dāng)其鄰域有相近灰度值的像素存在時(shí)，它就會(huì)被點(diǎn)火反饋，此像素得到加強(qiáng)，反之則減弱。通過(guò)這種方法突出圖像中邊緣、紋理等特征信息，它所構(gòu)成的二值圖像就是PCNN的輸出分割圖像^[8]。

NSCT與PCNN的自適應(yīng)圖像分割算法

輸送帶圖像顏色灰暗，對(duì)比度較低，經(jīng)典的缺陷檢測(cè)算法不能很好地檢測(cè)出輸送帶表面裂紋缺陷。NSCT變換具有多分辨率、多方向的特點(diǎn)，在解決小波變換多分辨率分析方法容易在采樣過(guò)程中信息丟失弊端同時(shí)準(zhǔn)確獲得圖像的多角度信息，PCNN模型無(wú)需經(jīng)過(guò)訓(xùn)練就能從復(fù)雜的背景下提取到有用的信息，因此在圖像分割方面有很好的優(yōu)勢(shì)，但是PCNN有大量參數(shù)，每一個(gè)參數(shù)的設(shè)置都往往根據(jù)經(jīng)驗(yàn)，自適應(yīng)能力很差^[9]。綜合分析NSCT特點(diǎn)和PCNN模型優(yōu)勢(shì)，提出一種針對(duì)輸送帶裂紋圖像的自適應(yīng)分割算法。

3.1

NSCT低頻域圖像分割

在低頻子帶體現(xiàn)的是目標(biāo)的大致輪廓，即裂紋在輸送帶圖像中位置等基本信息，因此提出一種鄰域連接PCNN分割算法，對(duì)于每一個(gè)像素，只要它被點(diǎn)火，則它的N（i，j）鄰域內(nèi)相似灰度值的像素也會(huì)被直接點(diǎn)火，連接輸入L_ij為1，否則為0。簡(jiǎn)化后的公式為

簡(jiǎn)化后的神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

3.2

NSCT高頻域圖像分割

在多層高頻子帶含有大量的裂紋目標(biāo)輪廓、邊緣的能量，并且在同方向不同尺度上具有相關(guān)性^[10]。因此，提出一種快速連接PCNN分割算法，一個(gè)區(qū)域內(nèi)所有的神經(jīng)元同時(shí)點(diǎn)火，減少時(shí)延，提高效率。一個(gè)信號(hào)輸入之后，計(jì)算所有的輸出，并且更新連接域，直到輸出不變停止計(jì)算。輸入神經(jīng)元僅需一次點(diǎn)火就可以將信息傳給連接域中所有的神經(jīng)元。所以連接系數(shù)β越大，一次點(diǎn)火的波傳播的越遠(yuǎn)。

在反饋模型公式（1）中，簡(jiǎn)化反饋輸入F_ij為待處理圖像的歸一化亮度輸入，只與自身輸入有關(guān)，簡(jiǎn)化掉其他輸入的影響；

在公式（8）中，連接系數(shù)β反映的是此像素的特征與其鄰域像素的相關(guān)性，其相關(guān)性越大，人眼就會(huì)更容易得注意到^[11]。因此，連接系數(shù)β應(yīng)該與圖像中像素的相關(guān)程度與關(guān)，提出一種自適應(yīng)的確定連接系數(shù)β的方法。

像素的清晰度是判定此像素是否為圖像邊緣的一個(gè)顯著特征，因此，像素清晰度與像素的連接系數(shù)正相關(guān)，像素清晰度越大，連接系數(shù)β的值就越大，其相關(guān)性就越大，這些相關(guān)的像素就比其他輸入像素更容易被捕獲點(diǎn)火，反之亦然。連接系數(shù)β的確定公式為其中，m為NSCT將輸送帶裂紋圖像進(jìn)行分解得到的高頻子帶系數(shù)，下標(biāo)I，j表示數(shù)字圖像中的某個(gè)像素，f為圖像的灰度值。

所有像素的動(dòng)態(tài)門(mén)限均相同，其為原圖像的灰度迭代門(mén)限值θ。

當(dāng)像神經(jīng)元的內(nèi)部狀態(tài)大于門(mén)限值時(shí)，神經(jīng)元點(diǎn)火，輸出Y_ij=1，否則輸出Y_ij=0。

將所有神經(jīng)元的迭代點(diǎn)火次數(shù)之和由矩陣T進(jìn)行記錄，最終得到圖像各個(gè)高頻子帶PCNN點(diǎn)火頻率圖，由于PCNN點(diǎn)火迭代就是根據(jù)鄰域神經(jīng)元灰度值的相近與否來(lái)判斷，所以PCNN點(diǎn)火頻率圖能夠很好的反映所需要提取目標(biāo)的邊緣信息。

快速連接PCNN分割算法模型如圖4所示。

NSCT與PCNN輸送帶裂紋圖像自適應(yīng)分割算法流程如圖5所示，具體步驟如下：

（1）用NSCT將輸送帶裂紋圖像進(jìn)行m尺度分解，得到一個(gè)低頻子帶系數(shù)和m個(gè)高頻子帶系數(shù)；

（2）對(duì)低頻子帶，使用鄰域連接PCNN算法進(jìn)行計(jì)算，分割出裂紋目標(biāo)所在區(qū)域；

（3）對(duì)高頻子帶，使用快速連接PCNN算法進(jìn)行計(jì)算，并且結(jié)合點(diǎn)火頻率圖分割出裂紋目標(biāo)；

（4）低頻圖分割結(jié)果能夠較好的覆蓋目標(biāo)所在區(qū)域，受噪聲和背景干擾較小，但目標(biāo)的邊緣、輪廓等細(xì)節(jié)特征比較模糊；高頻特征圖的分割結(jié)果能夠比較精確的獲取目標(biāo)的細(xì)節(jié)信息，但存在明顯的噪聲和背景干擾。為充分利用其各自?xún)?yōu)勢(shì)，將高、低頻分割結(jié)果進(jìn)行“與”操作，再進(jìn)行必要的膨脹和腐蝕等形態(tài)學(xué)處理算法。

實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，通過(guò)線陣CCD相機(jī)獲取正在運(yùn)行中的輸送帶裂紋圖像，與OTSU算法、文獻(xiàn)[12-13]算法進(jìn)行比較，結(jié)果如圖6所示。從圖中可以看出，OTSU算法根本無(wú)法提取裂紋目標(biāo)，文獻(xiàn)[12-13]方法雖然可以提取裂紋目標(biāo)，但是有些裂紋目標(biāo)含有大量噪聲，魯棒性較差。本文算法克服上述算法缺點(diǎn)，準(zhǔn)確的提取出裂紋目標(biāo)。

為進(jìn)一步檢驗(yàn)本文算法的有效性和優(yōu)越性，選擇100張輸送帶圖片包括60張裂紋缺陷圖片及40張正常圖片，分別進(jìn)行橫向?qū)Ρ葯z測(cè)，實(shí)驗(yàn)環(huán)境為：4核CPU、主頻2.50GHz、4GB內(nèi)存、Windows 7系統(tǒng)的臺(tái)式機(jī)、應(yīng)用軟件環(huán)境是Matlab 2010a，實(shí)驗(yàn)圖像大小你為256×256，4種算法結(jié)果如表1所示。

可以看出，對(duì)于裂紋缺陷圖像，本文算法有6.7%的誤檢率，主要是因?yàn)檫@幾張裂紋較輕微，與背景差距較小；對(duì)于正常輸送帶圖像有7.5%的誤檢率，主要是因?yàn)椴糠州斔蛶D像上粘有粉塵等雜質(zhì)，被誤判為裂紋缺陷本文法達(dá)到了較好的效果。OTSU算法和文獻(xiàn)[13]算法運(yùn)算速度較快但正確率較低，文獻(xiàn)[12]算法能夠保證一定的正確率但還有很大提升空間，本文算法雖然計(jì)算速度較慢，但正確率高。若用高級(jí)編程語(yǔ)言編寫(xiě)本文算法，檢測(cè)時(shí)間將會(huì)有較大提升。

結(jié)論

由于輸送帶裂紋圖像整體對(duì)比度低，傳統(tǒng)檢測(cè)手段難以提取裂紋目標(biāo)，為此本文提出了一種基于NSCT和PCNN的自適應(yīng)裂紋缺陷檢測(cè)算法，該算法通過(guò)NSCT將圖像分解成低頻子帶和高頻子帶，對(duì)低頻子帶采用鄰域連接PCNN算法分割，對(duì)高頻子帶結(jié)合快速連接PCNN算法和點(diǎn)火頻率圖進(jìn)行分割，最后將二者分割后的圖像用形態(tài)學(xué)方法融合，最終提取裂紋目標(biāo)。

實(shí)驗(yàn)結(jié)果表明，本文方法能有效地提取出不同輸送帶圖像的裂紋缺陷，對(duì)于本文算法處理時(shí)間較長(zhǎng)的缺點(diǎn)，是下一步需要改進(jìn)的方向。

參考文獻(xiàn)：

[1]衛(wèi)霞，基于圖像處理的傳送皮帶裂紋檢測(cè)[D]，太原：太原理工大學(xué)，2011

[2]唐艷同，喬鐵柱，牛犇，輸送帶縱向撕裂在線監(jiān)測(cè)預(yù)警系統(tǒng)的設(shè)計(jì)[J]，煤礦機(jī)械，2012，33（5）：242-245

[3]馮廣生，李文英圖像處理技術(shù)在膠帶撕裂檢測(cè)中的應(yīng)用[J]，機(jī)械工程與自動(dòng)化，2007，（3）：104-106

[4]魏濤，煤炭輸送帶裂紋檢測(cè)技術(shù)研究[D]，太原：中北大學(xué)，2010

[5]金星，李暉暉，時(shí)不麗非下采樣Contourlet變換與脈沖耦臺(tái)神經(jīng)網(wǎng)絡(luò)相結(jié)合的SAR與多光譜圖像融合[J]，中國(guó)圖象圖形學(xué)報(bào)，2012，17（9）：1188-1195

[6]李雪琴，蔣紅海，劉培勇，等非下采樣Contourlet域自適應(yīng)聞值面的磁瓦表面缺陷檢測(cè)[J]，計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2014，26（4）：553-558

[7]廖傳柱，張旦，江銘炎，基于ABC-PCNN模型的圖像分割[J]，南京理工大學(xué)學(xué)報(bào)，2014，38（4）：558-565

[8]KONG W W， LEI Y J，LEI Y， Image fusion technique based on non-susampled contourlet transform and daptive unit-fast-linking pluse-coupled neural network[J]. IET Image Processing， 2011， 5（2）：113-121

[9]郝愛(ài)枝，鄭晟，基于NSCT-PCNN變換的多傳感器圖像融臺(tái)[J]，科學(xué)技術(shù)與工程，2014，14（1）：45-48

[10]YANG Shuyuan， WANG Min， LU Yanxiong， et aI.Fusion of multiparametric SAR images based on SW-nonsusampled contourlet and PCNN[J]. Signal Processing， 2009， 89（12）2596-2608

[11]SHI J， CHI Y， ZhANG N Multichannel sampling and reconstruction of bandlmited Signals in fractional Fourier domain[J]. IEEE Signal ProcessIng LetIers，2010，17（11）：，909-912

[12]李海燕，張榆鋒，施心陵，等基于灰度迭代閾值脈沖耦臺(tái)神經(jīng)網(wǎng)絡(luò)的圖像分割[J]，計(jì)算機(jī)應(yīng)用，2011，31（10）：2753-2756

[13]李慶武，馬國(guó)翠，霍冠英，等基于NSCT域邊緣檢測(cè)的側(cè)掃聲吶圖像分割新方法[J]，儀器儀表學(xué)報(bào)，34（8）：1795-1800