基于二維Gabor濾波器的膠帶撕裂檢測

劉曉陽， 劉晶， 張向陽， 申利飛， 鄧志鋼， 馬新彥， 王地

(中國礦業大學(北京) 機電與信息工程學院， 北京 100083)

0 引言

帶式輸送機作為煤礦井下的重要運輸設備，其穩定運行關系到煤礦安全生產。煤礦環境惡劣，帶式輸送機工作強度高，在運輸過程中易發生膠帶撕裂故障[1]。現有的膠帶撕裂檢測方法主要有接觸式檢測法和非接觸式檢測法[2-6]。其中非接觸式檢測法中的機器視覺技術因其較高的穩定性和準確性成為近年來的研究熱點。王福斌等[4]提出了一種邊緣擴展的膠帶撕裂支持向量機檢測方法，通過在邊緣基礎上增加權重的方法擴展膠帶撕裂邊緣，構建支持向量機模型，以裂紋圖像的面積和長寬比作為輸入特征向量，完成膠帶撕裂檢測。曹成等[5]提出了一種優化Canny邊緣算子的縱向撕裂檢測方法，通過KSW熵法(由Kapur、Sahoo和Wong等提出的最佳熵閾值確定法)和蟻群算法相結合選取最優閾值，將此最佳閾值運用于Canny算子，提高邊緣檢測算法的準確性。牛犇等[6]提出了一種基于LabVIEW和CCD(Charge-coupled Device，電荷耦合元件)相機的縱向撕裂檢測系統，通過高斯濾波、邊緣檢測和卷積運算等算法提取膠帶撕裂區域特征，再對撕裂區域特征進行閾值分析，判斷膠帶是否發生撕裂缺陷。上述機器視覺檢測方法處理背景紋理復雜的圖像時易將撕裂痕跡相對背景紋理不明顯的缺陷區域誤判為無缺陷。

針對上述問題，本文提出一種基于二維Gabor濾波器的膠帶撕裂檢測方法，以Gabor濾波為基礎提出一種新的優化選擇方法，輔以改進的Sobel算子提取和增強撕裂區域輪廓特征，采用自適應閾值和形態學技術2種方法完成最終檢測。該方法可抑制背景紋理特征，最大程度地保留所有撕裂痕跡，檢測效果良好，不易出現漏檢。

1 膠帶撕裂檢測方法流程

基于二維Gabor濾波器的膠帶撕裂檢測方法流程如圖1所示。

(1) 圖像處理。通過二維Gabor濾波對標準圖像和待檢測圖像進行濾波處理，分別得到標準圖像和待檢測圖像濾波處理圖。

(2) 最優濾波通道選取。計算標準圖像與待檢測圖像在同一通道下濾波處理圖的變異系數之差，最大差值對應的通道為最優濾波通道。

圖1 基于二維Gabor濾波器的膠帶撕裂檢測方法流程Fig.1 Two-dimensional Gabor filter-based belt tear detection method flow chart

(3) 特征提取與增強。首先，利用Sobel算子分別提取水平和垂直方向的撕裂區域紋理特征，并得到2個方向的梯度圖；其次，對所得梯度圖進行自乘歸一化操作，增強紋理信息；最后，以圖像標準差占比為參數，采用像素加權平均法融合2幅圖像。

(4) 圖像檢測。將得到的融合圖像通過自適應閾值二值化的方法進行閾值分割，并利用形態學技術對待檢測圖像進行撕裂檢測。

2 膠帶撕裂檢測方法原理

在檢測膠帶圖像是否存在撕裂缺陷時，復雜的背景紋理會降低檢測結果的準確性，為解決這一問題，需弱化背景紋理特征，增強撕裂區域紋理特征。

2.1 Gabor濾波器

Gabor函數[7-11]由平移窗函數與高斯核函數卷積構成，具有良好的空間局部性和方向選擇性，在檢測過程中能夠捕捉對應于空間和頻率的局部結構信息，實現局部區域的特征增強。二維Gabor濾波函數g(x,y)的表達式為

(1)

式中：x和y為像素位置的坐標;σx、σy分別為高斯函數在x軸和y軸上的伸縮系數；W為函數的調制頻率。

二維Gabor濾波函數經過適當的尺度膨脹和方向旋轉可得到一組自相似Gabor小波函數hpq(x,y)。

(2)

x′=xcosθq+ysinθq

(3)

y′=-xsinθq+ycosθq

(4)

設輸入的第k幅待檢測圖像為Ik(x,y)，經過Gabor濾波器輸出圖像為Ipq(x,y)，則

Ipq(x,y)={[hpq(x,y)e*Ik(x,y)]2+

(5)

式中：hpq(x,y)e、hpq(x,y)o分別為Gabor濾波函數的實部與虛部；*表示二維卷積運算。

2.2 最優濾波通道選取

Gabor優化選擇方法[11]通過圖像標準差、方差、均值等圖像基本參數信息建立代價函數，計算各濾波通道下的代價函數值，選取最大代價函數值對應的通道為最優濾波通道，對最優濾波通道下的濾波圖進行閾值分割處理，最終得到檢測結果圖，此方法對圖像缺陷檢測效果良好。

通過Gabor優化選擇方法，以變異系數[12]為基礎構建新的代價函數，選取最優濾波通道。

取待檢測圖像與標準圖像濾波后所得圖像的變異系數作差運算，差值即為代價函數，此值反映了待檢測圖像相對于標準圖像像素的離散程度。差值越大，則偏差程度越大，撕裂區域紋理與背景紋理對比度越大，撕裂特征越明顯。

(6)

(7)

J(i)=cd(i)-cs(i)

(8)

式中：cd(i)、cs(i)分別為第i個濾波通道的待檢測圖像和標準圖像變異系數；i為濾波通道，i=1,2,…,SL；δd(i)、δs(i)分別為第i個濾波通道的待檢測圖像和標準圖像像素標準差；μd(i)、μs(i)分別為第i個濾波通道的待檢測圖像和標準圖像像素均值；J(i)為第i個通道的代價函數。

選取代價函數最大值Jbest對應的濾波通道為最優濾波通道。

(9)

最優濾波通道下的濾波圖即為最優濾波通道圖，此圖有效保留了撕裂區域邊緣的紋理特征，在一定程度上降低了局部噪聲的干擾。

2.3 撕裂特征提取和增強

為減小背景紋理對檢測結果的干擾，提高檢測結果的準確性，通過改進Sobel邊緣檢測算法提取并增強撕裂區域紋理特征。

(1) 利用Sobel算子[13]在水平和垂直2個方向進行卷積運算，得到水平和垂直2幅梯度圖。

(2) 對2幅梯度圖進行自乘歸一化處理，在增強圖像對比度的同時，減小光線不均造成的干擾。

(3) 以標準差為基礎，對處理后的圖像進行融合。

(10)

f(x,y)=αfx(x,y)+(1-α)fy(x,y)

(11)

式中：α為融合系數；ax、ay分別為水平和垂直方向梯度圖經自乘歸一化處理所得圖像的標準差；f(x,y)為融合圖像；fx(x,y)、fy(x,y)分別為水平和垂直方向梯度圖經自乘歸一化處理所得圖像。

2.4 閾值分割與撕裂檢測

首先采用自適應閾值二值化法將圖像分為多個區域，計算各區域均值，減去常數,得到閾值;再對各區域進行二值化，得到分割圖像;最后利用形態學技術[14]強化撕裂處的輪廓特征，完成最終檢測。通過上述方法實現撕裂區域分割，能保證撕裂區域輪廓信息被較好地保留下來。

3 實驗與結果分析

在Windows 10環境下，通過Python 3.7.3軟件編寫算法程序實現膠帶撕裂檢測。采集240張膠帶受損情況不同的圖像，像素大小均為256×256，缺陷圖像和標準圖像各120張，橫向撕裂、縱向撕裂以及這2類缺陷任意組合的混合撕裂缺陷圖各40張。

建立2個文件夾，分別存放標準圖像、對應的缺陷圖像，同時讀取2個文件夾中的圖像，選用4×4多通道二維Gabor濾波器對標準圖像和缺陷圖像進行處理，得到多幅Gabor濾波處理圖，用新代價函數選取最優濾波通道圖，利用改進的Sobel邊緣檢測算法對所得圖像進行特征提取，最后通過自適應閾值二值化法和形態學技術完成檢測。結果如圖2所示。

由圖2(a)和圖2(b)可知，當采集到的圖像背景中存在摩擦痕跡時，新代價函數在強化撕裂區域局部紋理特征的同時，弱化了背景紋理特征；由圖2(c)可知，改進的Sobel邊緣檢測算法對提取的撕裂區域紋理特征起到很好的增強效果，同時，進一步弱化了背景紋理特征；由圖2(d)可知，本文所用分割方法能有效分割出撕裂區域，并較好地保留撕裂區域輪廓信息，對膠帶撕裂缺陷具有較好的檢測效果。

圖2 檢測結果
Fig.2 Detection results

采用Gabor優化選擇方法、基于Sobel算子的縱向撕裂檢測方法[15]和改進后的Gabor優化選擇方法對不同缺陷的膠帶樣本進行檢測，通過檢測結果(圖3—圖5)、正確檢測率、整體檢測率和漏檢率(表1)反映算法的檢測能力。

(a) 橫裂和縱裂膠帶圖像(b) Gabor優化選擇方法(c) 基于Sobel算子的縱向撕裂檢測方法(d) 改進后的Gabor優化選擇方法

圖3 橫裂和縱裂缺陷檢測結果Fig.3 Detection results of transverse crack and longitudinal crack defect

圖4 大面積撕裂缺陷檢測結果Fig.4 Detection results of large-area tear defect

圖5 橫裂缺陷檢測結果
Fig.5 Detection results of transverse crack defect

圖3(a)中背景復雜，一些撕裂痕跡并不明顯，難以捕捉，3種方法中,Gabor優化選擇方法和改進后的Gabor優化選擇方法都能分割出所有裂痕，但Gabor優化選擇方法的檢測結果中含有大量噪點，導致撕裂痕跡不明顯，不利于識別；圖4(a)中的撕裂缺陷對比背景痕跡明顯，3種方法都能分割出撕裂缺陷，但改進后的Gabor優化選擇方法相比Gabor優化選擇方法，檢測結果中不含噪點，效果更好，相比基于Sobel算子的縱向撕裂檢測方法，缺陷區域輪廓信息保留得更為完整；圖5(a)中背景紋理信息復雜，摩擦痕跡明顯，導致一些撕裂痕跡難以識別，3種方法中只有改進后的Gabor優化選擇方法能檢測出所有撕裂缺陷，并且檢測結果清晰，撕裂區域輪廓被較好地保留下來。

表1 撕裂檢測結果統計Table 1 Statistics of tear detection results %

由表1可知，改進后的Gabor優化選擇方法整體檢測率達到94.5%，且漏檢率明顯降低。綜上所述，改進后的Gabor優化選擇方法對背景復雜、裂痕相對不明顯的撕裂缺陷有良好的檢測效果。

4 結語

對膠帶圖像進行Gabor變換，得到多幅Gabor濾波處理圖，用一種新的代價函數選取最優濾波通道圖，并用改進的Sobel邊緣檢測算法提取和增強撕裂區域紋理信息，最后通過自適應閾值二值化法和形態學技術完成膠帶撕裂檢測。實驗結果表明，改進后的Gabor優化選擇方法比原Gabor優化選擇方法和基于Sobel算子的縱向撕裂檢測方法漏檢率更低，可以檢測出背景紋理復雜的膠帶缺陷圖像中的所有缺陷，并且檢測結果清晰，檢測率更高。