(x，y))_log(L(x，y))计算反射分量图像的 初始值；
[0051 ] 步骤5,求反射分量图像初始值的最大值和最小值；
[0052] 步骤6，对反射分量图像进行分段线性灰度校正，得到处理后的输送带图像。
[0053] 附图3为附图2通过灰度值形态学梯度和SSR算法的输送带图像去雾增强算法处 理后的输送带图像。
[0054] 灰度平均法的改进遗传算法的阈值分割算法的实现步骤如下：
[0055] 步骤1，编码：采用二进制编码方式，输送带图像的灰度值范围为0~255,因此采 用16位二进制数据表示阈值编码；
[0056] 步骤2,初始群体的生成：通常需要设置进化代数和最大进化代数，然后随机产生 M个个体作为初始群体，遗传算法以这个初始群体作为初始点开始迭代。M的大小影响遗传 算法的执行效率和结果，M太小，意味着搜索空间有限，不利于求取最优解，M太大，则增加 了计算的复杂度；
[0057] 步骤3,适应度函数：也叫评价函数，用来判断群体中的解的优劣程度，适应度函 数用来对解进行适应度评价，本发明中的适应度函数采用灰度平均法中的阈值计算函数；
[0058] 步骤4,选择运算：从群体中选择优胜的解，淘汰劣质解的操作就叫选择，选择的 目的是把优化的解直接遗传到下一代或通过配对交叉产生新的解再遗传到下一代，本发明 中采取根据当前解的代数，选择上一代中优化解遗传到下一代的方法，代数越大，则遗传的 解的个数越少，方便加快收敛；
[0059] 步骤5,交叉：遗传算法中起核心作用的是遗传操作的交叉算子，交叉算子就是将 两个父代解的部分结构替换重新生成新解的操作，通过交叉，遗传算法的搜索能力也会快 速提高，本发明中采用双点交叉算子，两个交叉点分别位于16位二进制数的前8位和后8 位，交叉概率初始设置SP ot= 〇. 7,后期根据进化的进程进行自适应修改；
[0060] 步骤6,变异：首先在群体中随机选择一个解，对选中的解以变异概率随机的改变 解中二进制数据串的值，设置变异初始概率P nff= 〇. 1，后期根据进化的进程进行自适应修 改；
[0061] 步骤7,终止条件：当进化过程中，得到了具有最大适应度的最优解，则终止计算。
[0062] 附图4是对附图3进行灰度平均法的改进遗传算法的阈值分割算法处理后的图 像。
[0063] 输送带故障检测与报警的实现：
[0064] 输送带故障检测包括纵向撕裂故障预判方法和纵向撕裂故障分类识别方法。纵向 撕裂故障预判方法是在采集到的输送带图像经过灰度值形态学梯度和SSR算法的输送带 图像去雾增强算法处理后图像的基础上进行的，实现步骤如下：
[0065] 步骤1，f(x，y)是MXN的图像，通过式
y)的列均值向量ColumnArv (j);
[0066] 步骤2,计算ColumnArv (j)的均值μ和方差〇 2;
[0067] 步骤 3,将 ColumnArv (j)，μ 和 σ 2代入式 取相关值C，根据相关值C的大小就可判断出疑似具有纵向撕裂故障的输送带图像。
[0068] 纵向撕裂故障分类识别方法在检测之前需要定义一种原型特征向量代表输送带 图像的每个类别，识别时待检测图像的特征向量按照预先定义的相似性度量与其距离最近 的类别，就是该检测图像所属的类别。原型特征向量是在先检测之前通过采集大量的样本 值训练得到的，因此不会影响在线检测的实时性，训练样本种类越多，数量越大越有利于输 送带故障检测的准确性。实现步骤如下：
[0069] 步骤1，对阈值分割处理后的输送带图像进行几何特征统计得到特征向量；
[0070] 步骤2,计算特征向量与各类输送带图像原型特征向量的距离；
[0071] 步骤3,找出待识别图像特征向量和原型特征向量距离最小的那一类输送带图像 的类别就是待识别图像的类别；
[0072] 步骤4,如果待识别图像数据具有纵向撕裂故障的输送带图像类，则应发出报警信 号。
[0073] 实际应用表明，本发明可以快速、准确的识别输送带纵向撕裂故障，并能及时发出 报警信号，提高了输送带纵向撕裂故障在线检测的准确性和实时性，在工业应用中具有良 好的使用价值。
【主权项】
1. 输送带纵向撕裂故障在线检测方法，其技术特征为，该检测方法的实现步骤： 步骤1，通过(XD线阵摄像机采集并组成一幅二维输送带表面图像I(x，y)，通过千兆以 太网传输给运行在远程计算机上的输送带纵向撕裂故障在线检测系统； 步骤2,取特征元素求图像I(x，y)的灰度值形态学梯度Im(x，y); 步骤3,采用灰度值形态学梯度和单尺度Retinex(SSR)算法的输送带图像去雾增强算 法对采集到的输送带图像进行去雾增强处理，获取较高质量的输送带图像； 步骤4,对处理好的输送带图像进行纵向撕裂故障预判，采用纵向撕裂故障预判方法判 断出疑似具有纵向撕裂故障的输送带图像； 步骤5,对疑似具有纵向撕裂故障的输送带图像进行阈值分割处理，采用灰度平均法的 改进遗传算法的阈值分割算法对疑似具有纵向撕裂故障的输送带图像进行阈值分割，该方 法通过编码、初始群体的生成、适应度函数、选择运算、交叉运算、变异和终止条件等步骤找 出最佳阈值，然后根据最佳阈值分割输送带图像； 步骤6,采用几何特征统计法对分割后的图像进行特征提取，获得由区域面积Area，细 长度SR和矩形度rectratio组成的特征向量vRip= (Area，SR，rectratio); 步骤7,采用纵向撕裂故障分类识别方法对特征向量vRip进行分类识别，确定是否发 生了纵向撕裂故障，如果确定发生了纵向撕裂故障，则发出报警信号。2. 权利要求1中步骤2所述的灰度值形态学梯度和SSR算法的输送带图像去雾增强算 法，其技术特征为该算法的实现步骤： 步骤1，取特征元素计算输送带表面图像I(x，y)的灰度值形态学梯度Im(x，y); 步骤2,将I(x，y)分为边缘区域L(x，y)和非边缘区域If (x，y); 步骤 3,建立高斯滤波函数G(x，y)，利用Ie(x，y) =I(x，y) ?Im(x，y)、If(x，y) =I(x，y)-Ie (x，y)和ZU,7) = /e〇, /) + //x，7) ?GU,r)估计亮度分量L(x，y); 步骤4,根据式log(R(x，y)) =log(I(x，y))_log(L(x，y))计算反射分量图像的初始 值； 步骤5,求反射分量图像初始值的最大值和最小值； 步骤6,对反射分量图像进行分段线性灰度校正，得到处理后的输送带图像。3. 权利要求1步骤3所述的灰度平均法的改进遗传算法的阈值分割算法，其技术特征 为该算法实现步骤： 步骤1，编码：采用二进制编码方式，输送带图像的灰度值范围为0~255,因此采用16 位二进制数据表示阈值编码； 步骤2,初始群体的生成：通常需要设置进化代数和最大进化代数，然后随机产生M个 个体作为初始群体，遗传算法以这个初始群体作为初始点开始迭代，M的大小影响遗传算法 的执行效率和结果，M太小，意味着搜索空间有限，不利于求取最优解，M太大，则增加了计 算的复杂度； 步骤3,适应度函数：也叫评价函数，用来判断群体中的解的优劣程度，适应度函数用 来对解进行适应度评价，本发明中的适应度函数采用灰度平均法中的阈值计算函数； 步骤4,选择运算：从群体中选择优胜的解，淘汰劣质解的操作就叫选择，选择的目的 是把优化的解直接遗传到下一代或通过配对交叉产生新的解再遗传到下一代，本发明中采 取根据当前解的代数，选择上一代中优化解遗传到下一代的方法，代数越大，则遗传的解的 个数越少，方便加快收敛； 步骤5,交叉：遗传算法中起核心作用的是遗传操作的交叉算子，交叉算子就是将两个 父代解的部分结构替换重新生成新解的操作，通过交叉，遗传算法的搜索能力也会快速提 高，本发明中采用双点交叉算子，两个交叉点分别位于16位二进制数的前8位和后8位，交 叉概率初始设置为P"= 0. 7,后期根据进化的进程进行自适应修改； 步骤6,变异：首先在群体中随机选择一个解，对选中的解以变异概率随机的改变解中 二进制数据串的值，设置变异初始概率Pm= 〇. 1，后期根据进化的进程进行自适应修改； 步骤7，终止条件：当进化过程中，得到了具有最大适应度的最优解，则终止计算。4. 权利要求1中步骤4所述的纵向撕裂故障预判方法，其技术特征为该方法的实现步 骤： 步骤1，设处理后的输送带图像f(x，y)是MXN的图像，通过式求的f(x，y)的列均值向量ColumnArv(j); 步骤2,计算ColumnArv(j)的均值y和方差〇2; 步骤3,将ColumnArv(j)，y和〇 2代入式求取相 关值C，根据相关值C的大小就可判断出疑似具有纵向撕裂故障的输送带图像。5. 权利要求1中步骤7所述的纵向撕裂故障分类识别方法，其技术特征为该方法实现 的步骤： 步骤1，对阈值分割处理后的输送带图像进行几何特征统计得到特征向量； 步骤2,计算特征向量与各类输送带图像原型特征向量的距离； 步骤3,找出待识别图像特征向量和原型特征向量距离最小的那一类输送带图像的类 别就是待识别图像的类别； 步骤4,如果待识别图像数据具有纵向撕裂故障的输送带图像类，则应发出报警信号。
【专利摘要】输送带纵向撕裂故障在线检测方法，属于无损检测领域。解决了输送带纵向撕裂故障的在线检测的问题，提高了检测的准确性和实时性。本发明采用灰度值形态学梯度和单尺度Retinex(SSR)算法的去雾增强算法对采集到的输送带图像进行去雾增强处理，提高了输送带图像的图像质量；采用灰度平均法的改进遗传算法的阈值分割算法获取输送带二值图像；采用一种输送带纵向撕裂故障预判、几何特征统计法和最小距离分类器相结合的输送带纵向撕裂图像特征提取与故障识别算法，提高纵向撕裂故障在线检测的准确性和实时性。在工业应用中具有良好的使用价值。
【IPC分类】B65G43/02
【公开号】CN105083916
【申请号】CN201510514664
【发明人】苗长云, 李 杰, 李现国, 张立东, 高长成
【申请人】天津工业大学, 天津市恒一机电科技有限公司
【公开日】2015年11月25日
【申请日】2015年8月18日