技术领域本发明涉及皮带接头在线检测方法，具体为钢丝芯皮带接头X射线在线检测中自适应阈值标定方法。
背景技术：
钢丝绳芯输送带具有抗冲击性好、拉伸强度大、使用伸长小、承受过载能力强，工作平稳可靠等优势，已经被大范围应用于煤矿、建材、物流、冶金等各行各业。输送带作为企业运输的“大动脉”，将决定着企业的经济效益，合理利用则减少人工劳作，提高生产效率，如若不能保证它的安全运行，可能会造成严重后果。输送带断裂事故往往是由于没有及时发现小缺陷并及时维修，小缺陷变成大缺陷造成的。特别对于山西省来说，煤矿企业众多，一旦运输机发生皮带接头断裂的事故,导致运输系统出现问题,那么企业的整体运作就会中断。大功率的钢丝绳芯带式输送机在满负荷工作情况下,一旦输送带的接头部分发生问题,如果未安装断带保护装置,或者安装的断带保护装置未发挥正常的作用,就会给沿途的带式输送机机架带来破坏,导致托辊支架断裂,地基松动以及沿途铺设的线路及管路被破坏,严重时引起整个电路瘫痪或重大火灾等事故；同时由于运输物一般为矿产、金属等质量较大物体,可能会对沿途的输送带产生纵向撕裂或横向弯曲过度等损伤,以及运输物在输送带由于高速运行导致的不规则滑动,破坏皮带的表层,即使带有覆盖层保护的钢绳芯皮带也在所难免,而在运输系统中，钢绳芯皮带的成本大约占到整体成本的50％，定点维修十分必要；若运输物经常性地滑落到带式输送机的下方,还会破坏摆放在输送机下端的机电系统设备,例如滚筒支架、检测装置和拉紧装置等,甚至威胁到煤矿工人的人身安全,严重时发生死亡事故。若事故后想再次恢复投产运营,还需要大量的人力物力进行现场维修，不仅要让煤矿停产,给企业带来了严重的经济损失，还造成了大量的人员待工，产生资源浪费，后果非常严重。通过传统的人工检测方法实施定期检查已经不能满足企业的要求，需要技术革新，开发“实时”在线检测装置，以保证设备运行安全。目前工业上的主流在线检测方法是磁感应检测法和X射线检测法。但由于磁感应检测法技术较为复杂，与其判断的准确性不成正比，且无法做到实时检测，使用频率并不高，较多使用的是X射线检测法。基于X射线钢丝绳芯输送带检测系统主要组成部分包括：X光源、运行钢丝绳芯输送带、线阵探测器、信号控制箱、计算机及系统软件和供电电源，其组成框图如图1所示。系统的工作过程是通过系统参数配置界面，由用户手动设定检测图像保存路径，选择探测器的类型等参数，通过计算机控制信号控制箱，开启电源设备，X光源和线阵探测器。利用X射线检测原理，通过线阵探测器采集到的皮带灰度图像，采用系统设计的接头和缺陷检测算法，识别接头和缺陷，同时通过计算机实时显示皮带的运行状况。采集过程中，报警功能提醒用户检测到了接头图像，系统分别保存采集的皮带全部数据、缺陷和接头数据图像，采集结束后由系统软件自动停止光源、线阵，电源设备，并使用报表服务功能将检测到的接头图像及缺陷图像生成PDF报告。因为钢丝绳芯输送带内部是由许多柔软的细钢丝绳间隔一定的距离排列而成的，根据X射线的穿透性，当扇形X光穿透运行中的传输带时，钢绳芯部分的X射线的衰减程度降大于胶带部分的衰减程度，因此输送带上方的线性阵列探测器接收到的信号转换为图像像素电信号后，如图2所示，暗色部分为传输带内部的钢绳芯部分，亮色部分为传输带的胶带部分。对照图2中正常和接头图像可以看出，接头钢丝绳根数明显增多，抓住钢绳芯输送带接头部分的这一特点，可以作为一个用来区分钢绳芯输送带接头部分和输送带其他部分的手段。因此如何通过图像数据来计算出每一行的钢丝绳根数便显得尤为重要。由芬兰Oulu大学机器视觉小组的研究者Ojala等人提出的局部二进制模式(LBP)，由于其具有以下几点显著优势：(1)计算简便；(2)无需训练学习；(3)光照不线性；(4)易于工程实现，是一种有效的纹理描述算子。针对钢丝绳芯输送带X射线图像的特征，刘振东等、王晓凯等提出了线状纹理编码计算图像中每一行钢丝绳的根数。在线测量过程中，为减轻计算负荷，多使用采样计算方法。假设每张图像为1200行，可每隔30行进行一次钢丝绳根数的计算，所以每张图像可以得出40个钢丝绳根数。可动态计算出这40个数字的平均值，传统的算法是如果某一行计算出的钢丝绳根数超过平均值某一阈值(如4根)以上，则这一行被看作接头行。如果某一区域有连续的接头行，并且区域的高度在某一范围内，则该区域被判定为接头区域。传统的接头行标定存在一个问题是以一个人为设定的经验值作为阈值。阈值的大小直接影响接头行的判定，如果阈值设的太大，使得某些本该标记为接头行的没有标记为接头行，造成接头区域减小，甚至造成某些接头被漏检。如果设得太小，则可能使得某些不该标记为接头行的标记为接头行，接头区域变大，甚至可能造成某些普通皮带区域被标记为接头区域。如图3所示，(a)为正常阈值检测分割出的接头；(b)和(c)为阈值太小检测分割出的接头；(d)为阈值太大所分割出的接头。
技术实现要素：
本发明为了解决传统的接头行标定中阈值的选定是根据经验选定而造成接头图像标定不准确的问题，提供了钢丝芯皮带接头X射线在线检测中自适应阈值标定方法。本发明是采用如下的技术方案实现的：钢丝芯皮带接头X射线在线检测中自适应阈值标定方法，包括以下步骤：第一步：接头计数器置0；第二步：在线逐个读入视频流的每幅图像，如果接头计数器大于等于数据库中给定的接头数，则转入第八步；第三步：否则对读入图像每30行抽样一行，计算抽样行的线状纹理编码，从而得到抽样行钢丝芯根数，读入图像得到钢丝芯最大根数、最小根数、平均根数以及方差；第四步：进行判断，满足该公式的读入图像即为含有假定接头区域的图像，否则转入第二步继续读入视频流中下一幅图像；第五步：统计含有假定接头区域的图像中所有抽样行的行数直方图，在此基础上结合大津算法计算出最优阈值根数式中，表示利用大津算法计算的最优软阈值，thard表示根据经验人工设定的硬阈值；第六步：遍历含有假定接头区域的图像中所有抽样行，凡根数大于最优阈值根数t*的抽样行标定为接头行，否则标定为普通行，并对接头行进行计数，并存入接头行计数器，接头行之间的区域为假定接头区域；第七步：记录假定接头区域的起始位置和结束位置，从而得到其高度，凡高度满足给定高度并接头行计数器大于给定阈值的假定接头区域即被认定为接头区域，接头计数器加1，接头区域存入内存，含接头区域的图像即为接头图像，否则转入第二步读入视频流中下一幅图像；第八步：将内存中各个接头图像存入硬盘指定文件夹，停止在线测量，关闭X射线设备和皮带机。由于在线检测中产生的视频流中大多数是正常皮带图像，当判断为正常图像时，本发明不进行后继的接头检测算法而直接读取下一帧图像，这样就极大地减少了CPU的计算负荷；现有方法中有的用方差法来甄别正常及接头图像，但这种方法不够严格，有漏检接头的可能；还有不进行判断而逐帧检测接头方法，这种方法虽然不会漏检接头，却以增加了计算负荷为代价，并且有将正常图像区域错误标定为接头区域的可能性。本发明使用公式1来甄别正常及接头图像，解决了漏检接头的问题，且大大减少了计算负荷；本发明还采用公式7标定接头行方法，这种方法根据每幅图像中钢丝绳芯的根数的统计分布自适应调整接头行标定阈值，由此分割出的接头区域比较完整，基本消除了“半个接头”现象，以及漏接头和错判接头现象。附图说明图1为基于X射线钢丝绳芯输送带检测系统的组成框图。图2为钢丝绳芯输送带X射线图像。图3为阈值不同时所检测分割出的接头图像。图4为正常皮带根数的概率分布。图5为含接头皮带根数的概率分布。图6为采用“硬阈值法”和“软阈值法”得到的第一幅接头图像对照图。图7为采用“硬阈值法”和“软阈值法”得到的第二幅接头图像对照图。图8为采用“硬阈值法”和“软阈值法”得到的第三幅接头图像对照图。图9为采用“硬阈值法”和“软阈值法”得到的第四幅接头图像对照图。图10为采用“硬阈值法”和“软阈值法”得到的第五幅接头图像对照图。图11为采用“硬阈值法”和“软阈值法”得到的第六幅接头图像对照图。图12为采用“硬阈值法”和“软阈值法”得到的第七幅接头图像对照图。图13为采用“硬阈值法”和“软阈值法”得到的第八幅接头图像对照图。图14为采用“硬阈值法”和“软阈值法”得到的第九幅接头图像对照图。图15为采用“硬阈值法”和“软阈值法”得到的第十幅接头图像对照图。图16为采用“硬阈值法”和“软阈值法”得到的第十一幅接头图像对照图。图17为采用“硬阈值法”和“软阈值法”得到的第十二幅接头图像对照图。图18为采用“硬阈值法”和“软阈值法”得到的第十三幅接头图像对照图。图19为采用“硬阈值法”和“软阈值法”得到的第十四幅接头图像对照图。图20为采用“硬阈值法”和“软阈值法”得到的第十五幅接头图像对照图。图21为采用“硬阈值法”和“软阈值法”得到的第十六幅接头图像对照图。图22为采用“硬阈值法”和“软阈值法”得到的第十七幅接头图像对照图。图23为采用“硬阈值法”和“软阈值法”得到的第十八幅接头图像对照图。图24为采用“硬阈值法”和“软阈值法”得到的第十九幅接头图像对照图。图25为采用“硬阈值法”和“软阈值法”得到的第二十幅接头图像对照图。图26为采用“硬阈值法”和“软阈值法”得到的第二十一幅接头图像对照图。图27为采用“硬阈值法”和“软阈值法”得到的第二十二幅接头图像对照图。图28为采用“硬阈值法”和“软阈值法”得到的第二十三幅接头图像对照图。图29为采用“硬阈值法”和“软阈值法”得到的第二十四幅接头图像对照图。图30为采用“硬阈值法”和“软阈值法”得到的第二十五幅接头图像对照图。图31为采用“硬阈值法”和“软阈值法”得到的第二十六幅接头图像对照图。图32为采用“硬阈值法”和“软阈值法”得到的第二十七幅接头图像对照图。图33为采用“硬阈值法”和“软阈值法”得到的第二十八幅接头图像对照图。图34为采用“硬阈值法”和“软阈值法”得到的第二十九幅接头图像对照图。图35为采用“硬阈值法”和“软阈值法”得到的第三十幅接头图像对照图。图36为采用“硬阈值法”和“软阈值法”得到的第三十一幅接头图像对照图。具体实施方式钢丝芯皮带接头X射线在线检测中自适应阈值标定方法，包括以下步骤：第一步：接头计数器置0；第二步：在线逐个读入视频流的每幅图像，如果接头计数器大于等于数据库中给定的接头数，则转入第八步；第三步：否则对读入图像每30行抽样一行，计算抽样行的线状纹理编码，从而得到抽样行钢丝芯根数，读入图像得到钢丝芯最大根数、最小根数、平均根数以及方差；第四步：进行判断，满足该公式的读入图像即为含有假定接头区域的图像，否则转入第二步读入视频流中下一幅图像；第五步：统计含有假定接头区域的图像中所有抽样行的行数直方图，在此基础上结合大津算法计算出最优阈值根数式中，表示利用大津算法计算的最优软阈值，thard表示根据经验人工设定的硬阈值；第六步：遍历含有假定接头区域的图像中所有抽样行，凡根数大于最优阈值根数t*的抽样行标定为接头行，否则标定为普通行，并对接头行进行计数，接头行之间的区域为假定接头区域；第七步：记录假定接头区域的起始位置和结束位置，从而得到其高度，凡高度满足给定高度并接头行计数器大于给定阈值的假定接头区域认定为接头区域，接头计数器加1，接头区域存入内存，含接头区域的图像即为接头图像，否则转入第二步读入视频流中下一幅图像；第八步：将内存中各个接头图像存入硬盘指定文件夹，停止在线测量，关闭X射线设备和皮带机。具体实施时，正常钢丝芯皮带图像中的钢丝芯根数的概率分布是单峰分布，如图4所示，而含有接头区域的皮带图像中的钢丝芯根数的概率分布是双峰分布，如图5所示。首先，从图4和图5的差别上可以甄别出一幅图像是正常皮带图像还是含有接头区域的皮带图像，一般考虑用方差的大小来区别，但实际效果并不理想。原因在于在接头区域较小时方差并不大，当方差小于给定阈值时会被判为正常图像而不进行接头检测而漏失接头。更好的方法是使用测度最大根数—最小根数并结合方差甄别图像，即利用公式1甄别正常及接头图像，解决了漏检接头的问题。甄别出接头图像后，其次的问题是如何在判定为含有接头区域的图像中分割出大小合适的接头。如图3中(a)就是分割出的理想大小的接头，而其余的皆不理想。在线测量过程中，需要对采样行标记成正常行还是接头行，传统的算法是“硬阈值法”，即如果某一行计算出的钢丝绳根数超过根数平均值某一给定值之上，则这一行被标记成接头行，否则就标记为正常行。硬阈值定义为：thard＝平均根数+给定值(2)本发明是对于图5的双峰分布进行最优二值化聚类，上世纪70年代日本学者N.Otsu(大津展之)提出的“大津算法”可计算将两类分开的最佳阈值。这种算法的基本思想是穷举搜索能使类内方差最小，或者类间方差最大的阈值。大津展之证明了最小化类内方差和最大化类间方差是相同的。类内方差为两个类的方差的加权和：式中，权重ωi是被阈值t分开的两个类的概率，而是这两个类的方差。类间方差定义为其中μi为类均值，类概率ω1(t)用阈值为t的直方图计算：而类均值为：其中i为钢丝绳芯的根数。同样也可以计算出大于t的右侧直方图的ω2(t)与μ2。在最小根数和最大根数之间穷举并执行以上步骤，最终可得到最优软阈值实际标定中两种阈值各有千秋，硬阈值偏高，因此分割出的接头比较紧致，但有时有半个接头现象；而软阈值偏低，因此分割出的接头区域偏大，空白区较多，因此实际最佳阈值取其平均：t*=thard+tsoft*2---(7)]]>以某煤矿实际截出的接头图片说明效果，该煤矿皮带中实有31个接头，我们以“硬阈值法”和“软阈值法”相对照，如图6-图36所示，图6-图36中左侧图像为采用“硬阈值法”得到的接头图像，右侧为采用本发明中结合“软阈值法”得到的最佳阈值后分割出的接头图像。需要解释的有：1.左右不是平行对应的，但是错位对应的，如图30左侧图像对应于图24右侧图像，以此类推。造成错位的原因是“硬阈值法”将一个正常皮带区域错判为接头区域，如图11中左侧图像。2.“硬阈值法”的另外一个缺点是有“半个接头”现象，如图24和图36左侧图像，这会影响到后续的离线分析结果，如搭接数的计算。3.“软阈值法”也有不完美之处，如图13右侧图像偏大，不过不会影响到后续的离线分析结果，如搭接数的计算，只是不美观，这也是今后需进一步改进的方向。