基于NSCT与PCNN的自适应输送带表面裂纹检测

摘要：目前输送带表面裂纹检测主要由人工完成，费时费力、容易漏检，传统缺陷检测算法不能很好地提取颜色暗、对比度低的输送带

>> 基于煤矿输送带横向断裂预报系统的构建与实现 基于空间自适应Bayesian缩减的NSCT域图像去噪方法 浅议输送带清扫器的形式与特点 遥感图像的NSCT自适应阈值去噪方法 煤矿用织物整芯阻燃输送带检测技术与工艺研究 基于NSCT和PCNN的改进梯度图像融合算法 矿用钢丝绳芯输送带横断检测装置的安装调试 有关矿用输送带纵向撕裂综合检测技术的研究 试论煤矿阻燃输送带及其检测 带式输送机输送带跑偏的原因探讨与解决方案 浅谈耐油橡胶输送带的研制与开发 新型材料轻型输送带的发展 浅谈芳纶输送带贴胶的研制 对延长输送带使用寿命的探讨 橡胶输送带覆盖胶的配方优化设计 浅谈输送带冷温粘接的检修 输送带耐磨性能的优化 模块输送带的热胀冷缩系数计算 KGT―1型强力输送带安全无损检测装置在古矿选煤厂的应用 浅谈煤矿带式输送机类型及输送带与托辊设计选型 常见问题解答 当前所在位置：

关键词：输送带；裂纹检测；非下采样Contourlet变换；脉冲神经网络

DOI：10.3969/j.issn.1005-5517.2015.10.018

亢伉（1987-），男，硕士，研究方向：图像处理。

输送带是用于皮带输送带中起承载和运送物料作用的复合制品。输送带广泛应用于煤矿、水泥、焦化、冶金、化工、钢铁等行业中输送距离较短、输送量较小的场合。在长期使用中，由于磨损等原因会造成输送带表面产生形状不一的裂纹，若不及时发现处理，极有可能造成输送带撕裂，造成重大的经济损失甚至安全事故。目前输送带表面裂纹检测主要由人工完成，这种方法不但精度差、效率低，容易造成漏检或误检而且由于每次检测需要停机完成，影响正常的生产活动。

近年来随着图像采集技术以及计算机图像处理技术的提高，基于机器视觉的自动缺陷检测系统开始广泛使用。目前输送带表面裂纹缺陷检测方法很少。太原理工大学的卫霞等人[1]提出二维熵裂纹目标提取算法；唐艳同等人[2]提出预设灰度门限阈值法，冯广生等人[3]提出了灰度直方图阈值法，中北大学的魏涛等人[4]提出腐蚀膨胀的数学形态学算法。上述算法都取得了一定的成果，但是由于输送带工作环境恶劣，表面裂纹与输送带灰度较为相近，基于机器视觉的输送带表面裂纹检测算法还有很大的研究空间。

为了适应低对比度情况下输送带裂纹的准确分割，结合NSCT与PCNN的优点，提出一种针对输送带裂纹目标的自适应提取算法，实验结果表明，本文提出的算法能够准确的提取裂纹目标，对基于机器视觉的输送带裂纹检测提供一条新的思路。

经典NSCT变换

非下采样Contourlet域（non-subsampled contourlet，NSCT）是在CT（contourlet）的基础上提出的一种多尺度、多方向的离散的图像分解方法，它由非下采样塔式分解滤波器（nonsubsampled pyramid，NSP）和非下采样方向滤波器组（non-subsampleddirectional filter bank，NSDFB）来实现的[5]。如图1（a）所示，以图像的三个尺度分解为例，其过程为：

（1）图像在频率域通过NSP分解成一个低频子带和一个高频子带，其中，低频子带包含的是图像的轮廓信息，可以定位输送带裂纹的位置，高频子带包含的是图像的细节信息，可以用来精确描述输送带裂纹的大小；

（2）对高频子带使用NSDFB分解成多个方向子带，每一个方向子带描述图像在此方向的细节信息，如图1（b）所示，由于NSDBF是一个双通道滤波器，所以方向子带的数目可以是2的任意次幂，低频子带继续使用NSP分解，实现对图像的多尺度、多方向的分解[6]。

经典PCNN模型

脉冲耦合神经网络（pulse-coupledneural network，PCNN）是第三代人工神经网络的代表，受生物视觉皮层神经的启发，提出基于大量神经元的反馈网络模型。一个基本的PCNN神经元由以下三部分组成：接收域、调制域和脉冲产生域[7]，如图2所示。

其数学模型为：

PCNN网络在图像分割方面的基本原理可以描述为：二维灰度图像矩阵M×N，每一个像素可以理解为PCNN模型中相对应一个神经元，当其邻域有相近灰度值的像素存在时，它就会被点火反馈，此像素得到加强，反之则减弱。通过这种方法突出图像中边缘、纹理等特征信息，它所构成的二值图像就是PCNN的输出分割图像[8]。

NSCT与PCNN的自适应图像分割算法

输送带图像颜色灰暗，对比度较低，经典的缺陷检测算法不能很好地检测出输送带表面裂纹缺陷。NSCT变换具有多分辨率、多方向的特点，在解决小波变换多分辨率分析方法容易在采样过程中信息丢失弊端同时准确获得图像的多角度信息，PCNN模型无需经过训练就能从复杂的背景下提取到有用的信息，因此在图像分割方面有很好的优势，但是PCNN有大量参数，每一个参数的设置都往往根据经验，自适应能力很差[9]。综合分析NSCT特点和PCNN模型优势，提出一种针对输送带裂纹图像的自适应分割算法。

3.1

NSCT低频域图像分割

在低频子带体现的是目标的大致轮廓，即裂纹在输送带图像中位置等基本信息，因此提出一种邻域连接PCNN分割算法，对于每一个像素，只要它被点火，则它的N（i，j）邻域内相似灰度值的像素也会被直接点火，连接输入Lij为1，否则为0。简化后的公式为

简化后的神经网络模型如图3所示。

3.2

NSCT高频域图像分割

在多层高频子带含有大量的裂纹目标轮廓、边缘的能量，并且在同方向不同尺度上具有相关性[10]。因此，提出一种快速连接PCNN分割算法，一个区域内所有的神经元同时点火，减少时延，提高效率。一个信号输入之后，计算所有的输出，并且更新连接域，直到输出不变停止计算。输入神经元仅需一次点火就可以将信息传给连接域中所有的神经元。所以连接系数β越大，一次点火的波传播的越远。

在反馈模型公式（1）中，简化反馈输入Fij为待处理图像的归一化亮度输入，只与自身输入有关，简化掉其他输入的影响；

在公式（8）中，连接系数β反映的是此像素的特征与其邻域像素的相关性，其相关性越大，人眼就会更容易得注意到[11]。因此，连接系数β应该与图像中像素的相关程度与关，提出一种自适应的确定连接系数β的方法。

像素的清晰度是判定此像素是否为图像边缘的一个显著特征，因此，像素清晰度与像素的连接系数正相关，像素清晰度越大，连接系数β的值就越大，其相关性就越大，这些相关的像素就比其他输入像素更容易被捕获点火，反之亦然。连接系数β的确定公式为其中，m为NSCT将输送带裂纹图像进行分解得到的高频子带系数，下标I，j表示数字图像中的某个像素，f为图像的灰度值。

所有像素的动态门限均相同，其为原图像的灰度迭代门限值θ。

当像神经元的内部状态大于门限值时，神经元点火，输出Yij=1，否则输出Yij=0。

将所有神经元的迭代点火次数之和由矩阵T进行记录，最终得到图像各个高频子带PCNN点火频率图，由于PCNN点火迭代就是根据邻域神经元灰度值的相近与否来判断，所以PCNN点火频率图能够很好的反映所需要提取目标的边缘信息。

快速连接PCNN分割算法模型如图4所示。

NSCT与PCNN输送带裂纹图像自适应分割算法流程如图5所示，具体步骤如下：

（1）用NSCT将输送带裂纹图像进行m尺度分解，得到一个低频子带系数和m个高频子带系数；

（2）对低频子带，使用邻域连接PCNN算法进行计算，分割出裂纹目标所在区域；

（3）对高频子带，使用快速连接PCNN算法进行计算，并且结合点火频率图分割出裂纹目标；

（4）低频图分割结果能够较好的覆盖目标所在区域，受噪声和背景干扰较小，但目标的边缘、轮廓等细节特征比较模糊；高频特征图的分割结果能够比较精确的获取目标的细节信息，但存在明显的噪声和背景干扰。为充分利用其各自优势，将高、低频分割结果进行“与”操作，再进行必要的膨胀和腐蚀等形态学处理算法。

实验结果与分析

为了验证本文算法的有效性，通过线阵CCD相机获取正在运行中的输送带裂纹图像，与OTSU算法、文献[12-13]算法进行比较，结果如图6所示。从图中可以看出，OTSU算法根本无法提取裂纹目标，文献[12-13]方法虽然可以提取裂纹目标，但是有些裂纹目标含有大量噪声，鲁棒性较差。本文算法克服上述算法缺点，准确的提取出裂纹目标。

为进一步检验本文算法的有效性和优越性，选择100张输送带图片包括60张裂纹缺陷图片及40张正常图片，分别进行横向对比检测，实验环境为：4核CPU、主频2.50GHz、4GB内存、Windows 7系统的台式机、应用软件环境是Matlab 2010a，实验图像大小你为256×256，4种算法结果如表1所示。

可以看出，对于裂纹缺陷图像，本文算法有6.7%的误检率，主要是因为这几张裂纹较轻微，与背景差距较小；对于正常输送带图像有7.5%的误检率，主要是因为部分输送带图像上粘有粉尘等杂质，被误判为裂纹缺陷本文法达到了较好的效果。OTSU算法和文献[13]算法运算速度较快但正确率较低，文献[12]算法能够保证一定的正确率但还有很大提升空间，本文算法虽然计算速度较慢，但正确率高。若用高级编程语言编写本文算法，检测时间将会有较大提升。

结论

由于输送带裂纹图像整体对比度低，传统检测手段难以提取裂纹目标，为此本文提出了一种基于NSCT和PCNN的自适应裂纹缺陷检测算法，该算法通过NSCT将图像分解成低频子带和高频子带，对低频子带采用邻域连接PCNN算法分割，对高频子带结合快速连接PCNN算法和点火频率图进行分割，最后将二者分割后的图像用形态学方法融合，最终提取裂纹目标。

实验结果表明，本文方法能有效地提取出不同输送带图像的裂纹缺陷，对于本文算法处理时间较长的缺点，是下一步需要改进的方向。

参考文献：

[1]卫霞，基于图像处理的传送皮带裂纹检测[D]，太原：太原理工大学，2011

[2]唐艳同，乔铁柱，牛模输送带纵向撕裂在线监测预警系统的设计[J]，煤矿机械，2012，33（5）：242-245

[3]冯广生，李文英图像处理技术在胶带撕裂检测中的应用[J]，机械工程与自动化，2007，（3）：104-106

[4]魏涛，煤炭输送带裂纹检测技术研究[D]，太原：中北大学，2010

[5]金星，李晖晖，时不丽非下采样Contourlet变换与脉冲耦台神经网络相结合的SAR与多光谱图像融合[J]，中国图象图形学报，2012，17（9）：1188-1195

[6]李雪琴，蒋红海，刘培勇，等非下采样Contourlet域自适应闻值面的磁瓦表面缺陷检测[J]，计算机辅助设计与图形学学报，2014，26（4）：553-558

[7]廖传柱，张旦，江铭炎，基于ABC-PCNN模型的图像分割[J]，南京理工大学学报，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]郝爱枝，郑晟，基于NSCT-PCNN变换的多传感器图像融台[J]，科学技术与工程，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，张榆锋，施心陵，等基于灰度迭代阈值脉冲耦台神经网络的图像分割[J]，计算机应用，2011，31（10）：2753-2756

[13]李庆武，马国翠，霍冠英，等基于NSCT域边缘检测的侧扫声呐图像分割新方法[J]，仪器仪表学报，34（8）：1795-1800