基于NSCT与PCNN的自适应输送带表面裂纹检测.docVIP

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、对比度低的输送带裂纹目标。本文提出一种非下采样Contourlet域变换（NSCT）与脉冲神经网络（PCNN）融合的自适应输送带表面裂纹检测算法，该算法通过NSCT将图像分解成低频子带和多层高频子带，对低频子带图像提出一种邻域连接PCNN算法分割出裂纹的大致位置，对高频子带图像提出一种结合快速连接PCNN和点火频率图自适应算法分割，最后利用形态学方法融合，提取裂纹目标。实验结果表明，文中方法对于输送带表面裂纹目标正确率在95%以上。本文网络版地址：http：///article/281894.htm 　　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