一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置制造方法及图纸

本发明专利技术属于图像处理技术领域，提出了一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置。该方法包括以下步骤：通过摄像机连续摄影记录动态运动中的钢丝绳得到视频信号；对视频信号进行处理，提取运动目标得到钢丝绳特征边缘上各像素点的振动轨迹；得到待测钢丝绳的柔度矩阵；步骤S4：利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；对钢丝绳损伤初始图像进行处理并提取特征，利用线性分类器做出基于纹理特征的表面缺陷判别。本发明专利技术解决了图像检测失误的问题，操作简单，成本低。

【技术实现步骤摘要】
一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置
本专利技术属于图像处理
，具体涉及一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置。
技术介绍
随着煤矿开采方式的多元化，各种型号的绞车也在煤矿斜巷运输中扮演着重要的角色。人员、设备进出矿井都需要借助绞车升降系统，工作时钢丝绳需要承担沉重的负担，并且井下环境特殊，在长期使用过程中钢丝绳容易出现钢丝绳磨损、裂纹、腐蚀、断丝等安全隐患，不及时更换钢丝绳容易出现钢丝绳断裂，必将发生重大的事故。如果能在钢丝绳出现断绳事故之前及时更换钢丝绳，就能有效的避免严重的事故发生。钢丝绳一般使用不超过两年，不管是否出现损坏，就得全部更换。煤矿用绞车升降系统所使用的钢丝绳价值一般在四五百万左右，这种仅依靠使用年限决定是否更换的方式，一方面存在很大的浪费，另一反面也不能保证安全，有时如果使用不正确的话，钢丝绳使用一年左右就会出现磨损、断裂、扭曲、变形的异常情况。钢丝绳探伤检测包括人工目检和电磁检测两大类。人工目检是指配备专门的工作人员定期以肉眼观测钢丝绳是否有损伤。该方法检测时间长，劳动强度大，检测人员易疲劳，效率低下且该方法较大依赖工作人员的专业素质和工作态度，主观性强导致漏检率高。电磁检测是指将待测钢丝绳磁化然后检测漏磁。此种方法设备复杂，成本高昂，且信号容易受到外界干扰产生失真，磁化不均也会给检测结果带来很大的误差。如何克服传统技术中的钢丝绳探伤检测系统的技术缺陷，是本领域的技术人员亟待解决的技术问题。
技术实现思路
本专利技术克服现有技术存在的不足，所要解决的技术问题为：提供一种检测准确，操作简单的基于机器视觉的矿用钢丝绳动态探伤检测方法和装置。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于机器视觉的矿用钢丝绳动态探伤检测方法，包括以下步骤：步骤S1：在钢丝绳前方架设摄像机，标定摄像机单位像素所代表的实际距离，获取距离标定参数，使钢丝绳匀速移动，通过摄像机连续摄影记录动态运动中的钢丝绳得到视频信号；步骤S2：对视频信号进行处理，提取运动目标得到钢丝绳特征边缘上各像素点的振动轨迹；步骤S3：根据钢丝绳特征边缘上各像素点的振动轨迹，得到钢丝绳沿绳长方向分布的位移空间序列矩阵，对该矩阵的各列作离散傅里叶变换，得到对应钢丝绳上各点的频响函数，根据频响函数的峰值识别出固有频率，并根据各点的频响函数的响应频率的幅值得到钢丝绳的模态振型，最终得到待测钢丝绳的柔度矩阵；步骤S4：设置BP神经网络，将BP神经网络的输入参量设置为钢丝绳的柔度矩阵，输出量设置为结构损伤单元和破损程度量化值，将每根钢丝绳划分成多个单元，并给每个单元设置多个刚度下降值，得到多种破损钢丝绳的柔度矩阵，作为训练样本进行训练；根据待测钢丝绳的柔度矩阵，利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；步骤S5：对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；步骤S6：依照Retinex原理，对钢丝绳损伤初始图像先进行高通滤波，再进行基于imadjust的灰度变换；然后提取处理后的图像的平滑度R和熵e，利用线性分类器，做出基于纹理特征的表面缺陷判别。所述步骤S2中，对视频信号进行处理的步骤为：步骤S201：背景模型的建立：利用多帧图像求平均值的方法建立背景模型；步骤S202：变化区域的检测：将视频序列中连续的两帧图像进行差分处理，确定背景的区域和运动变化的区域；步骤S203：运动目标检测：对当前帧图像处理，只对变化区域中图像与背景图像做差分来检测运动的物体；步骤S204：目标边缘识别：通过采用5次多项式拟合边缘灰度变化曲线来提取亚像素精度的边缘点；对一系列图像进行处理获得钢丝绳特征边缘上各像素点在某一时间段的振动轨迹。所述步骤S4中，设置样本训练BP神经网络的训练样本时，将每根钢丝绳划分成8个单元，根据断丝情况的不同，假设其刚度分别下降25％、40％，得到16种程度的破损状况，计算16种破损钢丝绳振动的固有频率和模态振型，取前两阶频率和振型，得到16组值，对其进行GSL变换，将其作为神经网络的训练样本。所述步骤S4中，设置样本训练BP神经网络时，选用Sigmoid函数为激发函数，选用误差信号反向传播算法为训练算法，权值的更新过程公式为：式中，第一项代表误差平均值的梯度，第二项代表瞬时项，第三项代表随机噪声项，t表示迭代次数，表示第t次迭代的第L层权值，表示delta误差，表示第k个训练样本的第L层的第j个神经元的输出，η表示学习因子，μ表示瞬时常数，表示随机噪声项。所述步骤S6中，平滑度R的计算公式为：R＝1-1/(1+σ2)；熵e的计算公式为：式中，σ表示图像的标准差，计算公式为：L表示灰度级，zi表示图像区域内各像素点灰度值，m表示平均灰度级，p(zi)表示图像区域内各像素点灰度值为zi的概率。所述步骤S6中，对钢丝绳损伤初始图像进行高通滤波和基于imadjust的灰度变换后，将图像进一步分割为更小的部分，提取每个部分的平滑度值和熵值，通过线性分类器对每一部分进行分类判断。所述步骤S6中，线性分类器包括平滑度分类阈值T1和熵分类阈值T2，当图像的平滑度R＞T1且熵e＞T2时，判定表面有缺陷，当图像的平滑度R＜T1且熵e＜T2时，判定表面完好。本专利技术还提供了一种基于机器视觉的矿用钢丝绳动态探伤检测装置，包括图像获取设备、控制器、存储器和显示器；所述图像获取设备用于获取钢丝绳的视频信号；所述控制器用于执行以下程序：从视频信号中提取运动目标，得到钢丝绳特征边缘上各像素点的振动轨迹；根据振动轨迹得到钢丝绳沿绳长方向分布的位移空间序列矩阵，对该矩阵的各列作离散傅里叶变换，得到对应钢丝绳上各点的频响函数，根据频响函数的峰值识别出固有频率，并根据各点的频响函数的响应频率的幅值得到钢丝绳的模态振型，最终得到钢丝绳的柔度矩阵；设置BP神经网络，将BP神经网络的输入参量设置为钢丝绳的柔度矩阵，输出量设置为结构损伤单元和破损程度量化值，将每根钢丝绳划分成多个单元，并给每个单元设置多个刚度下降值，得到多种破损钢丝绳的柔度矩阵，作为训练样本进行训练；根据待测钢丝绳的柔度矩阵，利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；依照Retinex原理，对钢丝绳损伤初始图像先进行高通滤波，再进行基于imadjust的灰度变换；然后提取处理后的图像的平滑度R和熵e，利用线性分类器，做出基于纹理特征的表面缺陷判别；所述存储器用于存储损伤的钢丝绳图片；所述显示设备用于显示损伤的钢丝绳图片并标记损伤位置和损伤程度。本专利技术与现有技术相比具有以下有益效果：本专利技术可以在正常生产的过程中实时对钢丝绳的状态进行视频摄影，并对钢丝绳进行背景分割，能够提供最完整的特征数据和提取运动目标，位置精确，速度快，并且可以解决单帧图像求取边缘寻找目标时背景颜色亮度灰度变化带来的目标求取失败。采用柔度矩阵的损伤识别与图像检测相结合的方式，利用损伤造成的钢丝绳应力变化对柔度的影响，解决了单纯使用图像检测技术因钢丝绳表面附着的油污以及其他工业杂质油污形成的斑点落在提取的绳股图像本文档来自技高网...

【技术保护点】
1.一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，包括以下步骤：步骤S1：在钢丝绳前方架设摄像机，标定摄像机单位像素所代表的实际距离，获取距离标定参数，使钢丝绳匀速移动，通过摄像机连续摄影记录动态运动中的钢丝绳得到视频信号；步骤S2：对视频信号进行处理，提取运动目标得到钢丝绳特征边缘上各像素点的振动轨迹；步骤S3：根据钢丝绳特征边缘上各像素点的振动轨迹，得到钢丝绳沿绳长方向分布的位移空间序列矩阵，对该矩阵的各列作离散傅里叶变换，得到对应钢丝绳上各点的频响函数，根据频响函数的峰值识别出固有频率，并根据各点的频响函数的响应频率的幅值得到钢丝绳的模态振型，最终得到待测钢丝绳的柔度矩阵；步骤S4：设置BP神经网络，将BP神经网络的输入参量设置为钢丝绳的柔度矩阵，输出量设置为结构损伤单元和破损程度量化值，将每根钢丝绳划分成多个单元，并给每个单元设置多个刚度下降值，得到多种破损钢丝绳的柔度矩阵，作为训练样本进行训练；根据待测钢丝绳的柔度矩阵，利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；步骤S5：对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；步骤S6：依照Retinex原理，对钢丝绳损伤初始图像先进行高通滤波，再进行基于imadjust的灰度变换；然后提取处理后的图像的平滑度R和熵e，利用线性分类器，做出基于纹理特征的表面缺陷判别。...

【技术特征摘要】
1.一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，包括以下步骤：步骤S1：在钢丝绳前方架设摄像机，标定摄像机单位像素所代表的实际距离，获取距离标定参数，使钢丝绳匀速移动，通过摄像机连续摄影记录动态运动中的钢丝绳得到视频信号；步骤S2：对视频信号进行处理，提取运动目标得到钢丝绳特征边缘上各像素点的振动轨迹；步骤S3：根据钢丝绳特征边缘上各像素点的振动轨迹，得到钢丝绳沿绳长方向分布的位移空间序列矩阵，对该矩阵的各列作离散傅里叶变换，得到对应钢丝绳上各点的频响函数，根据频响函数的峰值识别出固有频率，并根据各点的频响函数的响应频率的幅值得到钢丝绳的模态振型，最终得到待测钢丝绳的柔度矩阵；步骤S4：设置BP神经网络，将BP神经网络的输入参量设置为钢丝绳的柔度矩阵，输出量设置为结构损伤单元和破损程度量化值，将每根钢丝绳划分成多个单元，并给每个单元设置多个刚度下降值，得到多种破损钢丝绳的柔度矩阵，作为训练样本进行训练；根据待测钢丝绳的柔度矩阵，利用样本训练后的BP神经网络得到待测钢丝绳的损伤位置和损伤程度；步骤S5：对经过BP神经网络判断出的损伤位置单元作为ROI区域从整张图像中提取出来并保存成新的钢丝绳损伤初始图像；步骤S6：依照Retinex原理，对钢丝绳损伤初始图像先进行高通滤波，再进行基于imadjust的灰度变换；然后提取处理后的图像的平滑度R和熵e，利用线性分类器，做出基于纹理特征的表面缺陷判别。2.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S2中，对视频信号进行处理的步骤为：步骤S201：背景模型的建立：利用多帧图像求平均值的方法建立背景模型；步骤S202：变化区域的检测：将视频序列中连续的两帧图像进行差分处理，确定背景的区域和运动变化的区域；步骤S203：运动目标检测：对当前帧图像处理，只对变化区域中图像与背景图像做差分来检测运动的物体；步骤S204：目标边缘识别：通过采用5次多项式拟合边缘灰度变化曲线来提取亚像素精度的边缘点；对一系列图像进行处理获得钢丝绳特征边缘上各像素点在某一时间段的振动轨迹。3.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S4中，设置样本训练BP神经网络的训练样本时，将每根钢丝绳划分成8个单元，根据断丝情况的不同，假设其刚度分别下降25％、40％，得到16种程度的破损状况，计算16种破损钢丝绳振动的固有频率和模态振型，取前两阶频率和振型，得到16组值，对其进行GSL变换，将其作为神经网络的训练样本。4.根据权利要求1所述的一种基于机器视觉的矿用钢丝绳动态探伤检测方法，其特征在于，所述步骤S4中，设置样本训练BP神经网络时，选用Sigmoid函数为激...

【专利技术属性】
技术研发人员：乔铁柱，杨瑞云，张海涛，庞宇松，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西,14