摘  要： 以數(shù)字圖像處理技術(shù)為基礎(chǔ)，設(shè)計(jì)一種對(duì)提升機(jī)鋼絲繩進(jìn)行表面無(wú)損檢測(cè)的方法。首先利用Retinex理論的圖像增強(qiáng)算法消除光照影響，突出物體表面特征。然后采用Roberts邊緣檢測(cè)算子檢測(cè)目標(biāo)鋼絲繩邊緣，用列統(tǒng)計(jì)濾波技術(shù)將鋼絲繩本體與背景分離，再基于灰度變換和坎尼邊緣檢測(cè)器提取繩股紋理。接著使用一種改進(jìn)型積分投影方法反映繩股內(nèi)紋理完整性信息，最后通過(guò)BP神經(jīng)網(wǎng)絡(luò)模型作出最終結(jié)果的預(yù)測(cè)。從實(shí)驗(yàn)結(jié)果來(lái)看，本文的檢測(cè)方法能夠取代人工目視檢測(cè)，方便清晰，科學(xué)有效。

　　關(guān)鍵詞： 鋼絲繩無(wú)損檢測(cè)；Retinex算法；紋理識(shí)別；積分投影；BP神經(jīng)網(wǎng)絡(luò)

0 引言

　　隨著整個(gè)社會(huì)的工業(yè)化程度越來(lái)越高，鋼絲繩的使用也愈發(fā)普遍，它已經(jīng)成為機(jī)械、建筑、石油、電子、礦山、交通、娛樂(lè)、旅游等部門(mén)中不可或缺的重要構(gòu)件。

　　但是近年來(lái)鋼絲繩的使用安全問(wèn)題頻有發(fā)生，如何對(duì)其進(jìn)行安全評(píng)估與檢測(cè)也越發(fā)引人關(guān)注。在本文提到的提升機(jī)運(yùn)行過(guò)程中，鋼絲繩作為一種承重構(gòu)件，在使用的過(guò)程必然會(huì)因環(huán)境影響和長(zhǎng)期承重，引發(fā)形變、腐蝕、斷絲甚至驟斷現(xiàn)象，它的損傷情況和承載能力時(shí)刻關(guān)系到人們的生命財(cái)產(chǎn)安全。目前普遍采用人工定期檢查和周期強(qiáng)制更換鋼絲繩的辦法來(lái)保證安全運(yùn)行。但是這些方法要么不夠客觀科學(xué)，要么將浪費(fèi)巨大的人力物力，都無(wú)法滿足現(xiàn)代工業(yè)高效率、自動(dòng)化的要求。因而研究新的智能化的鋼絲繩缺陷檢測(cè)方法，對(duì)社會(huì)安全和國(guó)民經(jīng)濟(jì)都意義重大。本文以提取的鋼絲繩圖像的表面紋理特征作為缺陷識(shí)別的基礎(chǔ)，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的提升機(jī)鋼絲繩無(wú)損檢測(cè)方法[1]。

1 鋼絲繩無(wú)損檢測(cè)

　　1.1 基于Retinex理論的圖像預(yù)處理方法

　　由于本文是基于鋼絲繩表面紋理進(jìn)行識(shí)別，而所研究的對(duì)象處于光照不均勻的復(fù)雜環(huán)境中，得到的圖像常伴有陰影，影響判斷，所以首先要對(duì)圖像進(jìn)行一定程度的預(yù)處理。

　　根據(jù)Retinex算法理論，一幅給定的圖像由入射光圖像和反射光圖像兩部分組成，經(jīng)分析可知，入射光成分是整個(gè)圖像中變化緩慢的灰度分量，對(duì)應(yīng)了圖像的低頻成分；反射光成分則在圖像中表現(xiàn)為灰度分量急劇變化，反映物體的邊緣，對(duì)應(yīng)圖像的高頻成分。因此，為了消除光照帶來(lái)的影響，采取壓制低頻分量、突出高頻分量的方法，盡量反映物體細(xì)節(jié)，增強(qiáng)對(duì)比度，這就是Retinex理論的圖像增強(qiáng)算法。Retinex經(jīng)典的算法是將圖像用FFT運(yùn)算變換到頻域上來(lái)進(jìn)行處理。但是頻率域算法存在幾個(gè)比較明顯的缺點(diǎn)：（1）頻域是基于整幅圖像的，無(wú)法得到局部處理的效果；（2）用FFT運(yùn)算來(lái)回變換會(huì)大大增加計(jì)算量。為克服以上缺點(diǎn)，有人考慮將同態(tài)濾波放到空間域上來(lái)做，一般的做法是：對(duì)原始圖像進(jìn)行對(duì)數(shù)運(yùn)算，變換到對(duì)數(shù)域，分離圖像的低頻成分和高頻成分，接下來(lái)選用高斯低通濾波器對(duì)圖像進(jìn)行濾波得到低頻分量，再用原始圖像減掉低頻分量就可以得到最終所需要的高頻分量。由于最初用了取對(duì)數(shù)的方法，所以最后要進(jìn)行反對(duì)數(shù)運(yùn)算才能得到最終所需要的圖像。本文采用空域同態(tài)濾波算法[2]對(duì)鋼絲繩圖像進(jìn)行預(yù)處理，以消除不均勻光照帶來(lái)的降質(zhì)，運(yùn)算效率高，預(yù)處理效果好。具體算法步驟如下。

　　圖像的灰度函數(shù)f（x，y）可以看成是入射光分量與反射光分量的乘積：

　　f（x，y）=i（x，y）·r（x，y）（1）

　　其中，i（x，y）是入射光，而r（x，y）是反射光，且有0<i（x，y）<∞，0<r（x，y）<∞。對(duì)圖像作對(duì)數(shù)運(yùn)算，分離入射光和反射光，即：

　　z（x，y）=ln f（x，y）=ln i（x，y）+ln r（x，y）（2）

　　接下來(lái)對(duì)z（x，y）進(jìn)行低通濾波后，留下的將是低頻分量，即入射光分量：

　　z′（x，y）=LPF{z（x，y）}≈ln i（x，y）（3）

　　因此，為得到高頻增強(qiáng)的圖像（反射光分量），考慮用原圖減去低通濾波后的圖像：

　　s（x，y）=z（x，y）-z′（x，y）≈ln r（x，y）（4）

　　但是，通過(guò)實(shí)驗(yàn)觀察到，如果只是用原圖減去低通濾波的圖像，就等同于普通的高通濾波，僅僅增強(qiáng)了圖像細(xì)節(jié)而未能達(dá)到均勻光照的目的。為了得到放大高頻削弱低頻的效果，考慮加入一個(gè)入射光常量i0，保留所需要的低頻信息：

　　s（x，y）=z（x，y）-z′（x，y）+lni0≈ln r（x，y）+lni0（5）

　　最后，進(jìn)行反對(duì)數(shù)運(yùn)算，將s（x，y）變換回去：

　　s′（x，y）=exp[s（x，y）]≈i0r（x，y）（6）

　　由圖1、圖2對(duì)比可見(jiàn)，經(jīng)空間域Retinex算法后，光照影響幾乎消除。

　　1.2 鋼絲繩邊緣分割

　　為了把目標(biāo)鋼絲繩從不相干的背景圖像中分離出來(lái)，本文首先用Roberts算子對(duì)其進(jìn)行邊緣檢測(cè)[3]。Roberts邊緣檢測(cè)算子是利用對(duì)角線方向相鄰兩像素點(diǎn)灰度值之差近似梯度幅值的特性來(lái)檢測(cè)邊緣，令f（i，j）為輸入圖像，g（i，j）作為輸出的圖像，則Roberts邊緣梯度可由下式計(jì)算出：

　　g（i，j）={[f（i+1，j+1）-f（i，j）]2+[f（i，j+1）-f（i+1，j）]2}（7）

　　Roberts算子對(duì)本圖像的處理結(jié)果如圖3，可見(jiàn)其對(duì)鋼絲繩的邊緣比較敏感，能夠清晰地識(shí)別出鋼絲繩本體的輪廓。但由于背景信息的存在，仍不可避免地產(chǎn)生了一些雜點(diǎn)。觀察到鋼絲繩在圖像中垂直放置，而雜點(diǎn)分布在水平方向上，考慮采取統(tǒng)計(jì)濾波的方法，統(tǒng)計(jì)二值圖像每一列的白像素點(diǎn)，對(duì)結(jié)果進(jìn)行分析并設(shè)置閾值，濾除背景噪聲的干擾，得到最優(yōu)的改善后的邊緣圖像。然后基于這個(gè)圖像，就可以將目標(biāo)鋼絲繩從背景中提取出來(lái)，如圖4。

　　1.3 鋼絲繩表面斜向紋理識(shí)別

　　無(wú)損鋼絲繩表面斜向紋理將呈現(xiàn)連續(xù)狀態(tài)，接下來(lái)研究提取表面斜向紋理的方法。首先，為增強(qiáng)繩內(nèi)所需要的紋理細(xì)節(jié)，依照上文提到的Retinex原理，對(duì)圖像進(jìn)行高通濾波。因高通濾波后的圖像對(duì)比度較低，再對(duì)其進(jìn)行基于imadjust的灰度變換。

　　基于灰度變換圖像就可以對(duì)繩股紋理進(jìn)行提取。經(jīng)實(shí)驗(yàn)發(fā)現(xiàn)選用坎尼邊緣檢測(cè)器[3-4]將得到最理想的效果，如圖5?？材崴阕渝e(cuò)誤率低，能很好地定位邊緣點(diǎn)，并且只會(huì)產(chǎn)生單一的邊緣點(diǎn)。

　　1.4 改進(jìn)的積分投影算法

　　積分投影算法[5]是最為常用的一種投影算法。用它來(lái)獲取圖像的投影特征能夠很好地表達(dá)圖像在空間中水平方向和垂直方向的像素分布規(guī)律。本文著重垂直方向的像素特征，假設(shè)Fij表示圖像在（i，j）處的灰度值，在[y1，ym]的垂直積分投影PYj表示為：

　　由圖5可知，鋼絲繩的表面紋理為斜向延伸，因此，考慮對(duì)垂直投影積分算法進(jìn)行改進(jìn)，即將圖像進(jìn)行逆時(shí)針旋轉(zhuǎn)，在某一個(gè)角度域內(nèi)對(duì)所得的積分結(jié)果進(jìn)行最優(yōu)判斷，選出符合要求的最佳積分圖像。判斷的思路如下：由于當(dāng)垂直積分方向與鋼絲繩股走向一致時(shí)，每一條繩股所在的位置即對(duì)應(yīng)投影圖像上的一個(gè)極值點(diǎn)；實(shí)際中每幅圖像包含的目標(biāo)繩股數(shù)目相對(duì)固定，即所有有效極值點(diǎn)產(chǎn)生的平均能量相差不大。基于這兩個(gè)思路，可以對(duì)不同角度上的垂直積分投影圖像做出以下兩點(diǎn)限制：

　　（1）限制有效極值點(diǎn)Pi數(shù)量范圍，其值應(yīng)該等于每幅圖中設(shè)定的待檢測(cè)的繩股數(shù)量P的兩倍，因?yàn)槊扛K股會(huì)產(chǎn)生兩個(gè)邊緣，即兩個(gè)高度相近的極值點(diǎn)，如圖8。可將脈沖高度最大的2P個(gè)極值點(diǎn)作為有效極值點(diǎn)。

　?。?）限制圖像中有效極值點(diǎn)的平均能量值為EM，當(dāng)圖像在角度域內(nèi)旋轉(zhuǎn)過(guò)程中，EM達(dá)到最大時(shí)，可認(rèn)為積分方向與繩股方向垂直。因此，當(dāng)滿足以上兩點(diǎn)時(shí)，即可獲得積分角度最佳的圖像。

　　由于坎尼邊緣檢測(cè)得到圖像不可能是筆直的直線且邊緣較細(xì)，若在此基礎(chǔ)上直接進(jìn)行積分投影會(huì)產(chǎn)生較大的誤差，因此，首先對(duì)圖像進(jìn)行適當(dāng)?shù)呐蛎涍\(yùn)算以加粗邊緣，再進(jìn)行角度自適應(yīng)運(yùn)算，可得如圖6所示的結(jié)果。圖7、8分別為鋼絲繩表面無(wú)損和有損的情況下得到的垂直積分投影結(jié)果，通過(guò)比較可以明顯地在脈沖數(shù)量、脈沖寬度，以及脈沖能量平均值上加以區(qū)分，而這些也是下文建立的最終判斷模型的輸入。

2 2 基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩缺陷檢測(cè) 

　　為了對(duì)提升機(jī)鋼絲繩表面缺陷進(jìn)行智能判別，依照人工神經(jīng)網(wǎng)絡(luò)算法[6-7]原理，建立一個(gè)三層BP神經(jīng)網(wǎng)絡(luò)，包含輸入層、輸出層和隱含層。其中，輸入層節(jié)點(diǎn)數(shù)為4，其輸入值分別為有效脈沖數(shù)量、脈沖寬度、脈沖高度總和以及待檢測(cè)鋼絲繩的半徑，輸出層節(jié)點(diǎn)數(shù)為1，隱含層節(jié)點(diǎn)數(shù)為6。選用Sigmoid函數(shù)為激發(fā)函數(shù)，選用誤差信號(hào)反向傳播算法為訓(xùn)練算法。假設(shè)第k個(gè)訓(xùn)練樣本的第L-1層的第j個(gè)神經(jīng)元的傳輸函數(shù)和輸出分別為，則：

　　通過(guò)統(tǒng)計(jì)訓(xùn)練集的輸出結(jié)果，可以判斷閾值的范圍。上式中選取學(xué)習(xí)速率為0．1，瞬時(shí)常數(shù)為0.8，使用50幅鋼絲繩無(wú)損圖像和50幅鋼絲繩有損圖像來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，對(duì)表面有損的鋼絲繩，輸出為0，否則輸出為1。權(quán)值在開(kāi)始時(shí)選擇滿足正態(tài)分布的隨機(jī)數(shù)。表1為神經(jīng)網(wǎng)絡(luò)建模的部分輸出結(jié)果。

　　分析神經(jīng)網(wǎng)絡(luò)輸出和相應(yīng)的鋼絲繩狀態(tài)，選取神經(jīng)網(wǎng)絡(luò)模型輸出判斷閾值為0.6，這樣輸出結(jié)果大于0.6時(shí)判別為有損，小于0.6時(shí)則判別為無(wú)損。

　3 結(jié)果分析

　　將現(xiàn)場(chǎng)采集得到的80幅鋼絲繩原始圖片（表面無(wú)損40幅，表面有損40幅）作為輸入神經(jīng)網(wǎng)絡(luò)模型進(jìn)行無(wú)損檢測(cè)。通過(guò)BP神經(jīng)網(wǎng)絡(luò)智能判別模型，鋼絲繩檢測(cè)試驗(yàn)結(jié)果如表2所示。

　　可以看到，實(shí)驗(yàn)結(jié)果的準(zhǔn)確率均高于90%，且對(duì)有損的判斷還要更為準(zhǔn)確。因此，本文提出的方法具有一定的實(shí)際意義，可以替代人工檢測(cè)。另外，對(duì)誤差原因進(jìn)行分析，完好的鋼絲繩在實(shí)際應(yīng)用中常常伴有污漬或雜質(zhì)，而缺損的鋼絲繩可能斷絲并不明顯，這些都會(huì)影響判斷，造成誤判。但是誤差在可以接受的范圍之內(nèi)，這種算法可滿足實(shí)際檢測(cè)的需要。

4 結(jié)論

　　本文基于數(shù)字圖像技術(shù)，研究了一種基于鋼絲繩表面紋理識(shí)別的無(wú)損檢測(cè)方法，利用Roberts算子和統(tǒng)計(jì)濾波提取鋼絲繩圖像，坎尼檢測(cè)器提取繩股紋理圖像，并用一種改進(jìn)的垂直積分投影算法反映紋理分布特征，最后采用BP神經(jīng)網(wǎng)絡(luò)模型作出智能決策。通過(guò)實(shí)驗(yàn)結(jié)果可知，該方法方便簡(jiǎn)潔，實(shí)時(shí)性高，可以應(yīng)用于實(shí)際提升機(jī)運(yùn)行系統(tǒng)中。

　　參考文獻(xiàn)

　　[1] 袁方，胡斌梁，周知進(jìn).在役鋼絲繩缺陷檢測(cè)方法的研究現(xiàn)狀與展望[J].機(jī)械設(shè)計(jì)與制造，2010（2）：260-262.

　　[2] 聞莎，游志勝.性能優(yōu)化的同態(tài)濾波空域算法[J].計(jì)算機(jī)應(yīng)用研究，2000（3）：62-65.

　　[3] 馬艷，張治輝.幾種邊緣檢測(cè)算子的比較[J].工礦自動(dòng)化，2004（1）：54-56.

　　[4] 崔煒.基于改進(jìn)的Canny算子圖像信息提取算法研究[J].科技通報(bào)，2012，28（4），52-54.

　　[5] 馮建強(qiáng)，劉文波，于盛林.基于灰度積分投影的人眼定位[J].計(jì)算機(jī)仿真，2005（4）：75-76，104.

　　[6] 李春華，王璐.基于BP神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲檢測(cè)系統(tǒng)[J].黑龍江科技學(xué)院學(xué)報(bào)，2009，37（15），122-123.

　　[7] Liu Xiaosheng， Deng Zhe， Wang Tingli. Real estate appraisal system based on GIS and BP neural network[J].Transactions of Nonferrous Metals Society of China， 2011（S3）：626-630.