基于NSCT與PCNN的自適應(yīng)輸送帶表面裂紋檢測(cè)

摘要：目前輸送帶表面裂紋檢測(cè)主要由人工完成，費(fèi)時(shí)費(fèi)力、容易漏檢，傳統(tǒng)缺陷檢測(cè)算法不能很好地提取顏色暗、對(duì)比度低的輸送帶裂紋目標(biāo)。本文提出一種非下采樣Contourlet域變換(NSCT)與脈沖神經(jīng)網(wǎng)絡(luò)(PCNN)融合的自適應(yīng)輸送帶表面裂紋檢測(cè)算法，該算法通過(guò)NSCT將圖像分解成低頻子帶和多層高頻子帶，對(duì)低頻子帶圖像提出一種鄰域連接PCNN算法分割出裂紋的大致位置，對(duì)高頻子帶圖像提出一種結(jié)合快速連接PCNN和點(diǎn)火頻率圖自適應(yīng)算法分割，最后利用形態(tài)學(xué)方法融合，提取裂紋目標(biāo)。實(shí)驗(yàn)結(jié)果表明，文中方法對(duì)于輸送帶表面裂紋目標(biāo)正確率在95%以上。

　　輸送帶是用于皮帶輸送帶中起承載和運(yùn)送物料作用的復(fù)合制品。輸送帶廣泛應(yīng)用于煤礦、水泥、焦化、冶金、化工、鋼鐵等行業(yè)中輸送距離較短、輸送量較小的場(chǎng)合。在長(zhǎng)期使用中，由于磨損等原因會(huì)造成輸送帶表面產(chǎn)生形狀不一的裂紋，若不及時(shí)發(fā)現(xiàn)處理，極有可能造成輸送帶撕裂，造成重大的經(jīng)濟(jì)損失甚至安全事故。目前輸送帶表面裂紋檢測(cè)主要由人工完成，這種方法不但精度差、效率低，容易造成漏檢或誤檢而且由于每次檢測(cè)需要停機(jī)完成，影響正常的生產(chǎn)活動(dòng)。

　　近年來(lái)隨著圖像采集技術(shù)以及計(jì)算機(jī)圖像處理技術(shù)的提高，基于機(jī)器視覺的自動(dòng)缺陷檢測(cè)系統(tǒng)開始廣泛使用。目前輸送帶表面裂紋缺陷檢測(cè)方法很少。太原理工大學(xué)的衛(wèi)霞等人^[1]提出二維熵裂紋目標(biāo)提取算法;唐艷同等人[2]提出預(yù)設(shè)灰度門限閾值法，馮廣生等人^[3]提出了灰度直方圖閾值法，中北大學(xué)的魏濤等人^[4]提出腐蝕膨脹的數(shù)學(xué)形態(tài)學(xué)算法。上述算法都取得了一定的成果，但是由于輸送帶工作環(huán)境惡劣，表面裂紋與輸送帶灰度較為相近，基于機(jī)器視覺的輸送帶表面裂紋檢測(cè)算法還有很大的研究空間。

　　為了適應(yīng)低對(duì)比度情況下輸送帶裂紋的準(zhǔn)確分割，結(jié)合NSCT與PCNN的優(yōu)點(diǎn)，提出一種針對(duì)輸送帶裂紋目標(biāo)的自適應(yīng)提取算法，實(shí)驗(yàn)結(jié)果表明，本文提出的算法能夠準(zhǔn)確的提取裂紋目標(biāo)，對(duì)基于機(jī)器視覺的輸送帶裂紋檢測(cè)提供一條新的思路。

1 經(jīng)典NSCT變換

　　非下采樣Contourlet域(non-subsampled contourlet，NSCT)是在CT(contourlet)的基礎(chǔ)上提出的一種多尺度、多方向的離散的圖像分解方法，它由非下采樣塔式分解濾波器(nonsubsampled pyramid，NSP)和非下采樣方向?yàn)V波器組(non-subsampled directional filter bank，NSDFB)來(lái)實(shí)現(xiàn)的^[5]。如圖1(a)所示，以圖像的三個(gè)尺度分解為例，其過(guò)程為：

　　(1)圖像在頻率域通過(guò)NSP分解成一個(gè)低頻子帶和一個(gè)高頻子帶，其中，低頻子帶包含的是圖像的輪廓信息，可以定位輸送帶裂紋的位置，高頻子帶包含的是圖像的細(xì)節(jié)信息，可以用來(lái)精確描述輸送帶裂紋的大小;

　　(2)對(duì)高頻子帶使用NSDFB分解成多個(gè)方向子帶，每一個(gè)方向子帶描述圖像在此方向的細(xì)節(jié)信息，如圖1(b)所示，由于NSDBF是一個(gè)雙通道濾波器，所以方向子帶的數(shù)目可以是2的任意次冪，低頻子帶繼續(xù)使用NSP分解，實(shí)現(xiàn)對(duì)圖像的多尺度、多方向的分解^[6]。

2 經(jīng)典PCNN模型

　　脈沖耦合神經(jīng)網(wǎng)絡(luò)(pulse-coupled neural network，PCNN)是第三代人工神經(jīng)網(wǎng)絡(luò)的代表，受生物視覺皮層神經(jīng)的啟發(fā)，提出基于大量神經(jīng)元的反饋網(wǎng)絡(luò)模型。一個(gè)基本的PCNN神經(jīng)元由以下三部分組成：接收域、調(diào)制域和脈沖產(chǎn)生域[7]，如圖2所示。

　　其數(shù)學(xué)模型為：

(1)

(2)

(3)

　(4)

(5)

　　其中，公式(1)為反饋輸入模型，公式(2)為耦合連接輸入模型，公式(3)為調(diào)制模型，公式(4)為點(diǎn)火部分，公式(5)為動(dòng)態(tài)門限模型，下標(biāo)i，j表示數(shù)字圖像中的某個(gè)像素，k，l表示中心像素的鄰域像素，n為迭代次數(shù)，S_ij、Y_ij、U_ij分別為神經(jīng)元i，j外部激勵(lì)、輸出和內(nèi)部活動(dòng)項(xiàng)調(diào)制結(jié)果，Y_kl為神經(jīng)元S_ij的輸入，F_ij為饋送輸入，L_ij為連接輸入，θ_ij為脈沖產(chǎn)生器的閾值，β為神經(jīng)元之間連接強(qiáng)度，V_F、α_F、V_L、α_L、V_θ和α_θ為連接權(quán)放大系數(shù)和迭代衰減時(shí)間常數(shù)，M_ijkl和W_ijkl分別為反饋輸入和耦合連接模型鄰域連接權(quán)矩陣。

　　PCNN網(wǎng)絡(luò)在圖像分割方面的基本原理可以描述為：二維灰度圖像矩陣M×N，每一個(gè)像素可以理解為PCNN模型中相對(duì)應(yīng)一個(gè)神經(jīng)元，當(dāng)其鄰域有相近灰度值的像素存在時(shí)，它就會(huì)被點(diǎn)火反饋，此像素得到加強(qiáng)，反之則減弱。通過(guò)這種方法突出圖像中邊緣、紋理等特征信息，它所構(gòu)成的二值圖像就是PCNN的輸出分割圖像[8]。

3 NSCT與PCNN的自適應(yīng)圖像分割算法

　　輸送帶圖像顏色灰暗，對(duì)比度較低，經(jīng)典的缺陷檢測(cè)算法不能很好地檢測(cè)出輸送帶表面裂紋缺陷。NSCT變換具有多分辨率、多方向的特點(diǎn)，在解決小波變換多分辨率分析方法容易在采樣過(guò)程中信息丟失弊端同時(shí)準(zhǔn)確獲得圖像的多角度信息，PCNN模型無(wú)需經(jīng)過(guò)訓(xùn)練就能從復(fù)雜的背景下提取到有用的信息，因此在圖像分割方面有很好的優(yōu)勢(shì)，但是PCNN有大量參數(shù)，每一個(gè)參數(shù)的設(shè)置都往往根據(jù)經(jīng)驗(yàn)，自適應(yīng)能力很差^[9]。綜合分析NSCT特點(diǎn)和PCNN模型優(yōu)勢(shì)，提出一種針對(duì)輸送帶裂紋圖像的自適應(yīng)分割算法。

3.1 NSCT低頻域圖像分割

　　在低頻子帶體現(xiàn)的是目標(biāo)的大致輪廓，即裂紋在輸送帶圖像中位置等基本信息，因此提出一種鄰域連接PCNN分割算法，對(duì)于每一個(gè)像素，只要它被點(diǎn)火，則它的N(i,j)鄰域內(nèi)相似灰度值的像素也會(huì)被直接點(diǎn)火，連接輸入L_ij為1，否則為0。簡(jiǎn)化后的公式為

(6)

　　簡(jiǎn)化后的神經(jīng)網(wǎng)絡(luò)模型如圖3所示。

3.2 NSCT高頻域圖像分割

　　在多層高頻子帶含有大量的裂紋目標(biāo)輪廓、邊緣的能量，并且在同方向不同尺度上具有相關(guān)性^[10]。因此，提出一種快速連接PCNN分割算法，一個(gè)區(qū)域內(nèi)所有的神經(jīng)元同時(shí)點(diǎn)火，減少時(shí)延，提高效率。一個(gè)信號(hào)輸入之后，計(jì)算所有的輸出，并且更新連接域，直到輸出不變停止計(jì)算。輸入神經(jīng)元僅需一次點(diǎn)火就可以將信息傳給連接域中所有的神經(jīng)元。所以連接系數(shù)β越大，一次點(diǎn)火的波傳播的越遠(yuǎn)。

　　在反饋模型公式(1)中，簡(jiǎn)化反饋輸入F_ij為待處理圖像的歸一化亮度輸入，只與自身輸入有關(guān)，簡(jiǎn)化掉其他輸入的影響;

(7)

(8)

　　在公式(8)中，連接系數(shù)β反映的是此像素的特征與其鄰域像素的相關(guān)性，其相關(guān)性越大，人眼就會(huì)更容易得注意到^[11]。因此，連接系數(shù)β應(yīng)該與圖像中像素的相關(guān)程度與關(guān)，提出一種自適應(yīng)的確定連接系數(shù)β的方法。

　　像素的清晰度是判定此像素是否為圖像邊緣的一個(gè)顯著特征，因此，像素清晰度與像素的連接系數(shù)正相關(guān)，像素清晰度越大，連接系數(shù)β的值就越大，其相關(guān)性就越大，這些相關(guān)的像素就比其他輸入像素更容易被捕獲點(diǎn)火，反之亦然。連接系數(shù)β的確定公式為

(9)

　　其中，m為NSCT將輸送帶裂紋圖像進(jìn)行分解得到的高頻子帶系數(shù)，下標(biāo)I,j表示數(shù)字圖像中的某個(gè)像素，f為圖像的灰度值。

　　所有像素的動(dòng)態(tài)門限均相同，其為原圖像的灰度迭代門限值θ。

(10)

　　當(dāng)像神經(jīng)元的內(nèi)部狀態(tài)大于門限值時(shí)，神經(jīng)元點(diǎn)火，輸出Y_ij=1，否則輸出Y_ij=0。

(11)

　　將所有神經(jīng)元的迭代點(diǎn)火次數(shù)之和由矩陣T進(jìn)行記錄，最終得到圖像各個(gè)高頻子帶PCNN點(diǎn)火頻率圖，由于PCNN點(diǎn)火迭代就是根據(jù)鄰域神經(jīng)元灰度值的相近與否來(lái)判斷，所以PCNN點(diǎn)火頻率圖能夠很好的反映所需要提取目標(biāo)的邊緣信息。