基于NSCT與PCNN的自適應輸送帶表面裂紋檢測

摘要：目前輸送帶表面裂紋檢測主要由人工完成，費時費力、容易漏檢，傳統(tǒng)缺陷檢測算法不能很好地提取顏色暗、對比度低的輸送帶裂紋目標。本文提出一種非下采樣Contourlet域變換(NSCT)與脈沖神經網(wǎng)絡(PCNN)融合的自適應輸送帶表面裂紋檢測算法，該算法通過NSCT將圖像分解成低頻子帶和多層高頻子帶，對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，對高頻子帶圖像提出一種結合快速連接PCNN和點火頻率圖自適應算法分割，最后利用形態(tài)學方法融合，提取裂紋目標。實驗結果表明，文中方法對于輸送帶表面裂紋目標正確率在95%以上。

　　輸送帶是用于皮帶輸送帶中起承載和運送物料作用的復合制品。輸送帶廣泛應用于煤礦、水泥、焦化、冶金、化工、鋼鐵等行業(yè)中輸送距離較短、輸送量較小的場合。在長期使用中，由于磨損等原因會造成輸送帶表面產生形狀不一的裂紋，若不及時發(fā)現(xiàn)處理，極有可能造成輸送帶撕裂，造成重大的經濟損失甚至安全事故。目前輸送帶表面裂紋檢測主要由人工完成，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需要停機完成，影響正常的生產活動。

　　近年來隨著圖像采集技術以及計算機圖像處理技術的提高，基于機器視覺的自動缺陷檢測系統(tǒng)開始廣泛使用。目前輸送帶表面裂紋缺陷檢測方法很少。太原理工大學的衛(wèi)霞等人^[1]提出二維熵裂紋目標提取算法;唐艷同等人[2]提出預設灰度門限閾值法，馮廣生等人^[3]提出了灰度直方圖閾值法，中北大學的魏濤等人^[4]提出腐蝕膨脹的數(shù)學形態(tài)學算法。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，基于機器視覺的輸送帶表面裂紋檢測算法還有很大的研究空間。

　　為了適應低對比度情況下輸送帶裂紋的準確分割，結合NSCT與PCNN的優(yōu)點，提出一種針對輸送帶裂紋目標的自適應提取算法，實驗結果表明，本文提出的算法能夠準確的提取裂紋目標，對基于機器視覺的輸送帶裂紋檢測提供一條新的思路。

1 經典NSCT變換

　　非下采樣Contourlet域(non-subsampled contourlet，NSCT)是在CT(contourlet)的基礎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)和非下采樣方向濾波器組(non-subsampled directional filter bank，NSDFB)來實現(xiàn)的^[5]。如圖1(a)所示，以圖像的三個尺度分解為例，其過程為：

　　(1)圖像在頻率域通過NSP分解成一個低頻子帶和一個高頻子帶，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節(jié)信息，可以用來精確描述輸送帶裂紋的大小;

　　(2)對高頻子帶使用NSDFB分解成多個方向子帶，每一個方向子帶描述圖像在此方向的細節(jié)信息，如圖1(b)所示，由于NSDBF是一個雙通道濾波器，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，實現(xiàn)對圖像的多尺度、多方向的分解^[6]。

2 經典PCNN模型

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

　　其數(shù)學模型為：

(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)為調制模型，公式(4)為點火部分，公式(5)為動態(tài)門限模型，下標i，j表示數(shù)字圖像中的某個像素，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分別為神經元i，j外部激勵、輸出和內部活動項調制結果，Y_kl為神經元S_ij的輸入，F_ij為饋送輸入，L_ij為連接輸入，θ_ij為脈沖產生器的閾值，β為神經元之間連接強度，V_F、α_F、V_L、α_L、V_θ和α_θ為連接權放大系數(shù)和迭代衰減時間常數(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矩陣。

　　PCNN網(wǎng)絡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，每一個像素可以理解為PCNN模型中相對應一個神經元，當其鄰域有相近灰度值的像素存在時，它就會被點火反饋，此像素得到加強，反之則減弱。通過這種方法突出圖像中邊緣、紋理等特征信息，它所構成的二值圖像就是PCNN的輸出分割圖像[8]。

3 NSCT與PCNN的自適應圖像分割算法

　　輸送帶圖像顏色灰暗，對比度較低，經典的缺陷檢測算法不能很好地檢測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，在解決小波變換多分辨率分析方法容易在采樣過程中信息丟失弊端同時準確獲得圖像的多角度信息，PCNN模型無需經過訓練就能從復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，但是PCNN有大量參數(shù)，每一個參數(shù)的設置都往往根據(jù)經驗，自適應能力很差^[9]。綜合分析NSCT特點和PCNN模型優(yōu)勢，提出一種針對輸送帶裂紋圖像的自適應分割算法。

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，對于每一個像素，只要它被點火，則它的N(i,j)鄰域內相似灰度值的像素也會被直接點火，連接輸入L_ij為1，否則為0。簡化后的公式為

(6)

　　簡化后的神經網(wǎng)絡模型如圖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輪廓、邊緣的能量，并且在同方向不同尺度上具有相關性^[10]。因此，提出一種快速連接PCNN分割算法，一個區(qū)域內所有的神經元同時點火，減少時延，提高效率。一個信號輸入之后，計算所有的輸出，并且更新連接域，直到輸出不變停止計算。輸入神經元僅需一次點火就可以將信息傳給連接域中所有的神經元。所以連接系數(shù)β越大，一次點火的波傳播的越遠。

　　在反饋模型公式(1)中，簡化反饋輸入F_ij為待處理圖像的歸一化亮度輸入，只與自身輸入有關，簡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性，其相關性越大，人眼就會更容易得注意到^[11]。因此，連接系數(shù)β應該與圖像中像素的相關程度與關，提出一種自適應的確定連接系數(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顯著特征，因此，像素清晰度與像素的連接系數(shù)正相關，像素清晰度越大，連接系數(shù)β的值就越大，其相關性就越大，這些相關的像素就比其他輸入像素更容易被捕獲點火，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行分解得到的高頻子帶系數(shù)，下標I,j表示數(shù)字圖像中的某個像素，f為圖像的灰度值。

　　所有像素的動態(tài)門限均相同，其為原圖像的灰度迭代門限值θ。

(10)

　　當像神經元的內部狀態(tài)大于門限值時，神經元點火，輸出Y_ij=1，否則輸出Y_ij=0。

(11)

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