基于NSCT與PCNN的自適應(yīng)輸送帶表面裂紋檢測

(12)

　　快速連接PCNN分割算法模型如圖4所示。

　　NSCT與PCNN輸送帶裂紋圖像自適應(yīng)分割算法流程如圖5所示，具體步驟如下：

　　(1)用NSCT將輸送帶裂紋圖像進(jìn)行m尺度分解，得到一個低頻子帶系數(shù)和m個高頻子帶系數(shù);

　　(2)對低頻子帶，使用鄰域連接PCNN算法進(jìn)行計算，分割出裂紋目標(biāo)所在區(qū)域;

　　(3)對高頻子帶，使用快速連接PCNN算法進(jìn)行計算，并且結(jié)合點火頻率圖分割出裂紋目標(biāo);

　　(4)低頻圖分割結(jié)果能夠較好的覆蓋目標(biāo)所在區(qū)域，受噪聲和背景干擾較小，但目標(biāo)的邊緣、輪廓等細(xì)節(jié)特征比較模糊;高頻特征圖的分割結(jié)果能夠比較精確的獲取目標(biāo)的細(xì)節(jié)信息，但存在明顯的噪聲和背景干擾。為充分利用其各自優(yōu)勢，將高、低頻分割結(jié)果進(jìn)行“與”操作，再進(jìn)行必要的膨脹和腐蝕等形態(tài)學(xué)處理算法。

4 實驗結(jié)果與分析

　　為了驗證本文算法的有效性，通過線陣CCD相機(jī)獲取正在運行中的輸送帶裂紋圖像，與OTSU算法、文獻(xiàn)[12-13]算法進(jìn)行比較，結(jié)果如圖6所示。從圖中可以看出，OTSU算法根本無法提取裂紋目標(biāo)，文獻(xiàn)[12-13]方法雖然可以提取裂紋目標(biāo)，但是有些裂紋目標(biāo)含有大量噪聲，魯棒性較差。本文算法克服上述算法缺點，準(zhǔn)確的提取出裂紋目標(biāo)。

　　為進(jìn)一步檢驗本文算法的有效性和優(yōu)越性，選擇100張輸送帶圖片包括60張裂紋缺陷圖片及40張正常圖片，分別進(jìn)行橫向?qū)Ρ葯z測，實驗環(huán)境為：4核CPU、主頻2.50GHz、4GB內(nèi)存、Windows 7系統(tǒng)的臺式機(jī)、應(yīng)用軟件環(huán)境是Matlab 2010a，實驗圖像大小你為256×256，4種算法結(jié)果如表1所示。

　　可以看出，對于裂紋缺陷圖像，本文算法有6.7%的誤檢率，主要是因為這幾張裂紋較輕微，與背景差距較小;對于正常輸送帶圖像有7.5%的誤檢率，主要是因為部分輸送帶圖像上粘有粉塵等雜質(zhì)，被誤判為裂紋缺陷本文法達(dá)到了較好的效果。OTSU算法和文獻(xiàn)[13]算法運算速度較快但正確率較低，文獻(xiàn)[12]算法能夠保證一定的正確率但還有很大提升空間，本文算法雖然計算速度較慢，但正確率高。若用高級編程語言編寫本文算法，檢測時間將會有較大提升。

5 結(jié)論

　　由于輸送帶裂紋圖像整體對比度低，傳統(tǒng)檢測手段難以提取裂紋目標(biāo)，為此本文提出了一種基于NSCT和PCNN的自適應(yīng)裂紋缺陷檢測算法，該算法通過NSCT將圖像分解成低頻子帶和高頻子帶，對低頻子帶采用鄰域連接PCNN算法分割，對高頻子帶結(jié)合快速連接PCNN算法和點火頻率圖進(jìn)行分割，最后將二者分割后的圖像用形態(tài)學(xué)方法融合，最終提取裂紋目標(biāo)。

　　實驗結(jié)果表明，本文方法能有效地提取出不同輸送帶圖像的裂紋缺陷，對于本文算法處理時間較長的缺點，是下一步需要改進(jìn)的方向。

參考文獻(xiàn)：

　　[1]衛(wèi)霞. 基于圖像處理的傳送皮帶裂紋檢測[D]. 太原: 太原理工大學(xué), 2011

　　[2]唐艷同,喬鐵柱,牛犇.輸送帶縱向撕裂在線監(jiān)測預(yù)警系統(tǒng)的設(shè)計[J].煤礦機(jī)械, 2012, 33(5): 242-245

　　[3]馮廣生, 李文英. 圖像處理技術(shù)在膠帶撕裂檢測中的應(yīng)用[J]. 機(jī)械工程與自動化, 2007, (3): 104-106

　　[4]魏濤. 煤炭輸送帶裂紋檢測技術(shù)研究[D]. 太原：中北大學(xué)，2010.

　　[5]金星,李暉暉,時不麗.非下采樣Contourlet變換與脈沖耦合神經(jīng)網(wǎng)絡(luò)相結(jié)合的SAR與多光譜圖像融合[J]. 中國圖象圖形學(xué)報, 2012, 17(9): 1188-1195

　　[6]李雪琴,蔣紅海,劉培勇,等.非下采樣Contourlet域自適應(yīng)閾值面的磁瓦表面缺陷檢測[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報, 2014, 26(4): 553-558

　　[7]廖傳柱,張旦,江銘炎.基于ABC-PCNN模型的圖像分割[J]. 南京理工大學(xué)學(xué)報, 2014, 38(4): 558-565

　　[8]KONG W W, LEI Y J, LEI Y. Image fusion technique based on non-susampled contourlet transform and daptive unit-fast-linking pluse-coupled neural network[J]. IET Image Processing, 2011, 5(2): 113-121

　　[9]郝愛枝,鄭晟.基于NSCT-PCNN變換的多傳感器圖像融合[J]. 科學(xué)技術(shù)與工程, 2014, 14(1): 45-48

　　[10]YANG Shuyuan, WANG Min, LU Yanxiong, et al.Fusion of multiparametric SAR images based on SW-nonsusampled contourlet and PCNN[J]. Signal Processing, 2009, 89(12): 2596-2608

　　[11]SHI J, CHI Y, ZhANG N. Multichannel sampling and reconstruction of bandlimited signals in fractional Fourier domain[J]. IEEE Signal Processing Letters, 2010, 17(11):, 909–912

　　[12]李海燕,張榆鋒,施心陵,等.基于灰度迭代閾值脈沖耦合神經(jīng)網(wǎng)絡(luò)的圖像分割[J]. 計算機(jī)應(yīng)用, 2011, 31(10): 2753-2756

　　[13]李慶武,馬國翠,霍冠英,等.基于NSCT域邊緣檢測的側(cè)掃聲吶圖像分割新方法[J]. 儀器儀表學(xué)報, 34(8):1795-1800