[go: up one dir, main page]

CN103051872A - 基于图像边缘提取的输送带跑偏检测方法 - Google Patents

基于图像边缘提取的输送带跑偏检测方法 Download PDF

Info

Publication number
CN103051872A
CN103051872A CN2012105505770A CN201210550577A CN103051872A CN 103051872 A CN103051872 A CN 103051872A CN 2012105505770 A CN2012105505770 A CN 2012105505770A CN 201210550577 A CN201210550577 A CN 201210550577A CN 103051872 A CN103051872 A CN 103051872A
Authority
CN
China
Prior art keywords
edge
image
conveyor belt
conveying belt
deviation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2012105505770A
Other languages
English (en)
Other versions
CN103051872B (zh
Inventor
马艳华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Qingdao University of Science and Technology
Original Assignee
Qingdao University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Qingdao University of Science and Technology filed Critical Qingdao University of Science and Technology
Priority to CN201210550577.0A priority Critical patent/CN103051872B/zh
Publication of CN103051872A publication Critical patent/CN103051872A/zh
Application granted granted Critical
Publication of CN103051872B publication Critical patent/CN103051872B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于图像边缘提取的输送带跑偏检测方法，该方法包括下述步骤：采集原始图像；获取图像信息；边缘轮廓检测；边缘轮廓修复；边缘提取；边缘标记；跑偏距离计算；跑偏程度确定。通过对视频设备采集的原始图像进行边缘轮廓检测、边缘轮廓修复，直至提取到图像中输送带及转轴的边缘，并利用提取到的边缘检测输送带是否跑偏，提高了跑偏检测的准确性。

Description

基于图像边缘提取的输送带跑偏检测方法
技术领域
本发明属于图像处理技术领域，具体地说，是涉及一种基于图像处理的输送带跑偏检测方法，更具体地说，是涉及一种基于图像边缘提取的输送带跑偏检测方法。 
背景技术
输送带是输送系统的关键设备，它的安全、稳定运行直接影响到生产作业。输送带的跑偏是带式输送机的最常见故障，跑偏轻则会导致撒料、影响生产进度及损害输送带和相关机械设备；如果是长距离输送，如矿井使用过程中，还会因输送带跑偏增加输送带运行阻力，可能会引起矿井火灾、人员伤亡等严重事故。 
随着自动化技术的不断提高、通信和控制技术的不断发展，输送带监控技术也在逐步提高，如输送带自动纠偏装置等在输送系统中发挥着很大作用。而也正是因为自动化及智能化技术的提高，带来的往往是无人监守，导致某一功能一旦失效不能及时发现。另外，在输送系统中，虽然视频监控设备也在运行着，但其实际意义仅是视频监视，还需要人工观察监控图像来发现和判断输送带是否跑偏。因此，自动、及时发现输送带是否跑偏，并能以准确、恰当的方式通知相关人员，对于预防和减少恶性事故的发生、消除故障隐患、保证人身和设备安全、提高劳动生产率是至关重要的。 
发明内容
本发明的目的在于提供一种基于图像边缘提取的输送带跑偏检测方法，通过对视频设备采集的原始图像进行边缘轮廓检测、边缘轮廓修复，直至提取到图像中输送带及转轴的边缘，并利用提取到的边缘检测输送带是否跑偏，提高了跑偏检测的准确性。 
为实现上述发明目的，本发明采用下述技术方案予以实现： 
一种基于图像边缘提取的输送带跑偏检测方法，所述方法包括下述步骤：
a1、采集原始图像：获取包括有输送带和输送带左右两侧的转轴的原始图像；
a2、获取图像信息：获取原始图像的宽度 
Figure 222790DEST_PATH_IMAGE001
、高度
Figure 202247DEST_PATH_IMAGE002
及灰度图像
Figure 795034DEST_PATH_IMAGE003
；
a3、边缘轮廓检测：对于灰度图像
Figure 190243DEST_PATH_IMAGE003
，定义输送带运行方向为
Figure 66932DEST_PATH_IMAGE004
方向，计算任意相邻两列的灰度值之差，获得差值图像
Figure 889395DEST_PATH_IMAGE005
； 
设定灰度阈值
Figure 969477DEST_PATH_IMAGE006
，按照下述公式对差值图像
Figure 168377DEST_PATH_IMAGE007
作二值化处理，获得二值化的边缘轮廓图像
Figure 899573DEST_PATH_IMAGE008
，
对于任意
Figure 697197DEST_PATH_IMAGE009
，
Figure 451526DEST_PATH_IMAGE010
，
Figure 250855DEST_PATH_IMAGE011
Figure 774240DEST_PATH_IMAGE012
 ；
a4、边缘轮廓修复：采用基于形状和方向性的滤波模板与边缘轮廓图像
Figure 321076DEST_PATH_IMAGE008
作卷积，获得图像
Figure 596200DEST_PATH_IMAGE014
，定义，则边缘轮廓修复图像为
Figure 387887DEST_PATH_IMAGE016
；
a5、边缘提取：根据下述公式从边缘轮廓修复图像
Figure 179125DEST_PATH_IMAGE017
中提取边缘，获得边缘图像
Figure 70989DEST_PATH_IMAGE018
 
Figure 568966DEST_PATH_IMAGE019
；
a6、边缘标记：用二维矩阵
Figure 402930DEST_PATH_IMAGE020
、、
Figure 46194DEST_PATH_IMAGE022
和
Figure 398678DEST_PATH_IMAGE023
分别标记输送带左侧转轴边缘、输送带左侧边缘、输送带右侧边缘和输送带右侧转轴边缘，矩阵中的元素为相应边缘上的点的坐标值；
a7、跑偏距离计算：计算输送带左侧转轴边缘
Figure 403543DEST_PATH_IMAGE020
与输送带左侧边缘
Figure 654527DEST_PATH_IMAGE021
之间的平均距离
Figure 75144DEST_PATH_IMAGE024
、输送带右侧边缘与输送带右侧转轴边缘
Figure 723480DEST_PATH_IMAGE023
之间的平均距离
Figure 461760DEST_PATH_IMAGE025
，计算
Figure 686068DEST_PATH_IMAGE026
与
Figure 809881DEST_PATH_IMAGE027
的距离偏差
Figure 907282DEST_PATH_IMAGE028
和中间距离
Figure 319808DEST_PATH_IMAGE029
；
a8、跑偏程度确定：根据公式确定输送带是否跑偏及跑偏程度；
其中，
Figure 591707DEST_PATH_IMAGE031
为灰度图像中像素点的位置，
Figure 597359DEST_PATH_IMAGE009
，
Figure 497181DEST_PATH_IMAGE010
；
Figure 125609DEST_PATH_IMAGE032
为滤波模板的坐标位置，
Figure 240327DEST_PATH_IMAGE033
，
Figure 600901DEST_PATH_IMAGE034
；
Figure 50337DEST_PATH_IMAGE035
和
Figure 420138DEST_PATH_IMAGE036
分别为输送带左侧转轴边缘和输送带右侧转轴边缘的长度，
Figure 123783DEST_PATH_IMAGE037
为输送带左侧转轴边缘在
Figure 983155DEST_PATH_IMAGE004
方向上的起点与输送带左侧边缘在方向上的起点沿
Figure 578532DEST_PATH_IMAGE004
方向上的距离，
Figure 589214DEST_PATH_IMAGE038
为输送带右侧转轴边缘在方向上的起点与输送带右侧边缘在
Figure 715618DEST_PATH_IMAGE004
方向上的起点沿
Figure 237342DEST_PATH_IMAGE004
方向上的距离。
如上所述的方法，所述滤波模板可以为下述宽度为1的基准模板： 
Figure 303704DEST_PATH_IMAGE039
。 
进一步的，为提高边缘轮廓的修复能力，所述滤波模板
Figure 700182DEST_PATH_IMAGE013
优选为所述基准模板
Figure 949897DEST_PATH_IMAGE040
在所述连线上各点的垂线方向上左右两侧对称扩展若干个值为1的像素点后的扩展模板，也即宽度大于1的滤波模板。 
如上所述的方法，为提高数据处理速度，所述步骤a1采集的原始图像为RGB彩色图像
Figure 997488DEST_PATH_IMAGE041
，其灰度图像为。 
如上所述的方法，在所述步骤a3中，灰度阈值
Figure 191020DEST_PATH_IMAGE006
优选为。 
如上所述的方法，在所述步骤a8之后还包括下述步骤： 
a9、根据跑偏程度
Figure 146523DEST_PATH_IMAGE044
的大小输出不同级别的报警信号。
与现有技术相比，本发明的优点和积极效果是：本发明通过对视频设备采集的原始图像进行边缘轮廓检测、边缘轮廓修复，直至提取到图像中输送带及转轴的边缘，利用提取到的边缘检测输送带是否跑偏，保证了边缘的连续性和准确性，提高了跑偏检测结果的可靠性和稳定性。 
结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。 
附图说明
图1是本发明基于图像边缘提取的输送带跑偏检测方法一个实施例的流程图； 
图2至图6是图1实施例中经不同步骤处理后的图像；
图7（a）和图7（b）是图1实施例所用的、宽度为1的基准滤波模板示意图；
图8（a）和图8（b）是图1实施例所用的、宽度为3的扩展滤波模板示意图。 
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细的说明。 
首先，简要说明本发明的技术思路：对于生产现场用长距离的输送带来说，为保证输送带平稳运行，在输送带左右两侧的下方分别设置有多对转轴，称之为输送带左侧转轴和输送带右侧转轴。左侧转轴的左边缘和右侧转轴的右边缘分别位于输送带左侧边缘和输送带右侧边缘的外侧，且转轴的位置是固定不变的。如此一来，就可以将输送带左侧转轴和输送带右侧转轴作为参照边缘，获取输送带运行过程中的实际左侧边缘和右侧边缘，根据输送带边缘与相应侧的转轴边缘之间的距离变化检测输送带是否跑偏，以及跑偏时的跑偏程度。 
请参考图1至图6示出的本发明基于图像边缘提取的输送带跑偏检测方法的一个实施例，该实施例以检测煤矿中运输煤炭的输送带为例。其中，图1为该实施例的流程图，图2至图6为经不同步骤处理后的图像，用于说明图1流程中各步骤的具体处理结果，而且，图2至图6为原始图像中的部分图像处理后的结果图像。 
该实施例检测输送带是否跑偏及跑偏程度大小的具体处理过程如下： 
步骤101：流程开始。
步骤102：采集原始图像。 
利用设置在输送带运输现场的摄像头拍摄图像作为原始图像，通过调整摄像头的设置位置，保证所拍摄的原始图像中不仅包括有输送带，还包括有设置在输送带左右两侧的转轴。 
步骤103：获取图像信息。 
考虑到原始图像一般较大，全部处理速度较慢，而且，原始图像中会存在拍摄时间、拍摄地点等附加文字信息，容易对检测造成较大的干扰。鉴于此，该实施例采取从原始图像中截取包含输送带及其两侧转轴、且干扰较少的部分图像（具体截取可以根据摄像头的安放位置、附加文字信息在图像中的位置来确定）作为后续处理的实际图像。对实际图像进行数据分析，获取图像的宽度
Figure 440233DEST_PATH_IMAGE001
、高度
Figure 732674DEST_PATH_IMAGE002
，同时判断图像是彩色图像还是灰度图像。目前，摄像头所拍摄的图像一般均为彩色图像，用RGB三色表示为
Figure 652088DEST_PATH_IMAGE041
。对于彩色图像，需要将其转换为灰度图像：
Figure 346375DEST_PATH_IMAGE042
，其中，
Figure 825634DEST_PATH_IMAGE031
为灰度图像中像素点的位置，
Figure 933267DEST_PATH_IMAGE009
，
Figure 328476DEST_PATH_IMAGE010
。经灰度变换后的图像
Figure 690319DEST_PATH_IMAGE003
如图2所示。 
除了采用上述公式计算灰度图像之后，还可以采用其他公式来计算，例如，RGB三色所占比重各不相同的计算方式，该实施例对此不作限定。 
步骤104：检测图像中的边缘轮廓。 
对于灰度图像
Figure 778360DEST_PATH_IMAGE003
，定义输送带运行方向为沿
Figure 107710DEST_PATH_IMAGE004
方向。然后，计算任意相邻两列的灰度值之差，获得差值图像
Figure 306611DEST_PATH_IMAGE005
。差值图像
Figure 522959DEST_PATH_IMAGE007
如图3所示。 
然后，设定灰度阈值
Figure 844219DEST_PATH_IMAGE006
，按照下述公式对差值图像
Figure 598549DEST_PATH_IMAGE007
作二值化处理，获得如图4所示的二值化后的边缘轮廓图像
Figure 148610DEST_PATH_IMAGE008
： 
对于任意
Figure 671995DEST_PATH_IMAGE009
，
Figure 164156DEST_PATH_IMAGE010
，
Figure 950322DEST_PATH_IMAGE011
Figure 491025DEST_PATH_IMAGE012
 。
其中，灰度阈值
Figure 196813DEST_PATH_IMAGE006
可以根据图像大小及检测精度来选择。优选的，灰度阈值为差值图像
Figure 73950DEST_PATH_IMAGE007
中所有点的灰度值的平均值，即                 。 
经上述处理之后，可以获得图4中自左向右依次排列的输送带左侧转轴边缘轮廓、输送带左侧边缘轮廓、输送带右侧边缘轮廓和输送带右侧转轴边缘轮廓。而且，从该边缘轮廓图像中还可以看出，边缘轮廓图像
Figure 713059DEST_PATH_IMAGE008
为具有一定宽度的一个边缘框架，且图像边缘存在有缺陷（边缘不连续）和/或多余的毛刺。这是由于在拍摄原始图像时，受灯光光线的反射、输送带上运输物等的光的折射和反射等的影响而使得检测到的输送带边缘或输送带转轴边缘产生缺陷或毛刺。为保证检测准确性，该实施例采用滤波模板对边缘轮廓图像滤波，以修复边缘轮廓，具体如下面的步骤所述。 
步骤105：采用滤波模板对边缘轮廓图像进行修复。 
考虑到输送带边缘和输送带转轴边缘都是直线型形状，且因拍摄角度的问题这些边缘基本上是沿
Figure 32176DEST_PATH_IMAGE004
方向或者稍微偏离，因此，该实施例采用基于形状和方向性的滤波模板
Figure 248394DEST_PATH_IMAGE013
对边缘轮廓图像进行修复。具体修复过程如下： 
首先，利用滤波模板
Figure 193216DEST_PATH_IMAGE013
与边缘轮廓图像
Figure 545700DEST_PATH_IMAGE008
作卷积，获得图像
Figure 301297DEST_PATH_IMAGE014
；然后，定义
Figure 739232DEST_PATH_IMAGE015
，则边缘轮廓修复图像为
Figure 222166DEST_PATH_IMAGE016
。在该公式中，
Figure 510714DEST_PATH_IMAGE032
为滤波模板的坐标位置，，
Figure 346132DEST_PATH_IMAGE034
。
对于滤波模板来说，其尺寸既不能过大也不宜过小，尺寸过大，不仅处理速度慢，可能会误滤除真正的边缘像素点，而尺寸过小，则极有可能将噪声点误认为边缘点而保留，降低了滤波效果。滤波模板可以采用宽度为1的基准模板，其表达式为： 
Figure 710566DEST_PATH_IMAGE045
。
而考虑到边缘轮廓方向的不确定性，优选采用具有更大宽度的扩展模板，该扩展模板是由基准模板
Figure 57233DEST_PATH_IMAGE040
在值为1的各像素点构成的连线上的各点的垂线方向上左右两侧对称扩展若干个值为1的像素点后而获得的一个滤波模板。图7示出了尺寸为5*5、宽度为1的一个基准滤波模板，而图8所示为尺寸是7*3、宽度是3的一个扩展滤波模板。在该实施例中，优选采用图8示出的扩展滤波模板对边缘轮廓图像进行滤波，从而获得如图5所示的边缘轮廓修复图像
Figure 45229DEST_PATH_IMAGE017
。 
步骤106：从边缘轮廓修复图像中提取边缘。 
步骤105所获得的边缘轮廓修复图像
Figure 226812DEST_PATH_IMAGE047
一般不会是真正的边缘，会存在一定的宽度。为便于计算，同时保证边缘检测准确性，需要从边缘轮廓修复图像中提取出真正的边缘。 
考虑到输送带边缘及输送带转轴边缘一般是沿
Figure 2012105505770100002DEST_PATH_IMAGE049
方向或者
Figure 744381DEST_PATH_IMAGE049
稍偏
Figure 457253DEST_PATH_IMAGE051
的方向，因此，采用沿
Figure 85680DEST_PATH_IMAGE051
方向寻找中心点的方法从边缘轮廓修复图像中提取边缘。具体来说，是根据下述公式从边缘轮廓修复图像
Figure 121770DEST_PATH_IMAGE047
中提取边缘，获得边缘图像 
 
Figure 945162DEST_PATH_IMAGE055
。
提取的边缘图像
Figure 111701DEST_PATH_IMAGE057
如图6所示，共包括有四条边缘线，自左向右依次为输送带左侧转轴边缘、输送带左侧边缘、输送带右侧边缘和输送带右侧转轴边缘。对比图5和图6可以看出，图5的边缘轮廓线宽度较大，而图6的边缘是宽度为1的线，且与边缘轮廓线的中心线形状一致，说明经上述方法提取的边缘是准确的。 
步骤107：标记边缘，并计算跑偏距离。 
用四个二维矩阵
Figure 80925DEST_PATH_IMAGE059
、、
Figure 549132DEST_PATH_IMAGE063
和
Figure 722625DEST_PATH_IMAGE065
分别标记输送带左侧转轴边缘、输送带左侧边缘、输送带右侧边缘和输送带右侧转轴边缘，矩阵中的元素为相应边缘上的点的坐标值。 
以输送带左侧转轴边缘
Figure 546355DEST_PATH_IMAGE059
为例，
Figure 514311DEST_PATH_IMAGE067
，其中：表示输送带左侧转轴边缘上的第
Figure 931834DEST_PATH_IMAGE069
个像素点，也就是矩阵的第
Figure 62602DEST_PATH_IMAGE069
行，
Figure 263776DEST_PATH_IMAGE071
，
Figure RE-DEST_PATH_IMAGE073
为输送带左侧转轴边缘的长度，
Figure DEST_PATH_IMAGE075
表示
Figure 651464DEST_PATH_IMAGE059
矩阵的列，
Figure DEST_PATH_IMAGE077
时，
Figure DEST_PATH_IMAGE079
矩阵中的元素值是输送带左侧转轴边缘上像素点的轴坐标值，
Figure DEST_PATH_IMAGE081
时，
Figure DEST_PATH_IMAGE083
矩阵中的元素值是输送带左侧转轴边缘上像素点的
Figure DEST_PATH_IMAGE085
轴坐标值。 
在标记了各边缘之后，分别计算输送带左侧转轴边缘
Figure 637186DEST_PATH_IMAGE059
与输送带左侧边缘
Figure 9261DEST_PATH_IMAGE061
之间的平均距离
Figure DEST_PATH_IMAGE087
、输送带右侧边缘
Figure 893035DEST_PATH_IMAGE063
与输送带右侧转轴边缘
Figure 8758DEST_PATH_IMAGE065
之间的平均距离
Figure DEST_PATH_IMAGE089
，并计算
Figure DEST_PATH_IMAGE091
与
Figure DEST_PATH_IMAGE093
的距离偏差
Figure DEST_PATH_IMAGE095
和中间距离
Figure DEST_PATH_IMAGE097
。 
上式中，
Figure DEST_PATH_IMAGE099
为输送带左侧转轴边缘在
Figure 534024DEST_PATH_IMAGE049
方向上的起点与输送带左侧边缘在
Figure 77001DEST_PATH_IMAGE049
方向上的起点沿
Figure 369442DEST_PATH_IMAGE049
方向上的距离，
Figure DEST_PATH_IMAGE101
为输送带右侧转轴边缘在
Figure 39589DEST_PATH_IMAGE049
方向上的起点与输送带右侧边缘在
Figure 796192DEST_PATH_IMAGE049
方向上的起点沿
Figure 447754DEST_PATH_IMAGE049
方向上的距离。也就是说，
Figure 306119DEST_PATH_IMAGE099
满足，而
Figure 763645DEST_PATH_IMAGE101
满足
Figure 2012105505770100002DEST_PATH_IMAGE105
。 
下面以图6所示的边缘图像为例，举例说明上述四个二维矩阵的获取方法： 
对于高度为
Figure DEST_PATH_IMAGE107
的图像来说，最下端的行是
Figure DEST_PATH_IMAGE109
，将该行作为二维矩阵的第一行，然后，从
Figure 190734DEST_PATH_IMAGE109
开始往上、逐行进行扫描，每行从左至右依次扫描。对于最下端的
Figure 91825DEST_PATH_IMAGE109
行来说，存在有四条边缘线，每条边缘对应的二维矩阵的
Figure 358859DEST_PATH_IMAGE069
均为1，且
Figure DEST_PATH_IMAGE111
，也即。每个二维矩阵第1行的轴坐标值如下：
Figure DEST_PATH_IMAGE115
Figure 898741DEST_PATH_IMAGE109
行扫描完毕，再扫描行。对于
Figure 970734DEST_PATH_IMAGE117
来说，每条边缘对应的二维矩阵的
Figure 459484DEST_PATH_IMAGE069
均为2，即
Figure DEST_PATH_IMAGE119
。每个二维矩阵第2行的
Figure 524392DEST_PATH_IMAGE085
轴坐标值如下：
Figure DEST_PATH_IMAGE121
按照上述方法依次逐行扫描，获得每一行均具有四条边缘时四个二维矩阵中对应的像素点的
Figure 857897DEST_PATH_IMAGE085
轴坐标值。
当继续沿方向向上扫描时，会出现只剩下三条边缘的情况，一般情况下，输送带边缘长度大于转轴边缘长度，因此，在此情况下需判断第一个
Figure DEST_PATH_IMAGE123
的像素点是否属于
Figure 139154DEST_PATH_IMAGE059
的边缘，方法如下： 
Figure DEST_PATH_IMAGE125
    
按照上述方法依次逐行扫描，获得每一行均具有三条边缘时相应二维矩阵中对应的像素点的
Figure 742173DEST_PATH_IMAGE085
轴坐标值。
当沿
Figure 933114DEST_PATH_IMAGE049
方向向上继续扫描时，会出现只剩下输送带的左右侧两条边缘的情况，此时，可以继续进行标记，也可以就此结束，并不影响检测结果。 
步骤108：确定跑偏程度。 
定义输送带跑偏程度为
Figure DEST_PATH_IMAGE127
，根据跑偏程度数值的大小判定输送带是否跑偏以及跑偏的程度。跑偏程度越大，说明跑偏越严重。 
例如，可以根据跑偏程度
Figure DEST_PATH_IMAGE129
的大小分为三个等级，
Figure DEST_PATH_IMAGE131
为第一级，
Figure DEST_PATH_IMAGE133
为第二级，
Figure DEST_PATH_IMAGE135
为第三级，
Figure DEST_PATH_IMAGE137
表示输送带跑偏程度较小或未跑偏。 
步骤109：根据跑偏程度输出不同级别的报警信号。 
当输送带跑偏程度
Figure 471543DEST_PATH_IMAGE129
达到相应的级别时，输出相应级别的报警信号，还可以采取相应的控制措施。若
Figure 762583DEST_PATH_IMAGE137
，则判定输送带偏离不严重，无需报警。 
上述各步骤为对一幅图像的处理过程，处理完之后，循环执行上述各步骤，实现对输送带的连续检测。 
上述实施例通过对实时采集的原始图像进行数据分析和处理，自动判断输送带是否出现跑偏，并按跑偏程度分级。当输送带跑偏时，以其级别的不同而启动相应报警功能，避免仅靠人工视频监视可能出现的人为失误，在及时发现故障方面更可靠、稳定。 
以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。 

Claims (6)

1.一种基于图像边缘提取的输送带跑偏检测方法，其特征在于，所述方法包括下述步骤：
a1、采集原始图像：获取包括有输送带和输送带左右两侧的转轴的原始图像；
a2、获取图像信息：获取原始图像的宽度                                                
Figure 420614DEST_PATH_IMAGE001
、高度
Figure 670330DEST_PATH_IMAGE002
及灰度图像
Figure 216455DEST_PATH_IMAGE003
；
a3、边缘轮廓检测：对于灰度图像
Figure 526214DEST_PATH_IMAGE003
，定义输送带运行方向为沿
Figure 659255DEST_PATH_IMAGE004
方向，计算任意相邻两列的灰度值之差，获得差值图像
Figure 774978DEST_PATH_IMAGE005
； 
设定灰度阈值
Figure 614758DEST_PATH_IMAGE006
，按照下述公式对差值图像
Figure 157735DEST_PATH_IMAGE007
作二值化处理，获得二值化的边缘轮廓图像，
对于任意
Figure 871056DEST_PATH_IMAGE009
，，
Figure 279220DEST_PATH_IMAGE011
Figure 324537DEST_PATH_IMAGE012
 ；
a4、边缘轮廓修复：采用基于形状和方向性的滤波模板
Figure 782063DEST_PATH_IMAGE013
与边缘轮廓图像
Figure 393173DEST_PATH_IMAGE008
作卷积，获得图像，定义
Figure 326678DEST_PATH_IMAGE015
，则边缘轮廓修复图像为
Figure 259999DEST_PATH_IMAGE016
；
a5、边缘提取：根据下述公式从边缘轮廓修复图像中提取边缘，获得边缘图像
 ；
a6、边缘标记：用二维矩阵
Figure 866112DEST_PATH_IMAGE020
、
Figure 953279DEST_PATH_IMAGE021
、
Figure 117545DEST_PATH_IMAGE022
和
Figure 421487DEST_PATH_IMAGE023
分别标记输送带左侧转轴边缘、输送带左侧边缘、输送带右侧边缘和输送带右侧转轴边缘，矩阵中的元素为相应边缘上的点的坐标值；
a7、跑偏距离计算：计算输送带左侧转轴边缘
Figure 962190DEST_PATH_IMAGE020
与输送带左侧边缘
Figure 402398DEST_PATH_IMAGE021
之间的平均距离
Figure 65461DEST_PATH_IMAGE024
、输送带右侧边缘
Figure 528803DEST_PATH_IMAGE022
与输送带右侧转轴边缘之间的平均距离
Figure 932026DEST_PATH_IMAGE025
，计算与
Figure 716629DEST_PATH_IMAGE027
的距离偏差和中间距离
Figure 13935DEST_PATH_IMAGE029
；
a8、跑偏程度确定：根据公式
Figure 753221DEST_PATH_IMAGE030
确定输送带是否跑偏及跑偏程度；
其中，
Figure 191155DEST_PATH_IMAGE031
为灰度图像中像素点的位置，，
Figure 710441DEST_PATH_IMAGE010
；为滤波模板的坐标位置，
Figure 811438DEST_PATH_IMAGE033
，
Figure 35746DEST_PATH_IMAGE034
；
Figure 425139DEST_PATH_IMAGE035
和
Figure 709489DEST_PATH_IMAGE036
分别为输送带左侧转轴边缘和输送带右侧转轴边缘的长度，
Figure 423148DEST_PATH_IMAGE037
为输送带左侧转轴边缘在
Figure 451147DEST_PATH_IMAGE004
方向上的起点与输送带左侧边缘在
Figure 695047DEST_PATH_IMAGE004
方向上的起点沿
Figure 212616DEST_PATH_IMAGE004
方向上的距离，
Figure 112439DEST_PATH_IMAGE038
为输送带右侧转轴边缘在
Figure 740866DEST_PATH_IMAGE004
方向上的起点与输送带右侧边缘在
Figure 776955DEST_PATH_IMAGE004
方向上的起点沿
Figure 966890DEST_PATH_IMAGE004
方向上的距离。
2.根据权利要求1所述的方法，其特征在于，所述滤波模板
Figure 88430DEST_PATH_IMAGE013
为下述基准模板：
Figure 520549DEST_PATH_IMAGE039
。
3.根据权利要求2所述的方法，其特征在于，所述滤波模板
Figure 676723DEST_PATH_IMAGE013
为所述基准模板
Figure 536095DEST_PATH_IMAGE040
在所述连线上各点的垂线方向上左右两侧对称扩展若干个值为1的像素点后的扩展模板。
4.根据权利要求1所述的方法，其特征在于，所述步骤a1采集的原始图像为RGB彩色图像
Figure 144931DEST_PATH_IMAGE041
，其灰度图像为
Figure 115161DEST_PATH_IMAGE042
。
5.根据权利要求1所述的方法，其特征在于，在所述步骤a3中，灰度阈值
Figure 125842DEST_PATH_IMAGE006
为差值图像中所有点的灰度值的平均值。
6.根据权利要求1至5中任一项所述的方法，其特征在于，在所述步骤a8之后还包括下述步骤：
a9、根据跑偏程度
Figure 813099DEST_PATH_IMAGE043
的大小输出不同级别的报警信号。
CN201210550577.0A 2012-12-18 2012-12-18 基于图像边缘提取的输送带跑偏检测方法 Expired - Fee Related CN103051872B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210550577.0A CN103051872B (zh) 2012-12-18 2012-12-18 基于图像边缘提取的输送带跑偏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210550577.0A CN103051872B (zh) 2012-12-18 2012-12-18 基于图像边缘提取的输送带跑偏检测方法

Publications (2)

Publication Number Publication Date
CN103051872A true CN103051872A (zh) 2013-04-17
CN103051872B CN103051872B (zh) 2015-08-12

Family

ID=48064359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210550577.0A Expired - Fee Related CN103051872B (zh) 2012-12-18 2012-12-18 基于图像边缘提取的输送带跑偏检测方法

Country Status (1)

Country Link
CN (1) CN103051872B (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
CN106423913A (zh) * 2016-09-09 2017-02-22 华侨大学 一种建筑垃圾的分选方法和系统
CN107690421A (zh) * 2015-05-29 2018-02-13 肖特股份有限公司 用于减小薄玻璃上侧弯的方法和装置
CN109724776A (zh) * 2017-10-30 2019-05-07 中冶长天国际工程有限责任公司 一种烧结机台车的篦条损坏程度的确定方法及装置
CN110641947A (zh) * 2019-10-16 2020-01-03 山东中衡光电科技有限公司 一种散料运输机智能巡检机器人系统及其检测方法
CN110697373A (zh) * 2019-07-31 2020-01-17 湖北凯瑞知行智能装备有限公司 一种基于图像识别技术的传送皮带跑偏故障检测方法
CN111908060A (zh) * 2020-08-31 2020-11-10 国电浙能宁东发电有限公司 一种电厂输煤皮带跑偏监测预警装置及方法
CN112320266A (zh) * 2020-11-19 2021-02-05 太仓武港码头有限公司 一种皮带机智能管理系统的管理方法
CN112919050A (zh) * 2021-02-04 2021-06-08 华润电力技术研究院有限公司 输送皮带监控方法、装置、设备及计算机可读存储介质
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、系统、设备和介质
CN113344905A (zh) * 2021-06-28 2021-09-03 燕山大学 一种带材跑偏量检测方法及系统
CN113763376A (zh) * 2021-09-17 2021-12-07 深圳市赛为智能股份有限公司 传送带偏移检测方法、装置、计算机设备及存储介质
CN113762283A (zh) * 2021-08-30 2021-12-07 中铁工程装备集团有限公司 传送带跑偏监测方法及装置
CN114943916A (zh) * 2022-05-12 2022-08-26 上海擎测机电工程技术有限公司 一种输送皮带机溢料监测方法与系统
CN115116010A (zh) * 2022-08-29 2022-09-27 山东千颐科技有限公司 基于图像处理的皮带防跑偏视觉识别系统
WO2024255032A1 (zh) * 2023-06-12 2024-12-19 无锡宝通智能物联科技有限公司 带纠偏功能的带式输送机和输送带纠偏方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1532499B1 (en) * 2002-08-07 2007-10-24 Kimberly-Clark Worldwide, Inc. System and method for guiding a web in a web converting manufacturing process
JP2008230711A (ja) * 2007-03-16 2008-10-02 Fuji Xerox Co Ltd 記録材搬送装置及びこれを用いた画像形成装置
CN102275723A (zh) * 2011-05-16 2011-12-14 天津工业大学 一种基于机器视觉的输送带在线监测系统和方法
CN102319743A (zh) * 2011-05-24 2012-01-18 重庆大学 带钢跑偏与漂浮量激光扫描检测方法及纠偏系统
CN102360083A (zh) * 2011-08-19 2012-02-22 上海高晶影像科技有限公司 应用于线扫描x射线安检机中图像去皮带伪影的方法
CN102602681A (zh) * 2012-01-13 2012-07-25 天津工业大学 基于机器视觉的输送带跑偏故障在线检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1532499B1 (en) * 2002-08-07 2007-10-24 Kimberly-Clark Worldwide, Inc. System and method for guiding a web in a web converting manufacturing process
JP2008230711A (ja) * 2007-03-16 2008-10-02 Fuji Xerox Co Ltd 記録材搬送装置及びこれを用いた画像形成装置
CN102275723A (zh) * 2011-05-16 2011-12-14 天津工业大学 一种基于机器视觉的输送带在线监测系统和方法
CN102319743A (zh) * 2011-05-24 2012-01-18 重庆大学 带钢跑偏与漂浮量激光扫描检测方法及纠偏系统
CN102360083A (zh) * 2011-08-19 2012-02-22 上海高晶影像科技有限公司 应用于线扫描x射线安检机中图像去皮带伪影的方法
CN102602681A (zh) * 2012-01-13 2012-07-25 天津工业大学 基于机器视觉的输送带跑偏故障在线检测方法

Cited By (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107690421A (zh) * 2015-05-29 2018-02-13 肖特股份有限公司 用于减小薄玻璃上侧弯的方法和装置
CN107690421B (zh) * 2015-05-29 2021-09-21 肖特股份有限公司 用于减小薄玻璃上侧弯的方法和装置
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
CN106423913A (zh) * 2016-09-09 2017-02-22 华侨大学 一种建筑垃圾的分选方法和系统
CN109724776A (zh) * 2017-10-30 2019-05-07 中冶长天国际工程有限责任公司 一种烧结机台车的篦条损坏程度的确定方法及装置
CN110697373A (zh) * 2019-07-31 2020-01-17 湖北凯瑞知行智能装备有限公司 一种基于图像识别技术的传送皮带跑偏故障检测方法
CN110641947A (zh) * 2019-10-16 2020-01-03 山东中衡光电科技有限公司 一种散料运输机智能巡检机器人系统及其检测方法
CN111908060A (zh) * 2020-08-31 2020-11-10 国电浙能宁东发电有限公司 一种电厂输煤皮带跑偏监测预警装置及方法
CN112320266B (zh) * 2020-11-19 2022-04-12 太仓武港码头有限公司 一种皮带机智能管理系统的管理方法
CN112320266A (zh) * 2020-11-19 2021-02-05 太仓武港码头有限公司 一种皮带机智能管理系统的管理方法
CN112919050A (zh) * 2021-02-04 2021-06-08 华润电力技术研究院有限公司 输送皮带监控方法、装置、设备及计算机可读存储介质
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、系统、设备和介质
CN113344905A (zh) * 2021-06-28 2021-09-03 燕山大学 一种带材跑偏量检测方法及系统
CN113344905B (zh) * 2021-06-28 2024-05-28 燕山大学 一种带材跑偏量检测方法及系统
CN113762283A (zh) * 2021-08-30 2021-12-07 中铁工程装备集团有限公司 传送带跑偏监测方法及装置
CN113762283B (zh) * 2021-08-30 2024-04-09 中铁工程装备集团有限公司 传送带跑偏监测方法及装置
CN113763376A (zh) * 2021-09-17 2021-12-07 深圳市赛为智能股份有限公司 传送带偏移检测方法、装置、计算机设备及存储介质
CN113763376B (zh) * 2021-09-17 2024-03-01 深圳市赛为智能股份有限公司 传送带偏移检测方法、装置、计算机设备及存储介质
CN114943916A (zh) * 2022-05-12 2022-08-26 上海擎测机电工程技术有限公司 一种输送皮带机溢料监测方法与系统
CN115116010A (zh) * 2022-08-29 2022-09-27 山东千颐科技有限公司 基于图像处理的皮带防跑偏视觉识别系统
WO2024255032A1 (zh) * 2023-06-12 2024-12-19 无锡宝通智能物联科技有限公司 带纠偏功能的带式输送机和输送带纠偏方法

Also Published As

Publication number Publication date
CN103051872B (zh) 2015-08-12

Similar Documents

Publication Publication Date Title
CN103051872B (zh) 基于图像边缘提取的输送带跑偏检测方法
CN106247969B (zh) 一种基于机器视觉的工业磁芯元件的形变检测方法
CN105083912B (zh) 一种基于图像识别的输送带跑偏检测方法
CN109325930B (zh) 边界缺陷的检测方法、装置及检测设备
CN108230344B (zh) 一种隧道渗漏水病害自动识别方法
CN106056020B (zh) 一种基于机器视觉系统的条码检测识别方法及系统
CN110838097A (zh) 一种基于机器视觉的输送带偏移测量方法
CN106228546A (zh) 一种板卡的检测方法及装置
CN104537651B (zh) 一种路面图像中裂缝比例检测方法及系统
CN115375686B (zh) 一种基于图像处理的玻璃边缘瑕疵检测方法
CN110111303A (zh) 一种基于动态图像的大型运载皮带撕裂故障智能检测方法
CN115535525B (zh) 基于图像匹配的输送带纵向撕裂检测系统及方法
CN110414341A (zh) 一种基于无人机技术的露天矿爆堆测量统计方法
CN104504388A (zh) 一种路面裂缝识别和特征提取算法及系统
CN103729655A (zh) 一种用于片式元件视觉定位的检测方法
US9996766B2 (en) Imaging-based methods for detecting and measuring defects in extruded cellular ceramic articles
CN105389586A (zh) 一种基于计算机视觉自动检测虾体完整性的方法
CN106546263A (zh) 一种基于机器视觉的激光水平仪出射激光线检测方法
US10210605B2 (en) Method and device for detecting boundary of region on display motherboard
CN107490583A (zh) 一种基于机器视觉的夹片缺陷检测方法
CN103983426A (zh) 一种基于机器视觉的光纤缺陷检测及分类系统及其方法
CN112419225B (zh) 一种基于引脚分割的sop型芯片检测方法及系统
CN106651831A (zh) 一种竹块缺陷检测方法和系统
CN108280838A (zh) 一种基于边缘检测的夹片牙型缺陷检测方法
CN116309447B (zh) 一种基于深度学习的水坝斜坡裂缝检测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20150812

Termination date: 20191218

CF01 Termination of patent right due to non-payment of annual fee