摘  要： 以數字圖像處理技術為基礎，設計一種對提升機鋼絲繩進行表面無損檢測的方法。首先利用Retinex理論的圖像增強算法消除光照影響，突出物體表面特征。然后采用Roberts邊緣檢測算子檢測目標鋼絲繩邊緣，用列統計濾波技術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器提取繩股紋理。接著使用一種改進型積分投影方法反映繩股內紋理完整性信息，最后通過BP神經網絡模型作出最終結果的預測。從實驗結果來看，本文的檢測方法能夠取代人工目視檢測，方便清晰，科學有效。

　　關鍵詞： 鋼絲繩無損檢測；Retinex算法；紋理識別；積分投影；BP神經網絡

0 引言

　　隨著整個社會的工業化程度越來越高，鋼絲繩的使用也愈發普遍，它已經成為機械、建筑、石油、電子、礦山、交通、娛樂、旅游等部門中不可或缺的重要構件。

　　但是近年來鋼絲繩的使用安全問題頻有發生，如何對其進行安全評估與檢測也越發引人關注。在本文提到的提升機運行過程中，鋼絲繩作為一種承重構件，在使用的過程必然會因環境影響和長期承重，引發形變、腐蝕、斷絲甚至驟斷現象，它的損傷情況和承載能力時刻關系到人們的生命財產安全。目前普遍采用人工定期檢查和周期強制更換鋼絲繩的辦法來保證安全運行。但是這些方法要么不夠客觀科學，要么將浪費巨大的人力物力，都無法滿足現代工業高效率、自動化的要求。因而研究新的智能化的鋼絲繩缺陷檢測方法，對社會安全和國民經濟都意義重大。本文以提取的鋼絲繩圖像的表面紋理特征作為缺陷識別的基礎，提出一種基于BP神經網絡的提升機鋼絲繩無損檢測方法[1]。

1 鋼絲繩無損檢測

　　1.1 基于Retinex理論的圖像預處理方法

　　由于本文是基于鋼絲繩表面紋理進行識別，而所研究的對象處于光照不均勻的復雜環境中，得到的圖像常伴有陰影，影響判斷，所以首先要對圖像進行一定程度的預處理。

　　根據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，經分析可知，入射光成分是整個圖像中變化緩慢的灰度分量，對應了圖像的低頻成分；反射光成分則在圖像中表現為灰度分量急劇變化，反映物體的邊緣，對應圖像的高頻成分。因此，為了消除光照帶來的影響，采取壓制低頻分量、突出高頻分量的方法，盡量反映物體細節，增強對比度，這就是Retinex理論的圖像增強算法。Retinex經典的算法是將圖像用FFT運算變換到頻域上來進行處理。但是頻率域算法存在幾個比較明顯的缺點：（1）頻域是基于整幅圖像的，無法得到局部處理的效果；（2）用FFT運算來回變換會大大增加計算量。為克服以上缺點，有人考慮將同態濾波放到空間域上來做，一般的做法是：對原始圖像進行對數運算，變換到對數域，分離圖像的低頻成分和高頻成分，接下來選用高斯低通濾波器對圖像進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。由于最初用了取對數的方法，所以最后要進行反對數運算才能得到最終所需要的圖像。本文采用空域同態濾波算法[2]對鋼絲繩圖像進行預處理，以消除不均勻光照帶來的降質，運算效率高，預處理效果好。具體算法步驟如下。

　　圖像的灰度函數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）<∞。對圖像作對數運算，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）

　　接下來對z（x，y）進行低通濾波后，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，通過實驗觀察到，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，僅僅增強了圖像細節而未能達到均勻光照的目的。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，進行反對數運算，將s（x，y）變換回去：

　　s′（x，y）=exp[s（x，y）]≈i0r（x，y）（6）

　　由圖1、圖2對比可見，經空間域Retinex算法后，光照影響幾乎消除。

　　1.2 鋼絲繩邊緣分割

　　為了把目標鋼絲繩從不相干的背景圖像中分離出來，本文首先用Roberts算子對其進行邊緣檢測[3]。Roberts邊緣檢測算子是利用對角線方向相鄰兩像素點灰度值之差近似梯度幅值的特性來檢測邊緣，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算子對本圖像的處理結果如圖3，可見其對鋼絲繩的邊緣比較敏感，能夠清晰地識別出鋼絲繩本體的輪廓。但由于背景信息的存在，仍不可避免地產生了一些雜點。觀察到鋼絲繩在圖像中垂直放置，而雜點分布在水平方向上，考慮采取統計濾波的方法，統計二值圖像每一列的白像素點，對結果進行分析并設置閾值，濾除背景噪聲的干擾，得到最優的改善后的邊緣圖像。然后基于這個圖像，就可以將目標鋼絲繩從背景中提取出來，如圖4。

　　1.3 鋼絲繩表面斜向紋理識別

　　無損鋼絲繩表面斜向紋理將呈現連續狀態，接下來研究提取表面斜向紋理的方法。首先，為增強繩內所需要的紋理細節，依照上文提到的Retinex原理，對圖像進行高通濾波。因高通濾波后的圖像對比度較低，再對其進行基于imadjust的灰度變換。

　　基于灰度變換圖像就可以對繩股紋理進行提取。經實驗發現選用坎尼邊緣檢測器[3-4]將得到最理想的效果，如圖5。坎尼算子錯誤率低，能很好地定位邊緣點，并且只會產生單一的邊緣點。

　　1.4 改進的積分投影算法

　　積分投影算法[5]是最為常用的一種投影算法。用它來獲取圖像的投影特征能夠很好地表達圖像在空間中水平方向和垂直方向的像素分布規律。本文著重垂直方向的像素特征，假設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，考慮對垂直投影積分算法進行改進，即將圖像進行逆時針旋轉，在某一個角度域內對所得的積分結果進行最優判斷，選出符合要求的最佳積分圖像。判斷的思路如下：由于當垂直積分方向與鋼絲繩股走向一致時，每一條繩股所在的位置即對應投影圖像上的一個極值點；實際中每幅圖像包含的目標繩股數目相對固定，即所有有效極值點產生的平均能量相差不大?；谶@兩個思路，可以對不同角度上的垂直積分投影圖像做出以下兩點限制：

　?。?）限制有效極值點Pi數量范圍，其值應該等于每幅圖中設定的待檢測的繩股數量P的兩倍，因為每根繩股會產生兩個邊緣，即兩個高度相近的極值點，如圖8?？蓪⒚}沖高度最大的2P個極值點作為有效極值點。

　　（2）限制圖像中有效極值點的平均能量值為EM，當圖像在角度域內旋轉過程中，EM達到最大時，可認為積分方向與繩股方向垂直。因此，當滿足以上兩點時，即可獲得積分角度最佳的圖像。

　　由于坎尼邊緣檢測得到圖像不可能是筆直的直線且邊緣較細，若在此基礎上直接進行積分投影會產生較大的誤差，因此，首先對圖像進行適當的膨脹運算以加粗邊緣，再進行角度自適應運算，可得如圖6所示的結果。圖7、8分別為鋼絲繩表面無損和有損的情況下得到的垂直積分投影結果，通過比較可以明顯地在脈沖數量、脈沖寬度，以及脈沖能量平均值上加以區分，而這些也是下文建立的最終判斷模型的輸入。

2 2 基于BP神經網絡的鋼絲繩缺陷檢測 

　　為了對提升機鋼絲繩表面缺陷進行智能判別，依照人工神經網絡算法[6-7]原理，建立一個三層BP神經網絡，包含輸入層、輸出層和隱含層。其中，輸入層節點數為4，其輸入值分別為有效脈沖數量、脈沖寬度、脈沖高度總和以及待檢測鋼絲繩的半徑，輸出層節點數為1，隱含層節點數為6。選用Sigmoid函數為激發函數，選用誤差信號反向傳播算法為訓練算法。假設第k個訓練樣本的第L-1層的第j個神經元的傳輸函數和輸出分別為，則：

　　通過統計訓練集的輸出結果，可以判斷閾值的范圍。上式中選取學習速率為0．1，瞬時常數為0.8，使用50幅鋼絲繩無損圖像和50幅鋼絲繩有損圖像來訓練神經網絡模型，對表面有損的鋼絲繩，輸出為0，否則輸出為1。權值在開始時選擇滿足正態分布的隨機數。表1為神經網絡建模的部分輸出結果。

　　分析神經網絡輸出和相應的鋼絲繩狀態，選取神經網絡模型輸出判斷閾值為0.6，這樣輸出結果大于0.6時判別為有損，小于0.6時則判別為無損。

　3 結果分析

　　將現場采集得到的80幅鋼絲繩原始圖片（表面無損40幅，表面有損40幅）作為輸入神經網絡模型進行無損檢測。通過BP神經網絡智能判別模型，鋼絲繩檢測試驗結果如表2所示。

　　可以看到，實驗結果的準確率均高于90%，且對有損的判斷還要更為準確。因此，本文提出的方法具有一定的實際意義，可以替代人工檢測。另外，對誤差原因進行分析，完好的鋼絲繩在實際應用中常常伴有污漬或雜質，而缺損的鋼絲繩可能斷絲并不明顯，這些都會影響判斷，造成誤判。但是誤差在可以接受的范圍之內，這種算法可滿足實際檢測的需要。

4 結論

　　本文基于數字圖像技術，研究了一種基于鋼絲繩表面紋理識別的無損檢測方法，利用Roberts算子和統計濾波提取鋼絲繩圖像，坎尼檢測器提取繩股紋理圖像，并用一種改進的垂直積分投影算法反映紋理分布特征，最后采用BP神經網絡模型作出智能決策。通過實驗結果可知，該方法方便簡潔，實時性高，可以應用于實際提升機運行系統中。

　　參考文獻

　　[1] 袁方，胡斌梁，周知進.在役鋼絲繩缺陷檢測方法的研究現狀與展望[J].機械設計與制造，2010（2）：260-262.

　　[2] 聞莎，游志勝.性能優化的同態濾波空域算法[J].計算機應用研究，2000（3）：62-65.

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

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

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

　　[6] 李春華，王璐.基于BP神經網絡的鋼絲繩斷絲檢測系統[J].黑龍江科技學院學報，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.