0 引言

带式输送机是煤矿井下主要运煤设备，运行过程中可能出现铁器等夹杂在落煤中压砸输送带，导煤槽、清扫器等与输送带之间卡入硬质异物，锚杆、钎子等尖锐异物刮扯输送带等情况，易导致输送带纵向撕裂。为避免进一步损失，需进行输送带纵向撕裂检测[1]。

现有的输送带纵向撕裂检测方法分为接触式与非接触式2类[2]。常见的接触式检测方法包括测力法、嵌入法、线圈探测法、拉力检测法等；非接触式检测方法包括闭合线圈法、X射线法、机器视觉法等[3]。接触式检测方法因准确度较低、有磨损，逐渐被非接触式检测方法代替。非接触式检测方法中的机器视觉法因损耗小、准确度较高、维护简单等优势[4-5]，得到越来越多的关注和研究。

基于机器视觉检测输送带纵向撕裂的方法[6-7]主要分为2类：针对可见光或红外光图像进行分析；针对线性辅助激光图像进行分析。第1类方法的关键在于准确分割输送带图像上的撕裂损伤。文献[8-11]分别采用最大类间方差法、阈值迭代法、全局阈值法分割损伤。上述方法应用于煤矿井下时，因光照较弱且不均匀，粉尘、湿度较大，输送带在运行过程中上下振动且表面磨损程度不一，导致采集的图像清晰度较低甚至模糊，撕裂损伤分割较困难。第2类方法借助投射在输送带表面的线性激光条纹(光条)特征变化判断是否有撕裂损伤。文献[12]将单道线性激光投射在输送带表面，利用最大值法提取光条骨架、邻域差分确定断点位置、二阶导数判断波动异常位置，进而检测并标志输送带纵向撕裂区域；文献[13]通过检测投射到输送带表面的1条线性激光轮廓线的断裂特征来识别纵向撕裂。上述方法只关注有无纵向撕裂，不涉及撕裂损伤的长度、宽度、深度等特征信息计算，无法实现对损伤的定位与趋势跟踪[14]。

本文提出一种基于多道线性激光的带式输送机纵向撕裂检测方法。通过机器视觉实时连续在线分析多道线性激光投射在输送带表面的图像特征，融合多帧图像分析结果与带式输送机速度传感器数据，实现对带式输送机纵向撕裂特征识别，损伤宽度、深度、长度定量分析，损伤定位跟踪及损伤变化趋势分析的一体化处理。采用多道线性激光较单道线性激光的检测精度有较大提升，减小了损伤长度估算误差。该方法复杂度低，可运行于矿用本质安全(简称本安)型嵌入式设备进行现场分析及决策，无需将数据传输至上位机，避免了时间延迟。

1 方法原理

带式输送机纵向撕裂检测方法基于矿用本安型工业相机、矿用本安型结构光发射器和矿用本安型多传感融合计算盒实现，采用机器视觉技术，对带式输送机正常运行过程中的输送带上下表面进行实时扫描和分析，融合速度传感器输出值，对输送带纵向撕裂进行检测与跟踪。

该方法主要包括数据分析与数据融合2个部分，流程如图1所示。数据分析主要针对单帧图像进行处理，以提取单帧图像撕裂损伤特征及标志物特征；数据融合主要针对多帧图像分析结果进行融合计算，以定位撕裂损伤在输送带上的纵向位置并跟踪损伤变化趋势。

2 数据分析

获取输送带图像后，对单帧图像进行预处理，包括：形态学处理与双边滤波，以去除图像噪声，使图像平滑；采用大津法(即OTSU法[15]或最大类间方差法)提取图像灰度阈值；根据图像灰度阈值分割图像前景并进行二值化处理，分割出多道线性光条。之后依次进行标志物检测、中心线提取、损伤特征提取操作。

2.1 标志物检测

人为在输送带指定位置粘贴反光条作为标志物，以定位撕裂损伤在输送带上的纵向位置。标志物图像如图2所示。由于反光条有反光效果，标志物在图像上呈现较粗的短光条段。

检测输送带纵向撕裂时，检测光条上下边界，求取光条宽度。当某一列上检测到光条宽度超过邻近列且差值在设定阈值[Wmin，Wmax]范围内，继续检测宽光条所占列数，即宽光条长度，当其落在设定阈值[Lmin，Lmax]范围内时，认为检测到标志物，记录标志物所在图像帧的信息。

2.2 中心线提取

单道线性光条中心线提取一般采用灰度重心法、极值法、曲线拟合法、骨架细化法等[16]。其中灰度重心法、极值法、曲线拟合法不适用于多道线性光条中心线提取，而骨骼细化法运算量大、效率较低。结合多道线性光条特点，提出一种分组中心点法提取多道线性光条中心线。假设有N道线性激光，设置1个N维数组用于存放每道光条中心点坐标。光条中心线提取步骤如下。

(1) 寻找每道光条上下边界。按列扫描二值化图像，若检测到像素值由0变为255，则定义为光条上边界，若像素值由255变为0，则定义为光条下边界。

(2) 按列搜索，每搜索到1条光条的上下边界，求取上下边界终点，根据上下边界终点的均值得到当前光条在该列的中心点。

(3) 采用最近邻聚类算法，将步骤(2)中求取的中心点归类到N维数组中对应的光条中心坐标数组。

(4) 重复按列扫描，直到求取所有光条上的中心点。分组后的中心点连线即为光条中心线。

2.3 损伤特征提取

输送带完整时，线性光条形成多条近乎完整的光滑曲线，当检测到撕裂损伤时，曲线出现畸变或断裂，如图3所示。畸变或断裂点处离散导数会出现较大的跳变。利用该特性可检测线性光条中心线上的损伤边界点。

对每道光条的中心线求离散导数。设定1个经验阈值，当中心线上某点的离散导数超过该阈值时，即为第1个损伤边界点。在该点一定范围的邻域内寻找第2个离散导数跳变点，即为第2个损伤边界点。计算2个边界点之间的距离，即为损伤在当前位置的宽度特征值。在边界点之间查找极值点，计算极值点到边界点连线中点的垂直距离，即为损伤在当前位置的深度特征值。

3 数据融合

3.1 数据融合计算

当检测到损伤结束点时，即完成1道光条上的损伤检测与记录。为了获取整条完整损伤的特征值(包括长度、平均宽度、平均深度等)，需要分析损伤起点帧到结束帧的多帧图像，并融合速度传感器数据进行计算。

(1) 损伤长度。分析单帧图像获取损伤在输送带上的局部特征信息后，对多帧图像分析结果进行融合计算。设单帧图像分析得到的损伤起始帧A1与结束帧A2之间的差值为a，速度传感器检测的起始帧A1与结束帧A2之间的平均速度为则整条损伤长度为

(1)

式中f为工业相机采样速率。

(2) 损伤平均宽度。计算从损伤起始帧A1到结束帧A2之间所有单帧图像中损伤宽度特征值的平均值，得到整条损伤平均宽度：

(2)

式中Wi为单帧图像上的损伤宽度特征值。

(3) 损伤平均深度。计算从损伤起始帧A1到结束帧A2之间所有单帧图像中损伤深度特征值的平均值，得到整条损伤平均深度[17]：

(3)

式中Di为单帧图像上的损伤深度特征值。

(4) 损伤长度计算误差。对于工业相机采样的带式输送机图像，相邻2帧时间间隔内输送带运行距离为采用单道线性激光时，损伤长度计算误差为采用N道线性激光时，假设投射到输送带表面的相邻2条线性光条间隔为s，在保证条件下，不考虑帧检测错误，则损伤长度计算误差为s/2。

假设带式输送机运行速度为3 m/s，工业相机采样速率为25 帧/s，则采用单道线性激光检测并计算损伤长度时误差为24 cm，采用3道线性激光(光条间隔为8 cm)时误差为4 cm，为采用单道线性激光时的1/6。

3.2 损伤定位

针对已检测到的标志物，求取损伤起点距标志物的纵向长度作为损伤纵向位置，求取损伤起点在输送带上的位宽占比定位损伤横向位置。综合横纵向位置，得到损伤在输送带上的二维坐标。

纵向位置为

(4)

式中：S为损伤起点到标志物的距离；为速度传感器检测到的从标志物帧到损伤起始帧之间的速度平均值。

横向位置为

R=x0/P

(5)

式中：R为损伤起点在输送带上的位宽占比；x0为损伤起点相对于输送带左侧边缘的坐标；P为输送带宽度所占的像素值。

3.3 损伤跟踪与趋势分析

在煤矿生产中，若检测到短、窄、浅的输送带纵向撕裂就报警停机，会给企业带来较大的经济损失。为此，对输送带纵向撕裂损伤进行跟踪，实时分析损伤变化趋势，当损伤变长、变宽、变深并超过阈值时，及时提醒检修人员，对于超过相关安全标准规定值的损伤发出停机信号。当损伤被处理后，带式输送机继续工作，持续检测并跟踪损伤变化，完成损伤实时监控。

定义损伤趋势因子：

(6)

式中ω0，ω1，ω2分别为损伤长度、平均宽度、平均深度系数。

根据损伤定位结果，在数据库中搜索同一损伤的记录，根据2次记录的损伤特征值计算损伤趋势因子并进行比较，判断损伤变化趋势。若长度、宽度、深度特征值中任1个或多个明显增大，则损伤趋势因子增大，可判定损伤有更加严重的趋势，超过设定阈值则提醒检修。

4 试验验证

4.1 试验装置

试验装置包括带式输送机、矿用本安型结构光发射器、矿用本安型工业相机、矿用本安型多传感融合计算盒等，如图4所示。结构光发射器与工业相机固定在带式输送机机架上，位于上下输送带之间。结构光发射器向上输送带背面发射3道线性激光，工业相机镜头朝向上输送带背面，与结构光发射器相向，用于采样3道线性激光覆盖的输送带区域图像，采样速率设定为25 帧/s。

在试验输送带上人为设置1处纵向撕裂损伤及标志物，如图5所示。

4.2 单帧图像损伤检测

检测单帧图像损伤时，在提取的中心线图像中用2个圆标志损伤的双侧边界点，如图6所示。

当检测到中心线上的反光条特征时，识别为标志物，如图7所示。

4.3 多帧图像数据融合及趋势分析

输送带纵向撕裂损伤参数设置：与标志物距离为8 m，损伤长度为0.73 m，损伤平均宽度为0.01 m，损伤平均深度为0.008 m。在带式输送机不同运行速度下，采用本文方法检测纵向撕裂，每种速度下测试60组。定义输送带有撕裂损伤为正例，无纵向撕裂为负例。设将正例判为正例为TP，负例判为正例为FP，负例判为负例为TN，正例判为负例为FN。部分试验数据见表1。之后将纵向撕裂损伤加长至0.95 m，其他参数不变，进行第2组测试，部分数据见表2。

根据测试数据可知：采用本文方法能够检测出带式输送机有无纵向撕裂损伤，准确率达100%；损伤长度计算误差平均值为0.06 m，损伤平均宽度、平均深度计算误差平均值均为0.001 m，对损伤特征信息的计算较准确；损伤纵向位置计算误差不超过0.1 m，定位较准确。试验设置ω0，ω1，ω2分别为10，1 000，100，根据式(6)可知损伤长度为0.95 m时趋势因子较0.73 m时大，判断损伤有扩大趋势。

5 结论

(1) 针对煤矿井下带式输送机工作区域昏暗、潮湿、粉尘大条件下视频图像模糊，难以识别输送带纵向撕裂损伤的问题，采用结构光发射器向输送带表面发射多道线性激光，通过分析线性光条畸变特征检测输送带纵向撕裂损伤，方法简单，且具有较高的检测准确度。

(2) 为便于跟踪输送带纵向撕裂损伤变化趋势，在输送带表面人为粘贴反光条作为标志物，以定位损伤纵向位置，并将该位置作为判断损伤变化的唯一标志。该方法工程施工难度低，能够实时检测并跟踪输送带纵向撕裂损伤趋势，为带式输送机检修提供了有效依据。

(3) 试验结果表明，基于多道线性激光的带式输送机纵向撕裂检测方法能够准确检测带式输送机有无纵向撕裂，损伤长度计算误差平均值为0.06 m，损伤平均宽度、平均深度计算误差平均值为0.001 m，纵向定位误差不超过0.1 m，并可准确判断纵向撕裂发展趋势。该方法检测速率达25帧/s，满足现场实时性要求。

参考文献（References）：

[1] 杨洋.基于计算机视觉的输送带纵向撕裂检测算法研究与系统实现[D].太原:太原理工大学,2015.

YANG Yang.Algorithm research and system realization of detection for longitudinal rip of conveyor belt based on computer vision[D].Taiyuan: Taiyuan University of Technology,2015.

[2] 卢金龙.基于机器视觉的皮带撕裂检测系统设计与实现[D].秦皇岛:燕山大学,2016.

LU Jinlong.The design and implementation of detection system for rip of conveyor belt on machine vision[D]. Qinhuangdao:Yanshan University,2016.

[3] 张幸兰,张贤达.基于机器视觉的输送带异常状态监测系统[J].内燃机与配件,2019(24):131-133.

ZHANG Xinglan,ZHANG Xianda.Abnormal status monitoring system of conveyor belt based on machine vision[J].Internal Combustion Engine & Parts,2019(24): 131-133.

[4] 徐辉,张智宇,谢国军,等.矿用皮带纵撕检测装置及检测方法:CN109409368A[P].2019-03-01.

XU Hui,ZHANG Zhiyu,XIE Guojun,et al.Longitudinal tear detecting device and method of mine-used conveyor belt: CN109409368A[P].2019-03-01.

[5] 肖华明,孙士娇,曹连民.矿用带式输送机新技术应用前景分析[J].工矿自动化,2018,44(4):34-39.

XIAO Huaming,SUN Shijiao,CAO Lianmin.Application prospect analysis of new technologies of mine-used belt conveyor[J].Industry and Mine Automation,2018,44(4):34-39.

[6] 张海根.带式传输机皮带撕裂状态检测方法及检测系统:CN110171691A[P].2019-08-27.

ZHANG Haigen.Belt tearing status detecting method and system of belt conveyor:CN110171691A[P].2019-08-27.

[7] 毛清华,毛金根,马宏伟,等.矿用带式输送机智能监测系统研究[J].工矿自动化,2020,46(6):48-52.

MAO Qinghua,MAO Jingen,MA Hongwei,et al.Research on intelligent monitoring system of mine-used belt conveyor[J].Industry and Mine Automation,2020,46(6):48-52.

[8] 彭晨,谢斌,张帅帅,等.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:CN110111303A[P].2019-08-09.

PENG Chen,XIE Bin,ZHANG Shuaishuai,et al.An intelligent tearing fault detection method of large scale conveyor belt based on dynamic image: CN110111303A[P].2019-08-09.

[9] 杨毅,侯成成,乔铁柱,等.一种基于红外图像的实时矿用胶带预警撕裂检测方法:CN109850518A[P].2019-06-07.

YANG Yi,HOU Chengcheng,QIAO Tiezhu,et al.A real-time mine-used belt tearing pre-alarming detection method based on infrared image: CN109850518A[P].2019-06-07.

[10] 耿杰龙.基于机器视觉技术的输送带撕裂检测应用研究[J].煤矿现代化,2018(4):59-61.

GENG Jielong.Research on the application of conveyer belt tearing detection based on machine vision technology[J].Coal Mine Modernization,2018(4):59-61.

[11] 甘福宝,黄友锐,韩涛,等.基于狮群优化二维Otsu算法的输送带撕裂检测方法[J].工矿自动化,2019,45(10):55-60.

GAN Fubao,HUANG Yourui,HAN Tao,et al.Conveyor belt tear detection method based on lion group optimization two-dimensional Otsu algorithm[J].Industry and Mine Automation,2019,45(10):55-60.

[12] 李现国,苗长云,杨彦利,等.一种基于线激光图像的输送带纵向撕裂在线检测方法:CN106276132A[P].2017-01-04.

LI Xianguo,MIAO Changyun,YANG Yanli,et al. On-line longitudinal tear detecting method of belt based on line laser image: CN106276132A[P].2017-01-04.

[13] 韩雷.基于线激光视觉检测的矿用输送机纵向撕裂保护系统研究[J].神华科技,2018,16(9):29-31.

HAN Lei.Study about mine conveyor longitudinal tear protection system by using line laser visual detection[J]. Shenhua Science and Technology,2018,16(9):29-31.

[14] 张喆,陶云春,梁睿,等.一种带式输送机故障诊断方法[J].工矿自动化,2020,46(4):81-84.

ZHANG Zhe,TAO Yunchun,LIANG Rui,et al.A fault diagnosis method of belt conveyor[J].Industry and Mine Automation,2020,46(4):81-84.

[15] 丁超,唐力伟,曹立军,等.一种针对多线结构光条纹图像的自动提取方法:CN109556533A[P].2019-04-02.

DING Chao,TANG Liwei,CAO Lijun,et al.An automatic extraction method for multi-line light fringe image:CN109556533A[P].2019-04-02.

[16] 徐辉.基于嵌入式平台的结构光检测算法的实现与优化[J].单片机与嵌入式系统应用,2018,18(2):47-49.

XU Hui.Realization and optimization of structure light detection algorithm based on embedded platform[J]. Microcontrollers & Embedded Systems,2018,18(2):47-49.

[17] 叶贵如,周青松,林晓威.基于数字图像处理的表面裂缝宽度测量[J].公路交通科技,2010,27(2):75-78.

YE Guiru,ZHOU Qingsong,LIN Xiaowei.Measurement of surface crack width based on digital image processing[J].Journal of Highway and Transportation Research and Development,2010,27(2):75-78.

Longitudinal tear detection of belt conveyor based on multi linear lasers

XU Hui1,2, LIU Lijing1,2, SHEN Ke1,2, ZOU Sheng1,2

(1.CCTEG Changzhou Research Institute, Changzhou 213015, China;2.Tiandi(Changzhou) Automation Co., Ltd., Changzhou 213015, China)

Abstract：The underground coal mine environment is dim, humid and dusty, and the collected video images are blurred, which makes it difficult to identify the longitudinal tear of the conveyor belt. The existing research results only focus on whether there is longitudinal tear, without involving the location of tear damage and trend tracking. This paper proposes a method for longitudinal tearing detection of belt conveyors based on multi-channel linear laser. This method uses a mine intrinsically safe structured light emitter to project multiple linear lasers onto the surface of the conveyor belt, and uses a mine intrinsically safe industrial camera to take linear laser stripe images. By extracting the center line of the laser stripe and analyzing its characteristics, this method determines whether there is longitudinal tear damage in a single frame image. When there is damage, this method can search for damage boundary points and calculate damage width and depth characteristic values. The method fuses multi-frame image detection results and speed sensor values to calculate the complete longitudinal tear damage length, average width and average depth. By detecting the position of the marker on the conveyor belt, the method can locate the longitudinal position of the tear damage and locate the lateral position by finding the bit width ratio of the starting point of the damage on the conveyor belt. And the damage trend tracking is realized based on the longitudinal position. The method is tested by setting the conveyor belt longitudinal tear damage length to 0.73, 0.95 m, the average width to 0.01 m, the average depth to 0.008 m, and the sampling rate to 25 frames/s. The results show that the method can accurately detect whether the belt conveyor has longitudinal tears, the average error of damage length calculation is 0.06 m, the average error of damage average width and average depth calculation is 0.001 m, and the error of longitudinal positioning is less than 0.1 m. It can determine the development trend of longitudinal tears accurately.

Key words:belt conveyor; longitudinal tear detection; longitudinal tear localization; longitudinal tear tracking; multi-channel linear laser; machine vision; data fusion

中图分类号：TD634.1

文献标志码：A

文章编号：1671-251X(2021)07-0037-08

DOI:10.13272/j.issn.1671-251x.17681

收稿日期：2020-11-13；

修回日期：2021-07-15；

责任编辑：李明。

基金项目：中国煤炭科工集团有限公司科技创新创业资金专项项目(2018MS031)。

作者简介：徐辉(1980-)，女，河北沧州人，工程师，硕士，研究方向为图像处理与机器视觉，E-mail：ziyanmomo@qq.com。

引用格式：徐辉，刘丽静，沈科，等.基于多道线性激光的带式输送机纵向撕裂检测[J].工矿自动化，2021,47(7)：37-44.

XU Hui,LIU Lijing,SHEN Ke,et al.Longitudinal tear detection of belt conveyor based on multi linear lasers[J].Industry and Mine Automation，2021,47(7)：37-44.