皮带撕裂智能监测终端在电厂输煤皮带机的应用研究

黄志平

（国能常州发电有限公司，江苏 常州 213000）

1 背景与意义

皮带运输机是电厂输煤系统的主要设备。随着生产效率提高，皮带运输机在运行速度、使用规模和传输距离等方面不断提高。运输过程中极易出现穿刺、磨损、卡压皮带情况，造成皮带的损伤和撕裂。运行中皮带如果发生撕裂，不能及时处理，将形成安全生产隐患，造成严重后果。

皮带主要材料为橡胶，因为输送速度和长度的提高，输送皮带机中普遍使用钢绳芯皮带，横向抗拉强度和承载能力显著提高，但纵向抗撕裂强度没有显著提高。皮带纵向撕裂是皮带运输机面临的重要问题。

皮带运输机发生纵向撕裂分为：（1）皮带跑偏撕裂。（2）抽芯撕裂。（3）异物划伤撕裂。（4）物料卡压撕裂。带式运输机运行速度普遍较高，速度可达3～5m/s，带动电机功率较大，在皮带发生撕裂以后，没有及时处理，会导致皮带运输机发生贯穿性撕裂。严重时，造成物料倾洒、损毁减速器和电动机等设备，甚至会损毁机架结构，威胁企业生产和员工人身安全。

2 机器视觉系统技术概要

为了弥补皮带运输机多数依靠老式检测装置或单纯依靠人工定期巡检作为皮带撕裂检测手段而出现漏检、发现不及时等情况。使用机器视觉技术辅助以激光为结构光在皮带撕裂处造像与智能监测终端组成的视觉系统对皮带进行检测。

2.1 皮带撕裂检测系统的使用条件

撕裂检测要求：稳定、准确地对皮带状况进行检测。运行环境：户外、高粉尘、照度不好、有振动和噪音。运行参数：皮带机带宽1.8m、带速3.7m/s。

2.2 机器视觉系统使用技术分析

皮带运输机在户外、高粉尘、照度不好的环境，皮带表面变形（凹、凸点多）、连续运行（背景变化频率高），人员长时观察难度大故障识别率和准确率无法保证。机器视觉系统具有：（1）非接触测量。（2）具有较宽的光谱响应范围，适用可见光或非可见光。（3）长时间稳定工作，人类难以长时间对同一物体进行观察，而机器视觉则可以长时间地做分析和识别任务。（4）系统自动化程度高、易于信息集成、检测稳定和鲁棒性强。

视觉检测是通过机器视觉产品(图像摄取装置，分CMOS和CCD两种)将被摄取目标转换成图像信号（一个大的二维数组，该数组的元素称为像素，其值称为灰度值），传送给专用的图像处理系统，根据像素分布和亮度、颜色等信息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。

机器视觉系统的选用需要考虑：（1）运行速度和图像的处理速度。（2）使用彩色还是黑白摄像机。（3）检测目标的尺寸和有无缺陷。（4）视场需要多大。（5）分辨率需要多高。（6）对比度需要多大等。从功能上可以分为：图像采集部分、图像处理部分和运动控制部分。

3 图像数据处理功能

在机器视觉系统中，获得一张高质量的可处理的图像至关重要。系统之所以成功，首先要保证图像质量好，特征明显。要取得好的图像，必须要选择合适的光源、图像数据的合理算法实现图像特征的高精度快速提取。皮带撕裂检测算法研究是检测系统中对图像采集数据进行处理分析给出检测结果的关键步骤，也是检测系统软件组成的主要模块。

3.1 光源的选择

好的光源需要能够使寻找的特征非常明显，除了使摄像头能够拍摄到部件外，好的光源应该能够产生最大的对比度、亮度足够且对部件的位置变化不敏感，满足长时工作要求。激光具有：（1）激光束的发散度极小，大约只有0.001弧度，接近平行。（2）激光的亮度极高，能够照亮远距离物体。（3）激光波长分布范围非常窄，因此颜色极纯，激光器的单色性远远超过任何一种单色光源（单色光不产生色差）。（4）激光的相干性极好，非常容易产生干涉、衍射等波动现象。（5）激光源对部件的位置敏感度最小。

3.2 可处理图像的取得

在恶劣环境，高速连续运行；运输机皮带为背景与皮带裂痕色差小（非贯通伤痕但隐患较大），易于产生“噪声”的环境下提取高质量的图像：采用机器视觉技术辅助“一”形线性激光，利用皮带作为激光条纹投射背景，激光条纹作为皮带撕裂特征载体，检测重点变成对激光条纹的提取和识别，降低检测难度，减少处理时间，保证了检测的准确性和时滞性（图1）。

图1 激光照射

3.3 图像的处理

图像处理一般包括：（1）图像压缩；（2）增强和复原；（3）匹配、描述和识别3个部分，而不是产生另一个图像。为此，既要利用模式识别技术，又要利用关于图像内容的知识库，即人工智能中关于知识表达方面的内容。图像分析需要用图像分割方法抽取出图像的特征，然后对图像进行符号化的描述。

图片分析和理解为目的分割、描述和识别用于各种自动化的系统，在这类应用中，往往需综合应用模式识别和计算机视觉等技术，图像处理更多的是作为前置处理而出现的。皮带撕裂检测系统中提取的激光条纹会根据皮带表面的深度信息变化而发生调制，在图像数据中表现的特征就是激光条纹发生各种畸变。

3.3.1 图像提取预处理

图像预处理将图片进行ROI提取，通过图像预处理实现图像对比度的增强，突出更多细节，使其更适合计算机处理，提高检测性能（图2）。

图2 激光条纹

3.3.2 图像滤波去噪处理

皮带撕裂检测系统检测环境复杂，现场粉尘、室外光强变化、CCD靶面采样和量化过程都会对现场采集数据混入各种类型噪声。噪声污染引起的数据失真，将影响检测效率。

可以通过中值滤波借助排序统计理论来实现噪声抑制。中值滤波是一种非线性信号处理技术，对皮带撕裂检测系统所处检测环境存在的大量的脉冲噪声有较好的抑制效果。可以较好的完成孤立噪声点的去除，实现图像的平滑处理。可以极大限度的消除脉冲干扰噪声，也可一定程度上减轻图像边沿的模糊（图3）。

图3 中值滤波图像对比

3.3.3 图像增强

图像在计算机中以数值矩阵的形式存在，形成了离散的数值信号。计算图像的梯度通过提取边缘信息，实现边缘检测。图像增强加工后的图像在某一灰度范围内有更好的对比度；抑制叠加在图像上的随机性干扰；使图形的轮廓线增强。易于分析和检测图像包含的信息。

3.3.4 线段提取算法

皮带裂纹识别算法模型的核心是线段提取算法。线段提取的目的是检测图像中的局部直线边缘，边缘是灰度值变化明显的图像区域。线段提取算法耗时短、识别精度高，保证了系统的实时高效（图4）。

图4 线段提取

采集图像中激光中心条纹数据为目标区域，其余的图像称为背景区域。通过阈值分割算法将目标数据从背景区域中分割出来。

激光目标数据和背景区域中像素灰度值差距较大，应用梯度查找以及边界搜索实现激光线段的提取。经过图像预处理后的激光条纹图像，灰度级差距明显，特征对比性强。

经典Hessian矩阵激光条纹中心线提取方法是典型的线段提取算法。经典Hessian矩阵算法优势在于精度高和适应性好，结合脊线跟踪的提取算法，能够实现激光条纹中心线的高精度快速提取（图5）。

图5 线段提取结果

4 边缘计算

边缘计算是指在靠近物或数据源头的一侧，采用网络、计算、存储、应用核心能力为一体的开放平台，提供近端服务，产生更快的网络服务响应。云端计算，仍然可以访问边缘计算的历史数据。

边缘计算特点包括：（1）低延迟，提高响应速度；（2）在本地进行实时数据处理；（3）更低的运维成本，因为数据量分散到不同节点；（4）更低的网络流量，因为传输的数据更少。

皮带运输机的应用形成：线长、面广、控制节点多、高速连续运行的特点。而机器视觉系统中，获得一张高质量的可处理的图像至关重要，所以图像数据处理量大且时效要求高，通过网络统一传输至中控室处理，网络质量难以保证、数据延时长、信息处理效果不理想。

在皮带撕裂检测系统就近配置智能监测终端，大量的计算包括视频图像分析处理等均在检测点安装的智能监测终端中完成计算和处理，仅将结果反馈给中控服务器，无需将海量数据实时上传至服务器处理，大幅减小了中控服务器的资源占用和处理压力，也大幅减小了对网络的依赖，从本质上提高了系统的可靠性。

5 皮带撕裂系统运行分析

机器视觉可以准确识别出视频中活动的目标和背景干扰，所以对于移动侦测，抗干扰能力高；依赖于图像算法对影像内容进行分析，提取视频中关键信息，进行标记或者对各种属性描述进行快速检索，形成相应事件和告警的监控方式。

智能监测终端拥有边缘计算功能，可以理解为“基于信息的控制”，提供近端服务，产生更快的网络服务响应，满足行业在实时业务、应用智能等方面的基本需求。

机器视觉和智能监测终端组成的皮带撕裂检测系统可以有效提高皮带撕裂的识别准确率，减小网络的信息传输量和时间延迟，为监控工作站提供有效的信息，实现解决方案的快速制定和执行路径优化，提高了安全生产隐患的排查和消除的能力，为生产的平稳、安全运行提供了有力保障。