摘 要： 以数字图像处理技术为基础，设计一种对提升机钢丝绳进行表面无损检测的方法。首先利用Retinex理论的图像增强算法消除光照影响，突出物体表面特征。然后采用Roberts边缘检测算子检测目标钢丝绳边缘，用列统计滤波技术将钢丝绳本体与背景分离，再基于灰度变换和坎尼边缘检测器提取绳股纹理。接着使用一种改进型积分投影方法反映绳股内纹理完整性信息，最后通过BP神经网络模型作出最终结果的预测。从实验结果来看，本文的检测方法能够取代人工目视检测，方便清晰，科学有效。
关键词： 钢丝绳无损检测；Retinex算法；纹理识别；积分投影；BP神经网络
0 引言
随着整个社会的工业化程度越来越高，钢丝绳的使用也愈发普遍，它已经成为机械、建筑、石油、电子、矿山、交通、娱乐、旅游等部门中不可或缺的重要构件。
但是近年来钢丝绳的使用安全问题频有发生，如何对其进行安全评估与检测也越发引人关注。在本文提到的提升机运行过程中，钢丝绳作为一种承重构件，在使用的过程必然会因环境影响和长期承重，引发形变、腐蚀、断丝甚至骤断现象，它的损伤情况和承载能力时刻关系到人们的生命财产安全。目前普遍采用人工定期检查和周期强制更换钢丝绳的办法来保证安全运行。但是这些方法要么不够客观科学，要么将浪费巨大的人力物力，都无法满足现代工业高效率、自动化的要求。因而研究新的智能化的钢丝绳缺陷检测方法，对社会安全和国民经济都意义重大。本文以提取的钢丝绳图像的表面纹理特征作为缺陷识别的基础，提出一种基于BP神经网络的提升机钢丝绳无损检测方法[1]。
1 钢丝绳无损检测
1.1 基于Retinex理论的图像预处理方法
由于本文是基于钢丝绳表面纹理进行识别，而所研究的对象处于光照不均匀的复杂环境中，得到的图像常伴有阴影，影响判断，所以首先要对图像进行一定程度的预处理。
根据Retinex算法理论，一幅给定的图像由入射光图像和反射光图像两部分组成，经分析可知，入射光成分是整个图像中变化缓慢的灰度分量，对应了图像的低频成分；反射光成分则在图像中表现为灰度分量急剧变化，反映物体的边缘，对应图像的高频成分。因此，为了消除光照带来的影响，采取压制低频分量、突出高频分量的方法，尽量反映物体细节，增强对比度，这就是Retinex理论的图像增强算法。Retinex经典的算法是将图像用FFT运算变换到频域上来进行处理。但是频率域算法存在几个比较明显的缺点：（1）频域是基于整幅图像的，无法得到局部处理的效果；（2）用FFT运算来回变换会大大增加计算量。为克服以上缺点，有人考虑将同态滤波放到空间域上来做，一般的做法是：对原始图像进行对数运算，变换到对数域，分离图像的低频成分和高频成分，接下来选用高斯低通滤波器对图像进行滤波得到低频分量，再用原始图像减掉低频分量就可以得到最终所需要的高频分量。由于最初用了取对数的方法，所以最后要进行反对数运算才能得到最终所需要的图像。本文采用空域同态滤波算法[2]对钢丝绳图像进行预处理，以消除不均匀光照带来的降质，运算效率高，预处理效果好。具体算法步骤如下。
图像的灰度函数f（x，y）可以看成是入射光分量与反射光分量的乘积：
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）<∞。对图像作对数运算，分离入射光和反射光，即：
z（x，y）=ln f（x，y）=ln i（x，y）+ln r（x，y）（2）
接下来对z（x，y）进行低通滤波后，留下的将是低频分量，即入射光分量：
z′（x，y）=LPF{z（x，y）}≈ln i（x，y）（3）
因此，为得到高频增强的图像（反射光分量），考虑用原图减去低通滤波后的图像：
s（x，y）=z（x，y）-z′（x，y）≈ln r（x，y）（4）
但是，通过实验观察到，如果只是用原图减去低通滤波的图像，就等同于普通的高通滤波，仅仅增强了图像细节而未能达到均匀光照的目的。为了得到放大高频削弱低频的效果，考虑加入一个入射光常量i0，保留所需要的低频信息：
s（x，y）=z（x，y）-z′（x，y）+lni0≈ln r（x，y）+lni0（5）
最后，进行反对数运算，将s（x，y）变换回去：
s′（x，y）=exp[s（x，y）]≈i0r（x，y）（6）
由图1、图2对比可见，经空间域Retinex算法后，光照影响几乎消除。
1.2 钢丝绳边缘分割
为了把目标钢丝绳从不相干的背景图像中分离出来，本文首先用Roberts算子对其进行边缘检测[3]。Roberts边缘检测算子是利用对角线方向相邻两像素点灰度值之差近似梯度幅值的特性来检测边缘，令f（i，j）为输入图像，g（i，j）作为输出的图像，则Roberts边缘梯度可由下式计算出：
g（i，j）={[f（i+1，j+1）-f（i，j）]2+[f（i，j+1）-f（i+1，j）]2}（7）
Roberts算子对本图像的处理结果如图3，可见其对钢丝绳的边缘比较敏感，能够清晰地识别出钢丝绳本体的轮廓。但由于背景信息的存在，仍不可避免地产生了一些杂点。观察到钢丝绳在图像中垂直放置，而杂点分布在水平方向上，考虑采取统计滤波的方法，统计二值图像每一列的白像素点，对结果进行分析并设置阈值，滤除背景噪声的干扰，得到最优的改善后的边缘图像。然后基于这个图像，就可以将目标钢丝绳从背景中提取出来，如图4。
1.3 钢丝绳表面斜向纹理识别
无损钢丝绳表面斜向纹理将呈现连续状态，接下来研究提取表面斜向纹理的方法。首先，为增强绳内所需要的纹理细节，依照上文提到的Retinex原理，对图像进行高通滤波。因高通滤波后的图像对比度较低，再对其进行基于imadjust的灰度变换。
基于灰度变换图像就可以对绳股纹理进行提取。经实验发现选用坎尼边缘检测器[3-4]将得到最理想的效果，如图5。坎尼算子错误率低，能很好地定位边缘点，并且只会产生单一的边缘点。
1.4 改进的积分投影算法
积分投影算法[5]是最为常用的一种投影算法。用它来获取图像的投影特征能够很好地表达图像在空间中水平方向和垂直方向的像素分布规律。本文着重垂直方向的像素特征，假设Fij表示图像在（i，j）处的灰度值，在[y1，ym]的垂直积分投影PYj表示为：
由图5可知，钢丝绳的表面纹理为斜向延伸，因此，考虑对垂直投影积分算法进行改进，即将图像进行逆时针旋转，在某一个角度域内对所得的积分结果进行最优判断，选出符合要求的最佳积分图像。判断的思路如下：由于当垂直积分方向与钢丝绳股走向一致时，每一条绳股所在的位置即对应投影图像上的一个极值点；实际中每幅图像包含的目标绳股数目相对固定，即所有有效极值点产生的平均能量相差不大。基于这两个思路，可以对不同角度上的垂直积分投影图像做出以下两点限制：
（1）限制有效极值点Pi数量范围，其值应该等于每幅图中设定的待检测的绳股数量P的两倍，因为每根绳股会产生两个边缘，即两个高度相近的极值点，如图8。可将脉冲高度最大的2P个极值点作为有效极值点。
（2）限制图像中有效极值点的平均能量值为EM，当图像在角度域内旋转过程中，EM达到最大时，可认为积分方向与绳股方向垂直。因此，当满足以上两点时，即可获得积分角度最佳的图像。
由于坎尼边缘检测得到图像不可能是笔直的直线且边缘较细，若在此基础上直接进行积分投影会产生较大的误差，因此，首先对图像进行适当的膨胀运算以加粗边缘，再进行角度自适应运算，可得如图6所示的结果。图7、8分别为钢丝绳表面无损和有损的情况下得到的垂直积分投影结果，通过比较可以明显地在脉冲数量、脉冲宽度，以及脉冲能量平均值上加以区分，而这些也是下文建立的最终判断模型的输入。
2 2 基于BP神经网络的钢丝绳缺陷检测
为了对提升机钢丝绳表面缺陷进行智能判别，依照人工神经网络算法[6-7]原理，建立一个三层BP神经网络，包含输入层、输出层和隐含层。其中，输入层节点数为4，其输入值分别为有效脉冲数量、脉冲宽度、脉冲高度总和以及待检测钢丝绳的半径，输出层节点数为1，隐含层节点数为6。选用Sigmoid函数为激发函数，选用误差信号反向传播算法为训练算法。假设第k个训练样本的第L-1层的第j个神经元的传输函数和输出分别为
，则：
通过统计训练集的输出结果，可以判断阈值的范围。上式中选取学习速率
为0．1，瞬时常数
为0.8，使用50幅钢丝绳无损图像和50幅钢丝绳有损图像来训练神经网络模型，对表面有损的钢丝绳，输出为0，否则输出为1。权值在开始时选择满足正态分布的随机数。表1为神经网络建模的部分输出结果。
分析神经网络输出和相应的钢丝绳状态，选取神经网络模型输出判断阈值为0.6，这样输出结果大于0.6时判别为有损，小于0.6时则判别为无损。
3 结果分析
将现场采集得到的80幅钢丝绳原始图片（表面无损40幅，表面有损40幅）作为输入神经网络模型进行无损检测。通过BP神经网络智能判别模型，钢丝绳检测试验结果如表2所示。
可以看到，实验结果的准确率均高于90%，且对有损的判断还要更为准确。因此，本文提出的方法具有一定的实际意义，可以替代人工检测。另外，对误差原因进行分析，完好的钢丝绳在实际应用中常常伴有污渍或杂质，而缺损的钢丝绳可能断丝并不明显，这些都会影响判断，造成误判。但是误差在可以接受的范围之内，这种算法可满足实际检测的需要。
4 结论
本文基于数字图像技术，研究了一种基于钢丝绳表面纹理识别的无损检测方法，利用Roberts算子和统计滤波提取钢丝绳图像，坎尼检测器提取绳股纹理图像，并用一种改进的垂直积分投影算法反映纹理分布特征，最后采用BP神经网络模型作出智能决策。通过实验结果可知，该方法方便简洁，实时性高，可以应用于实际提升机运行系统中。
参考文献
[1] 袁方，胡斌梁，周知进.在役钢丝绳缺陷检测方法的研究现状与展望[J].机械设计与制造，2010（2）：260-262.
[2] 闻莎，游志胜.性能优化的同态滤波空域算法[J].计算机应用研究，2000（3）：62-65.
[3] 马艳，张治辉.几种边缘检测算子的比较[J].工矿自动化，2004（1）：54-56.
[4] 崔炜.基于改进的Canny算子图像信息提取算法研究[J].科技通报，2012，28（4），52-54.
[5] 冯建强，刘文波，于盛林.基于灰度积分投影的人眼定位[J].计算机仿真，2005（4）：75-76，104.
[6] 李春华，王璐.基于BP神经网络的钢丝绳断丝检测系统[J].黑龙江科技学院学报，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.