基于NSCT与PCNN的自适应输送带表面裂纹检测

(12)

　　快速连接PCNN分割算法模型如图4所示。

　　NSCT与PCNN输送带裂纹图像自适应分割算法流程如图5所示，具体步骤如下：

　　(1)用NSCT将输送带裂纹图像进行m尺度分解，得到一个低频子带系数和m个高频子带系数;

　　(2)对低频子带，使用邻域连接PCNN算法进行计算，分割出裂纹目标所在区域;

　　(3)对高频子带，使用快速连接PCNN算法进行计算，并且结合点火频率图分割出裂纹目标;

　　(4)低频图分割结果能够较好的覆盖目标所在区域，受噪声和背景干扰较小，但目标的边缘、轮廓等细节特征比较模糊;高频特征图的分割结果能够比较精确的获取目标的细节信息，但存在明显的噪声和背景干扰。为充分利用其各自优势，将高、低频分割结果进行“与”操作，再进行必要的膨胀和腐蚀等形态学处理算法。

4 实验结果与分析

　　为了验证本文算法的有效性，通过线阵CCD相机获取正在运行中的输送带裂纹图像，与OTSU算法、文献[12-13]算法进行比较，结果如图6所示。从图中可以看出，OTSU算法根本无法提取裂纹目标，文献[12-13]方法虽然可以提取裂纹目标，但是有些裂纹目标含有大量噪声，鲁棒性较差。本文算法克服上述算法缺点，准确的提取出裂纹目标。

　　为进一步检验本文算法的有效性和优越性，选择100张输送带图片包括60张裂纹缺陷图片及40张正常图片，分别进行横向对比检测，实验环境为：4核CPU、主频2.50GHz、4GB内存、Windows 7系统的台式机、应用软件环境是Matlab 2010a，实验图像大小你为256×256，4种算法结果如表1所示。

　　可以看出，对于裂纹缺陷图像，本文算法有6.7%的误检率，主要是因为这几张裂纹较轻微，与背景差距较小;对于正常输送带图像有7.5%的误检率，主要是因为部分输送带图像上粘有粉尘等杂质，被误判为裂纹缺陷本文法达到了较好的效果。OTSU算法和文献[13]算法运算速度较快但正确率较低，文献[12]算法能够保证一定的正确率但还有很大提升空间，本文算法虽然计算速度较慢，但正确率高。若用高级编程语言编写本文算法，检测时间将会有较大提升。

5 结论

　　由于输送带裂纹图像整体对比度低，传统检测手段难以提取裂纹目标，为此本文提出了一种基于NSCT和PCNN的自适应裂纹缺陷检测算法，该算法通过NSCT将图像分解成低频子带和高频子带，对低频子带采用邻域连接PCNN算法分割，对高频子带结合快速连接PCNN算法和点火频率图进行分割，最后将二者分割后的图像用形态学方法融合，最终提取裂纹目标。

　　实验结果表明，本文方法能有效地提取出不同输送带图像的裂纹缺陷，对于本文算法处理时间较长的缺点，是下一步需要改进的方向。

参考文献：

　　[1]卫霞. 基于图像处理的传送皮带裂纹检测[D]. 太原: 太原理工大学, 2011

　　[2]唐艳同,乔铁柱,牛犇.输送带纵向撕裂在线监测预警系统的设计[J].煤矿机械, 2012, 33(5): 242-245

　　[3]冯广生, 李文英. 图像处理技术在胶带撕裂检测中的应用[J]. 机械工程与自动化, 2007, (3): 104-106

　　[4]魏涛. 煤炭输送带裂纹检测技术研究[D]. 太原：中北大学，2010.

　　[5]金星,李晖晖,时不丽.非下采样Contourlet变换与脉冲耦合神经网络相结合的SAR与多光谱图像融合[J]. 中国图象图形学报, 2012, 17(9): 1188-1195

　　[6]李雪琴,蒋红海,刘培勇,等.非下采样Contourlet域自适应阈值面的磁瓦表面缺陷检测[J]. 计算机辅助设计与图形学学报, 2014, 26(4): 553-558

　　[7]廖传柱,张旦,江铭炎.基于ABC-PCNN模型的图像分割[J]. 南京理工大学学报, 2014, 38(4): 558-565

　　[8]KONG W W, LEI Y J, LEI Y. Image fusion technique based on non-susampled contourlet transform and daptive unit-fast-linking pluse-coupled neural network[J]. IET Image Processing, 2011, 5(2): 113-121

　　[9]郝爱枝,郑晟.基于NSCT-PCNN变换的多传感器图像融合[J]. 科学技术与工程, 2014, 14(1): 45-48

　　[10]YANG Shuyuan, WANG Min, LU Yanxiong, et al.Fusion of multiparametric SAR images based on SW-nonsusampled contourlet and PCNN[J]. Signal Processing, 2009, 89(12): 2596-2608

　　[11]SHI J, CHI Y, ZhANG N. Multichannel sampling and reconstruction of bandlimited signals in fractional Fourier domain[J]. IEEE Signal Processing Letters, 2010, 17(11):, 909–912

　　[12]李海燕,张榆锋,施心陵,等.基于灰度迭代阈值脉冲耦合神经网络的图像分割[J]. 计算机应用, 2011, 31(10): 2753-2756

　　[13]李庆武,马国翠,霍冠英,等.基于NSCT域边缘检测的侧扫声呐图像分割新方法[J]. 仪器仪表学报, 34(8):1795-1800