一种上料皮带破损缺陷智能检测方法及系统技术方案

本发明专利技术公开了一种上料皮带破损缺陷智能检测方法及系统，通过对采集的皮带图像进行预处理，构造皮带破损检测网络以及基于皮带破损检测网络对皮带破损缺陷进行检测，解决了现有皮带破损检测精度低的技术问题，通过在现有YOLOv3目标检测网络中加入密集连接模块和高斯模块，能获得高精度的皮带破损检测网络，大大提升了皮带破损缺陷的检测精度，该方法及系统具有非接触性、高精确性、强稳定性、投资成本少等优点。少等优点。少等优点。

【技术实现步骤摘要】
一种上料皮带破损缺陷智能检测方法及系统


[0001]本专利技术主要涉及高炉冶炼
，特指一种上料皮带破损缺陷智能检测方法及系统。

技术介绍

[0002]带式输送机是在冶金、港口、建材等诸多领域输送物料的重要运输装备。上料皮带在带 式输送机中既是牵引机构又是承载结构，它成本高，约占输送机成本的50％左右。皮带主要 材料为橡胶，为了增加皮带承载能力，皮带生产时中间贯穿钢绳芯，虽然横向抗拉强度和承 载能力显著提高，但是其纵向抗撕裂强度并没有显著提高。调查显示，90％的皮带撕裂均为 纵向撕裂，皮带纵向撕裂一直是皮带运输机面临的重要问题。皮带撕裂事故一旦发生，价值 数十万元甚至上百万元的输送皮带，在几分钟内就会全部毁坏。
[0003]皮带破损是皮带撕裂的重要诱因，当皮带破损未被及时检测并完成修补时，很可能逐渐 扩大直至出现皮带撕裂。常见的皮带破损检测方法有漏料检测法、预埋金属线圈检测法、可 见光图像破损边缘检测法。漏料检测法通过机械装置进行破损检测，输送带出现破损时，输 送带上的物料经由输送带裂口泄露到输送带下方的托盘里，触发机械开关，进而进行报警。 漏料检测法实现简单，被广泛使用，但寿命短，受环境因素影响较大，易误检测。预埋金属 线圈检测法指的是在输送带中每隔一定距离埋设传感器线圈，并在输送带两侧各安装一组探 头。运行过程中输送带一旦发生破损，线圈回路就会被切断，接受探头无信号从而报警。嵌 入法可行性高，但需使用特制的输送带，使得生产投入较大，成本高，推广困难。可见光图 像破损边缘检测法通过可见光相机采集皮带图片，通过边缘检测算法提取裂纹信息，使用 SVM支持向量机进行有监督的机器学习完成破损皮带图像的分类。该方式虽然具有非接触、 智能化程度高的优点，但传统的边缘检测算法很难从二维皮带图像中辨别带有深度信息的裂 痕，检测精度有限。综上，目前的皮带破损检测方法都有较大的缺陷。因此，研究一种新型 皮带破损缺陷智能检测方法，精确迅速地报警皮带破损缺陷，对于工业生产中皮带输送物料 的安全稳定高效运行具有极其重要的意义，能够有效降低上料皮带破损造成的生产事故和经 济损失。
[0004]专利公开号为CN110171691A的专利技术专利是一种采用平行线激光组进行皮带撕裂检测的 方法。该专利首先连续获取具有N条平行激光光线的皮带的非工作面图像，之后识别每张图 像上的激光光线，并通过激光线的端点个数判断皮带是否出现撕裂异常。但是该检测方法算 法较简单，仅通过辅助激光线的端点个数判断，鲁棒性较差。此外该方法仅能检测出发生严 重撕裂的皮带图像，无法对早期皮带破损进行检测，难以对皮带撕裂进行提前预警。
[0005]专利公开号为CN113548419A的专利技术专利是一种基于机器视觉图像识别的皮带撕裂检测 方法。该专利首先采集通过线激光辅助的皮带表面图像，之后采用最大类间方差阈值法进行 图像分割。将分割后的皮带表面图像输入预先构建好的深度卷积生成对抗网络，深度卷积生 成对抗网络包括生成器模型和鉴别器模型，输出实时皮带表面图像所对应的
破损类别概率值， 预测皮带图像破损类别。但该专利只能对皮带是否发生撕裂做分类判断，无法通过目标检测 准确定位破损位置，也无法得到破损区域的大小。

技术实现思路

[0006]本专利技术提供的上料皮带破损缺陷智能检测方法及系统，解决了现有皮带破损检测精度低 的技术问题。
[0007]为解决上述技术问题，本专利技术提出的上料皮带破损缺陷智能检测方法包括：
[0008]对采集的皮带图像进行预处理；
[0009]构造皮带破损检测网络；
[0010]基于皮带破损检测网络对皮带破损缺陷进行检测。
[0011]进一步地，构造皮带破损检测网络包括：
[0012]基于YOLOv3目标检测网络中的Darknet
‑
53特征提取网络，构造皮带破损特征提取网络， 其中皮带破损特征提取网络包括依次连接的DBL模块、第一残差模块、第二残差模块和密集 连接模块，其中第一残差模块包括一个残差单元，第二残差模块包括二个残差单元，密集连 接模块的具体公式为：
[0013]x
l
＝H
l
(Concat[x0,x1,...,x
l
‑1])；
[0014]其中，x
l
为密集连接模块的输出，H(
·
)为非线性变换函数，x0,x1,...,x
l
‑1为密集连接模块第 0层到第l
‑
1层的输出值，Concat[x0,x1,...,x
l
‑1]代表将x0,x1,...,x
l
‑1进行特征图拼接，l为自定义的非 线性处理的次数；
[0015]基于YOLOv3目标检测网络中的多尺度特征预测网络，构造皮带多尺度特征预测网络；
[0016]构造包含预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度的均值和方差的 皮带输出变量，其中预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度符合高斯 分布；
[0017]基于YOLOv3目标检测网络中的边界框预测网络和皮带输出变量，构造皮带边界框预测网 络；
[0018]基于皮带破损特征提取网络、皮带多尺度特征预测网络以及皮带边界框预测网络，构造 皮带破损检测网络。
[0019]进一步地，基于皮带破损检测网络对皮带破损缺陷进行检测包括：
[0020]采用皮带破损检测网络中的皮带破损特征提取网络，提取皮带破损特征；
[0021]采用皮带破损检测网络中的皮带多尺度特征预测网络，对皮带破损特征进行多尺度预测， 获得皮带破损多尺度特征；
[0022]构造损失函数，并基于损失函数对皮带破损检测网络进行训练；
[0023]采用训练好的皮带破损检测网络，对皮带破损缺陷进行检测。
[0024]进一步地，构造损失函数包括：
[0025]获取预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度的均值和方差；
[0026]求取预测框的损失，其中预测框的损失包括预测框横向坐标损失、预测框纵向坐标损失、 预测框宽度损失以及预测框高度损失，具体计算公式为：
[0027][0028]其中，L
X
,L
Y
,L
W
,L
H
分别表示预测框横向坐标损失、预测框纵向坐标损失、预测框宽度 损失以及预测框高度损失，x
G
,y
G
,w
G
,h
G
分别表示预测框横向坐标、预测框纵向坐标、预测框 宽度以及预测框高度的真值,分别表示预测框横向坐标、预测框纵向坐标、预 测框宽度以及预测框高度的均值估计值，分别表示预测框横向坐标、预 测框纵向坐标、预测框宽度以及预测框高度的标准差估计值，代表真值x
G
服 从均值为标准差为的高斯分布中的概率密度函数，代表真值y
G
在 服本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种上料皮带破损缺陷智能检测方法，其特征在于，所述方法包括：对采集的皮带图像进行预处理；构造皮带破损检测网络；基于皮带破损检测网络对皮带破损缺陷进行检测。2.根据权利要求1所述的上料皮带破损缺陷智能检测方法，其特征在于，构造皮带破损检测网络包括：基于YOLOv3目标检测网络中的Darknet
‑
53特征提取网络，构造皮带破损特征提取网络，其中皮带破损特征提取网络包括依次连接的DBL模块、第一残差模块、第二残差模块和密集连接模块，其中第一残差模块包括一个残差单元，第二残差模块包括二个残差单元，密集连接模块的具体公式为：x
l
＝H
l
(Concat[x0,x1,...,x
l
‑1])；其中，x
l
为密集连接模块的输出，H(
·
)为非线性变换函数，x0,x1,...,x
l
‑1为密集连接模块第0层到第l
‑
1层的输出值，Concat[x0,x1,...,x
l
‑1]代表将x0,x1,...,x
l
‑1进行特征图拼接，l为自定义的非线性处理的次数；基于YOLOv3目标检测网络中的多尺度特征预测网络，构造皮带多尺度特征预测网络；构造包含预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度的均值和方差的皮带输出变量，其中预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度符合高斯分布；基于YOLOv3目标检测网络中的边界框预测网络和皮带输出变量，构造皮带边界框预测网络；基于皮带破损特征提取网络、皮带多尺度特征预测网络以及皮带边界框预测网络，构造皮带破损检测网络。3.根据权利要求2所述的上料皮带破损缺陷智能检测方法，其特征在于，基于皮带破损检测网络对皮带破损缺陷进行检测包括：采用皮带破损检测网络中的皮带破损特征提取网络，提取皮带破损特征；采用皮带破损检测网络中的皮带多尺度特征预测网络，对皮带破损特征进行多尺度预测，获得皮带破损多尺度特征；构造损失函数，并基于损失函数对皮带破损检测网络进行训练；采用训练好的皮带破损检测网络，对皮带破损缺陷进行检测。4.根据权利要求3所述的上料皮带破损缺陷智能检测方法，其特征在于，构造损失函数包括：获取预测框横向坐标，预测框纵向坐标，预测框宽度，预测框高度的均值和方差；求取预测框的损失，其中预测框的损失包括预测框横向坐标损失、预测框纵向坐标损失、预测框宽度损失以及预测框高度损失，具体计算公式为：
其中，L
X
,L
Y
,L
W
,L
H
分别表示预测框横向坐标损失、预测框纵向坐标损失、预测框宽度损失以及预测框高度损失，x
G

【专利技术属性】
技术研发人员：蒋朝辉，欧楠青，潘冬，桂卫华，
申请(专利权)人：中南大学，
类型：发明
国别省市：