一种复杂工况下基于深度学习的皮带跑偏检测方法技术

本发明专利技术涉及一种复杂工况下基于深度学习的皮带跑偏检测方法，包括以下步骤步骤一：选取YOLOv5模型，在Head部分添加分割头的方式同时进行目标检测和语义分割；步骤二：通过摄像装置将采集到的图像做好标签放入网络中进行模型训练；步骤三：根据训练好的模型和搭建的系统拟合皮带边缘和托辊最外侧连接线的直线方程；步骤四：根据拟合的直线方程计算皮带中线与托辊的中线距离，从而建立皮带跑偏检测数学模型；步骤五：工作人员给定跑偏标准，根据不同工位的要求，选择合适的报警阈值进行报警；计算出皮带中线与托辊的中线距离，建立皮带跑偏的判断模型，实现了皮带跑偏的精确检测，利用深度学习，实现了复杂工况下皮带和托辊特征提取。提取。提取。

【技术实现步骤摘要】
一种复杂工况下基于深度学习的皮带跑偏检测方法


[0001]本专利技术涉及皮带跑偏检测
，尤其涉及一种复杂工况下基于深度学习的皮带跑偏检测方法。

技术介绍

[0002]皮带运输机作为煤矿运输的重要设备之一，跑偏故障却时有发生，造成煤矿生产效率降低，现有的皮带检测方法在一些常规的环境中能够起到很好的效果，但是实际的皮带运输机的工作环境并不是理想中的环境，其间会掺杂很多的干扰因素，比如因擦拭摄像头表面灰尘或者现场噪音产生的震动会引起摄像头发生小范围偏移而造成ROI区域发生改变、现场光线不足等复杂工况，很多基于传统机器视觉的皮带跑偏检测系统的稳定性并不是很高，很容易受到现场环境的影响。
[0003]公开号为CN 114155494 B的中国专利公开了一种基于深度学习的带式输送机输送带跑偏监测方法，，利用通用目标检测网络进行输送带边缘直线特征的检测并实现跑偏状态的有效判定；该专利需要特定的标注方式，利用目标检测框顶点来计算皮带边缘直线方程，通过在相机视野边界选取点来计算皮带左右边缘与相机视野边界的距离，来判断跑偏，制作数据集较为复杂，模型的泛化性无法保证，建立的直线方程无法保证目标检测框的对角线正好与皮带边缘重合，并且相机在发生轻微偏移时，其边界到皮带边缘的距离也会发生改变，判断跑偏时的阈值很难确定，因此检测结果因多方因素影响导致检测不准确。
[0004]公开号为CN 111003446 A的中国专利公开了一种皮带跑偏检测方法，包括以下步骤：根据皮带长度在皮带上方安装多个摄像头；对每个所述摄像头视频图像中的皮带两侧设置电子界限和偏离级别阈值；通过网络以及RTSP协议实时获取每个所述摄像头的视频图像；对所述视频图像中的皮带两侧进行边缘提取；将提取出的边缘与预先设置的电子界限进行对比，得出偏离值；将得出的偏离值与预先设置的偏离级别阈值进行对比，判断皮带是否跑偏以及跑偏的程度；实现对皮带跑偏情况的实时智能检测，提高了检测效率和准确性；但该专利所采用的方法需要大量的历史数据作为支撑，且模型一旦建立不容易更改，因此当复杂工况情况下容易出现偏差，导致检测不准确。
[0005]本专利技术提供了一种复杂工况下基于深度学习的皮带跑偏检测方法，在复杂工况下计算皮带中线与托辊的中线距离，建立皮带跑偏的判断模型，并利用深度学习避免传统摄像装置弊端带来的影响。
[0006]为了达到上述目的，本专利技术采用以下技术方案实现：
[0007]一种复杂工况下基于深度学习的皮带跑偏检测方法，包括以下步骤：
[0008]步骤一：选取YOLOv5模型，在Head部分添加分割头的方式同时进行目标检测和语义分割；
[0009]步骤二：通过摄像装置将采集到的图像做好标签放入网络中进行模型训练，将整个系统分为图像采集模块、皮带与托辊识别模块、皮带跑偏判断模块和预警模块，从而搭建检测系统；
[0010]步骤三：根据训练好的模型和搭建的系统拟合皮带边缘和托辊最外侧连接线的直线方程；
[0011]步骤四：根据拟合的直线方程计算皮带中线与托辊的中线距离，从而建立皮带跑偏检测数学模型：
[0012][0013]其中，μ为皮带实际的跑偏百分比，d为皮带的实际跑偏距离，d
max
为皮带实际位置中线与左右两侧托辊距离中线的最大距离；
[0014]步骤五：工作人员给定跑偏标准，根据不同工位的要求，选择合适的报警阈值进行报警。
[0015]进一步地，所述步骤一采用改进的YOLOv5模型，通过在Head部分添加分割头的方式同时实现目标检测和语义分割，将采集到的原图片放入模型中，训练好的模型会对皮带和托辊的像素点进行寻找，并在输出的时候将皮带、托辊和背景分别覆盖上不同颜色的掩膜方便区分，同时还会输出皮带和托辊的目标检测的矩形框。
[0016]进一步地，所述步骤三中对模型进行分割推理，根据识别的每个类别产生分割掩膜分布，且带有每个像素点的坐标，以图像最左上角的点为原点，水平向右为y轴，垂直向下为x轴建立直角坐标系，将分割掩膜分布图看作一个二维数组，通过对数组的索引将求出皮带左右边缘和托辊最外侧连接线上的两个点坐标，由此可以求得左右边缘和托辊最外侧连接线的直线方程。
[0017]进一步地，所述皮带没有发生跑偏时，皮带中线与托辊的中线是重合的，当皮带发生跑偏时，皮带中线与托辊中线会产生一定的距离，求得皮带实际跑偏距离占最大跑偏距离的百分比即皮带跑偏检测数学模型，当只检测到一侧托辊时，可以直接判断为严重跑偏，判断两侧托辊的数量，如果左侧托辊数量为0，则皮带向左严重跑偏；如果右侧托辊数量为0，则皮带向右严重跑偏。
[0018]进一步地，所述跑偏标准划定为皮带跑偏百分比在0
‑
20％为正常可接受范围，在20％
‑
50％皮带处于轻度跑偏，50％
‑
100％皮带处于严重跑偏状态。
[0019]与现有技术相比，本专利技术的有益效果是：
[0020]1)计算出皮带中线与托辊的中线距离，建立皮带跑偏的判断模型，实现了皮带跑偏的精确检测；
[0021]2)利用深度学习，提取皮带运输机的特征，在复杂工况下，对比传统摄像装置受到的影响较小，依旧能够将皮带和托辊提取出来。
附图说明
[0022]图1是本专利技术所述检测方法流程示意图。
[0023]图2是系统功能模块结构示意图。
[0024]图3是本专利技术所述分割掩膜分布示意图。
[0025]图4是本专利技术所述跑偏检测数学模型示意图。
具体实施方式
[0026]下面结合附图对本专利技术的具体实施方式作进一步说明：
[0027]见图1，是本专利技术的检测方法流程示意图。本专利技术一种复杂工况下基于深度学习的皮带跑偏检测方法，包括以下步骤：
[0028]步骤一：选取YOLOv5模型，在Head部分添加分割头的方式同时进行目标检测和语义分割；
[0029]步骤二：通过摄像装置将采集到的图像做好标签放入网络中进行模型训练，将整个系统分为图像采集模块、皮带与托辊识别模块、皮带跑偏判断模块和预警模块，从而搭建检测系统；
[0030]步骤三：根据训练好的模型和搭建的系统拟合皮带边缘和托辊最外侧连接线的直线方程；
[0031]步骤四：根据拟合的直线方程计算皮带中线与托辊的中线距离，从而建立皮带跑偏检测数学模型：
[0032][0033]其中，μ为皮带实际的跑偏百分比，d为皮带的实际跑偏距离，d
max
为皮带实际位置中线与左右两侧托辊距离中线的最大距离；
[0034]步骤五：工作人员给定跑偏标准，根据不同工位的要求，选择合适的报警阈值进行报警。
[0035]进一步地，所述步骤一采用改进的YOLOv5模型，将模型分为三个部分：Backbone、Neck和Head，Backbone部分依旧延用YOLOv5s_v6.0的骨干网络，主要包括CBS、C3和SPPF这三个结构，CBS层是由Conv+BN+Silu激活本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂工况下基于深度学习的皮带跑偏检测方法，其特征在于，包括以下步骤：步骤一：选取YOLOv5模型，在Head部分添加分割头的方式同时进行目标检测和语义分割；步骤二：通过摄像装置将采集到的图像做好标签放入网络中进行模型训练，将整个系统分为图像采集模块、皮带与托辊识别模块、皮带跑偏判断模块和预警模块，从而搭建检测系统；步骤三：根据训练好的模型和搭建的系统拟合皮带边缘和托辊最外侧连接线的直线方程；步骤四：根据拟合的直线方程计算皮带中线与托辊的中线距离，从而建立皮带跑偏检测数学模型：其中，μ为皮带实际的跑偏百分比，d为皮带的实际跑偏距离，d
max
为皮带实际位置中线与左右两侧托辊距离中线的最大距离；步骤五：工作人员给定跑偏标准，根据不同工位的要求，选择合适的报警阈值进行报警。2.根据权利要求1所述的一种复杂工况下基于深度学习的皮带跑偏检测方法，其特征在于，所述步骤一采用改进的YOLOv5模型，通过在Head部分添加分割头的方式同时实现目标检测和语义分割，将采集到的原图片放入模型中，训练好的模型会对皮带和托辊的像素点进行寻找，并在输出的时候将皮带、托辊和背景分别覆盖上不同颜色的掩膜方便区分，同时还会输出皮带和托辊的目标检测的矩形框。3.根据权利要求1所述...

【专利技术属性】
技术研发人员：张鹏，徐少川，张彩霞，何静，黄景园，张东，江海志，
申请(专利权)人：鞍山市海汇自动化有限公司，
类型：发明
国别省市：