基于深度学习的皮带纵向撕裂检测识别系统及方法技术方案

本发明专利技术涉及皮带纵向撕裂技术领域，具体公开基于深度学习的皮带纵向撕裂检测识别系统及方法，该系统包括：皮带历史货物乘载分析模块、皮带检测模块检测区域划分模块、皮带破损分析模块、皮带破损增长系数分析模块、预警终端和云数据库，本发明专利技术分析皮带的历史传输质量，弥补了现有技术中对皮带历史情况的分析力度不够深入的缺陷，进而保障皮带撕裂扩张分析结果的精确性，及时确保皮带撕裂的风险并给予预警，有利于皮带的长期使用，本发明专利技术克服了现有技术中对皮带撕裂区域规则性关注度不高的现象，保障皮带撕裂区域扩张的安全性，进而保障皮带纵向撕裂分析结果的精确性，提高了皮带撕裂增长系数分析结果的参考性。撕裂增长系数分析结果的参考性。撕裂增长系数分析结果的参考性。

【技术实现步骤摘要】
基于深度学习的皮带纵向撕裂检测识别系统及方法


[0001]本专利技术涉及皮带纵向撕裂
，具体而言，涉及基于深度学习的皮带纵向撕裂检测识别系统及方法。

技术介绍

[0002]皮带是一种广泛应用于工业生产中的传输设备，其主要作用是将物料从一个地方传输到另一个地方，皮带已经在许多工业领域得到了应用，如矿山、港口、电力、化工等行业，在皮带的使用过程中，由于各种原因，皮带可能会出现纵向撕裂的情况，一方面导致物料泄漏，进而存在物料浪费的问题，另一方面难以保障皮带设备的安全性，难以保障相关工作人员带来身体健康安全，严重影响生产效率和安全性，因此，为了提高生产效率和安全性，减少生产事故的发生，对皮带进行检测识别是十分有必要的。
[0003]现有技术中皮带进行检测识别在一定程度上可以满足当前要求，但是还存在一定的缺陷，其具体体现在：(1)现有技术大多针对皮带的检测图片进行纵向撕裂分析，对皮带的历史情况的分析力度不够深入，皮带的历史情况也是影响皮带的撕裂扩张的一部分因素，现有技术对这一层面的忽视导致分析皮带撕裂扩张分析结果的不精确，进而难以确保皮带撕裂风险并给于及时预警，可能存在皮带撕裂增长存在很大的风险但是并没有得到及时预警的情况，从而造成不必要的损失，不利于皮带的长期使用。
[0004](2)现有技术对皮带撕裂区域的规则性的关注度不高，皮带撕裂区域的规则性在一定程度上影响皮带撕裂的损坏增长，现有技术对这一层面的忽视难以保障皮带撕裂区域扩张的安全性，进而难以保障皮带纵向撕裂分析结果的精确性，从而无法为后续皮带撕裂增长提供强有力的数据支持，降低了皮带撕裂增长系数分析结果的参考性。

技术实现思路

[0005]为了克服
技术介绍
中的缺点，本专利技术实施例提供了基于深度学习的皮带纵向撕裂检测识别系统及方法,能够有效解决上述
技术介绍
中涉及的问题。
[0006]本专利技术的目的可以通过以下技术方案来实现：基于深度学习的皮带纵向撕裂检测识别系统，包括：皮带历史货物乘载分析模块，用于从云数据库中获取皮带在设定检测周期内对应的货物参数，进而分析皮带对应的历史传输质量评估系数。
[0007]皮带检测模块，用于在皮带传动装置沿着皮带传动的方向，在皮带目标边按照预设的间隔设置各摄像头，同理，在皮带指定边设置各摄像头，并由此对皮带进行图像检测。
[0008]检测区域划分模块，用于依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域。
[0009]皮带破损分析模块，用于获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像，进而分析各检测时间点所属各皮带检测子区域对应的破损系数。
[0010]皮带破损增长系数分析模块，用于分析各检测时间点对应的各损坏皮带子区域，从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
[0011]预警终端，用于依据各皮带检测子区域在各检测时间点的破损系数进行相应预警，并依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行相应预警。
[0012]云数据库，用于存储皮带在设定检测周期内对应的货物参数，存储开裂灰度值范围，并存储皮带对应的历史故障次数。
[0013]进一步地，所述货物参数包括各次传输对应的货物重量。
[0014]进一步地，所述皮带对应的历史传输质量评估系数，其具体方法为：从皮带在设定检测周期内对应的货物参数中提取各次传输对应的货物重量G
b
，其中b为各次传输的编号，b＝1,2,...,c。
[0015]将皮带所属各次传输对应的货物重量进行均值处理，进而得到皮带对应的货物重量均值G
′
。
[0016]从皮带所属各次传输对应的货物重量中选取皮带所属传输对应的最大货物重量G
max
和最小货物重量G
min
。
[0017]分析皮带对应的传输重量偏差系数其中G
b+1
为第b+1次传输对应的货物重量，G
″
为预设的最大货物重量与最小货物重量对应的允许货物重量误差，G
″′
为预设的相邻两次传输对应的允许货物重量误差，c为传输次数，λ1、λ2、λ3分别为预设的相邻两次传输的货物重量偏差、货物重量偏差、最大货物重量与最小货物重量对应的重量偏差所属的影响权重系数。
[0018]统计皮带对应的传输次数C，进而依据预定义的皮带对应的标准传输次数C
′
，分析皮带对应的历史传输质量评估系数其中e为自然常数。
[0019]进一步地，所述分析各检测时间点所属各皮带检测子区域对应的破损系数，其具体方法为：依据各检测时间点所属各皮带检测子区域的目标边图像获取各检测时间点所属各皮带检测子区域对应目标边图像的各灰度值。
[0020]从云数据库中提取皮带对应的开裂灰度值范围，进而将各检测时间点所属各皮带检测子区域的目标边图像的各灰度值与皮带对应的开裂灰度值范围进行对比，从而筛选各检测时间点所属各皮带检测子区域对应的各异常区域，并获取其对应的面积，进而从中选取面积最大的区域作为目标开裂区域，进而得到各检测时间点所属各皮带检测子区域对应的目标开裂区域。
[0021]获取各检测时间点所属各皮带检测子区域对应目标开裂区域的面积S
jp
，其中j为各检测时间点的编号，j＝1,2,...,k，p为各皮带检测子区域的编号，p＝1,2,...,q。
[0022]分析各检测时间点所属各皮带检测子区域在目标边检测时对应的破损系数其中S
′
为预设的允许目标开裂区域的面积。
[0023]同理，分析各检测时间点所属各皮带检测子区域在指定边检测时对应的破损系数
M
′
jp
。
[0024]分析各检测时间点所属各皮带检测子区域对应的破损系数其中γ1、γ2为预设的目标开裂区域面积、目标开裂区域规则度对应的权值因子，μ
jp
为第j个检测时间点所属第p个皮带检测子区域对应目标开裂区域的轮廓规则度。
[0025]进一步地，所述各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度，其具体分析方法为：获取各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓，并获取其对应的线条。
[0026]以各皮带检测子区域对应的中心点为原点建立三维坐标系，从各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓线条上按照设定的长度选取各轮廓点，并获取其对应的三维坐标其中h为各轮廓点的编号，h＝1,2,...,g。
[0027]分析各检测时间点所属各皮带检测子区域对应各轮廓点与其相邻轮廓点之间的距离
[0028]分析各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度其中为第j个检测时间点所属第p个皮带检测子区域对应第h+1个轮廓点与第h+2个轮廓点之间的距离，g为轮廓点的数量，JL
′
为预设的轮廓点距离的允许距离偏差的误差。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的皮带纵向撕裂检测识别系统，其特征在于，包括：皮带历史货物乘载分析模块，用于从云数据库中获取皮带在设定检测周期内对应的货物参数，进而分析皮带对应的历史传输质量评估系数；皮带检测模块，用于在皮带传动装置沿着皮带传动的方向，在皮带目标边按照预设的间隔设置各摄像头，同理，在皮带指定边设置各摄像头，并由此对皮带进行图像检测；检测区域划分模块，用于依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域；皮带破损分析模块，用于获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像，进而分析各检测时间点所属各皮带检测子区域对应的破损系数；皮带破损增长系数分析模块，用于分析各检测时间点对应的各损坏皮带子区域，从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数；预警终端，用于依据各皮带检测子区域在各检测时间点的破损系数进行相应预警，并依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行相应预警；云数据库，用于存储皮带在设定检测周期内对应的货物参数，存储开裂灰度值范围，并存储皮带对应的历史故障次数。2.根据权利要求1所述的基于深度学习的皮带纵向撕裂检测识别系统，其特征在于：所述货物参数包括各次传输对应的货物重量。3.根据权利要求2所述的基于深度学习的皮带纵向撕裂检测识别系统，其特征在于：所述皮带对应的历史传输质量评估系数，其具体方法为：从皮带在设定检测周期内对应的货物参数中提取各次传输对应的货物重量G
b
，其中b为各次传输的编号，b＝1,2,...,c；将皮带所属各次传输对应的货物重量进行均值处理，进而得到皮带对应的货物重量均值G
′
；从皮带所属各次传输对应的货物重量中选取皮带所属传输对应的最大货物重量G
max
和最小货物重量G
min
；分析皮带对应的传输重量偏差系数其中G
b+1
为第b+1次传输对应的货物重量，G
″
为预设的最大货物重量与最小货物重量对应的允许货物重量误差，G
″′
为预设的相邻两次传输对应的允许货物重量误差，c为传输次数，λ1、λ2、λ3分别为预设的相邻两次传输的货物重量偏差、货物重量偏差、最大货物重量与最小货物重量对应的重量偏差所属的影响权重系数；统计皮带对应的传输次数C，进而依据预定义的皮带对应的标准传输次数C
′
，分析皮带对应的历史传输质量评估系数其中e为自然常数。4.根据权利要求3所述的基于深度学习的皮带纵向撕裂检测识别系统，其特征在于：所
述分析各检测时间点所属各皮带检测子区域对应的破损系数，其具体方法为：依据各检测时间点所属各皮带检测子区域的目标边图像获取各检测时间点所属各皮带检测子区域对应目标边图像的各灰度值；从云数据库中提取皮带对应的开裂灰度值范围，进而将各检测时间点所属各皮带检测子区域的目标边图像的各灰度值与皮带对应的开裂灰度值范围进行对比，从而筛选各检测时间点所属各皮带检测子区域对应的各异常区域，并获取其对应的面积，进而从中选取面积最大的区域作为目标开裂区域，进而得到各检测时间点所属各皮带检测子区域对应的目标开裂区域；获取各检测时间点所属各皮带检测子区域对应目标开裂区域的面积S
jp
，其中j为各检测时间点的编号，j＝1,2,...,k，p为各皮带检测子区域的编号，p＝1,2,...,q；分析各检测时间点所属各皮带检测子区域在目标边检测时对应的破损系数其中S
′
为预设的允许目标开裂区域的面积；同理，分析各检测时间点所属各皮带检测子区域在指定边检测时对应的破损系数Mj
′
p；分析各检测时间点所属各皮带检测子区域对应的破损系数其中γ1、γ2为预设的目标开裂区域面积、目标开裂区域规则度对应的权值因子，μ
jp
为第j个检测时间点所属第p个皮带检测子区域对应目标开裂区域的轮廓规则度。5.根据权利要求4所述的基于深度学习的皮带纵向撕裂检测识别系统，其特征在于：所述各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度，其具体分析方法为：获取各检测时间点...

【专利技术属性】
技术研发人员：张雪元，王星，全力，张瑞，
申请(专利权)人：深圳泰豪信息技术有限公司，
类型：发明
国别省市：