一种基于对比学习的输送带磨损识别方法技术

一种基于对比学习的输送带磨损识别方法，包括以下步骤：S1、将训练样本图片通过N个串联的MobileConvNeXt特征提取模块和T个SwinTransformer特征提取模块、注意块来进行对比学习训练；S2、在注意块AttentionBlock后增加分类头，所述分类头包括两层MLP、sigmoid函数，所述sigmoid函数输出二分类结果；S3、进入预测阶段，设置预测置信度阈值，将图片及热力图采集设备固定一定的角度对需要采集的设备进行定点拍摄，获取对应器件的RGB三通道图片以及对应的单通道热力图，将二者融合图输入步骤S2获得的模型中进行气体溢出分类预测。该方法可以基于无监督的方式进行特征提取，减少了人工标注成本同时可以提取更为丰富的特征信息，同时基于自监督学习的方法可以更好的加快模型训练收敛速度。快模型训练收敛速度。快模型训练收敛速度。

【技术实现步骤摘要】
一种基于对比学习的输送带磨损识别方法


[0001]本专利技术属于输送带磨损识别的
，尤其涉及一种基于对比学习的输送带磨损识别方法。

技术介绍

[0002]传送带在持续工作过程中，会出现不同程度的磨损，当传送带在没有监控的情况下出现断裂时，轻则传送带上的货物受损，重则出现事故，因此，急需设备系统对传送进行自动监测，目前现有技术如下：
[0003]1.(201510392423.7)一种基于对比学习的输送带磨损识别方法
[0004]该专利公开了一种基于对比学习的输送带磨损识别方法，该方法包括以下几个步骤：首先采集实时图像，获取灰度图像，利用边缘检测器检测灰度图像中个对象的边缘，接着基于形状和方向性的滤波模板对边缘图像滤波，获得与输送带运行方向相同的直线型边缘图像，采用了一维向量对边缘进行标记，根据已知的、输送带未撕裂时的输送带基准宽度和设计宽度阈值确定输送带是否撕裂。该方法基于传统的图像检测算法对输送带撕裂进行检测，该方法仅仅基于固定角度的传送带撕裂进行检测且根据输送带的边缘进行撕裂检测，对输送带中心部位的撕裂无法进行检测导致对大部分输送带中心撕裂的情况无法做出识别。
[0005]2.(201510469098.X)输送带表面破损自动检测方法
[0006]该专利技术公开了一种输送带表面破损自动检测方法，用线阵摄像头采集输送带运行图像，利用图像的同列所感受强光的一致性，建立了抑制行向量，列向量均值曲线进行边缘保真去噪，提取破损特征参数，对表面破损进行快速识别。该方法采用传统图像特征提取的方法，仅仅只能检测边缘破损，且无法针对不同视角检测不同的输送带且具有一定的局限性。
[0007]3.(202011171382.9)一种基于检测系统的检测传送带磨损的方法及传送带
[0008]该方法公开了一种基于检测系统的检测传送带磨损的方法及传送带，涉及物料输送
，传送带包括第一传送设备和第二传送设备，第一传送设备和第二传送设备通过转轴组件翻转式连接；其中，第一传送设备包括第一输送段和第二输送段，第一输送段前后侧壁安装有第一防护板，第二输送段连接第二传送设备，第二传送设备前后侧壁安装有第二防护板，第二防护板的长度小于第二输送段的长度，相比于现有技术，本专利技术中的方法可以对导辊实时进行监控，当导辊被卡死或者其转动出现异常时，工作人员可以及时发现。该发放需要加入防护设备，且需要耗费大量资金以及安装费用，不适合大规模部署。

技术实现思路

[0009]为了解决了上述技术问题，本专利技术提出了一种基于对比学习的输送带磨损识别方法，具体技术方案如下：
[0010]一种基于对比学习的输送带磨损识别方法，包括以下步骤：
[0011]S1、将训练样本图片通过N个串联的MobileConvNeXt特征提取模块和T个SwinTransformer特征提取模块、注意块来进行对比学习训练；
[0012]S2、在注意块AttentionBlock后增加分类头，所述分类头包括两层MLP、sigmoid函数，两层MLP之间通过relu激活函数连接，所述sigmoid函数输出二分类结果；
[0013]S3、进入预测阶段，设置预测置信度阈值，将图片及热力图采集设备固定一定的角度对需要采集的设备进行定点拍摄，获取对应器件的RGB三通道图片以及对应的单通道热力图，将二者融合图输入步骤S2获得的模型中进行气体溢出分类预测。
[0014]具体地说，步骤S1具体为
[0015]S11、通过N个串联的MobileConvNeXt特征提取模块和T个SwinTransformer特征提取模块对应得到特征F
CN
以及特征F
ST
；
[0016]S12、在注意块AttentionBlock中，将输出特征F
CN
和特征F
ST
通过concate模块进行合并得到特征F
fusion
，并将特征F
fusion
输入至VAN网络得到特征F
out
。
[0017]具体地说，N个串联的MobileConvNeXt特征提取模块得到特征F
CN
的具体步骤如下：
[0018]SA111、将训练样本图片首先通过3*3卷积子模块，然后将卷积获得的特征输入至中layernorm子模块得到特征F
ln
；
[0019]SA112、将F
ln
输入到空间可分离卷积子模块中得到特征F
mc
，所述空间可分离卷积子模块的卷积核为4，步长为4；
[0020]SA113、将特征F
mc
输入到ASPP子模块中得到特征图F
aspp
；特征F
mc
分别输入到空洞率为6、12以及18的空洞卷积单元分别得到特征图F
dc1
,F
dc2
,F
dc3
，同时，特征F
mc
逐次经过1x1最大池化单元、第一1x1卷积单元、上采样单元后得到特征图F
pcu
；将特征图F
dc1
,F
dc2
,F
dc3
和特征图F
pcu
进行第一合并单元后经过第二1x1卷积单元，最终得到特征图F
aspp
；
[0021]SA114、将特征图F
aspp
输入到第一深度可分离卷积子模块中得到特征F
dc
，将特征F
dc
图输入到线性子模块进行4倍升维，得到特征F
lyu
，然后将特征F
lyu
输入到激活函数δ
Gelu
得到特征F
ld
，最后将该特征F
ld
乘theta得到特征F
gamma
；
[0022]SA115、将特征F
gamma
与特征F
aspp
经过第二合并子模块进行合并的到该网络最终输出特征F
C1
；
[0023]SA116、将步骤SA115中的特征F
C1
替换步骤SA11中的训练样本图片作为输入，重复步骤SA111
‑
SA115，得到特征F
C2
，循环N次，直至得到特征F
CN
。
[0024]具体地说，所述SwinTransformer特征提取模块包括补丁分区子模块、T个SwinTransformerBlock子模块；步骤具体如下：
[0025]SB111、将训练样本图片输入至补丁分区子模块中得到图片补丁，然后将图片补丁输入至线性嵌入层中得到图片通证特征z
l
‑1；
[0026]SB112、将特征z
l
‑1输入至串联的T个SwinTransformerBlock子模块得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于对比学习的输送带磨损识别方法，其特征在于，包括以下步骤：S1、将训练样本图片通过N个串联的MobileConvNeXt特征提取模块和T个SwinTransformer特征提取模块、注意块来进行对比学习训练；S2、在注意块AttentionBlock后增加分类头，所述分类头包括两层MLP、sigmoid函数，两层MLP之间通过relu激活函数连接，所述sigmoid函数输出二分类结果；S3、进入预测阶段，设置预测置信度阈值，将图片及热力图采集设备固定一定的角度对需要采集的设备进行定点拍摄，获取对应器件的RGB三通道图片以及对应的单通道热力图，将二者融合图输入步骤S2获得的模型中进行气体溢出分类预测。2.根据权利要求1所述的一种基于对比学习的输送带磨损识别方法，其特征在于，步骤S1具体为S11、通过N个串联的MobileConvNeXt特征提取模块和T个SwinTransformer特征提取模块对应得到特征F
CN
以及特征F
ST
；S12、在注意块AttentionBlock中，将输出特征F
CN
和特征F
ST
通过concate模块进行合并得到特征F
fusion
，并将特征F
fusion
输入至VAN网络得到特征F
out
。3.根据权利要求2所述的一种基于对比学习的输送带磨损识别方法，其特征在于，N个串联的MobileConvNeXt特征提取模块得到特征F
CN
的具体步骤如下：SA111、将训练样本图片首先通过3*3卷积子模块，然后将卷积获得的特征输入至中layernorm子模块得到特征F
ln
；SA112、将F
ln
输入到空间可分离卷积子模块中得到特征F
mc
，所述空间可分离卷积子模块的卷积核为4，步长为4；SA113、将特征F
mc
输入到ASPP子模块中得到特征图F
aspp
；特征F
mc
分别输入到空洞率为6、12以及18的空洞卷积单元分别得到特征图F
dc1
,F
dc2
,F
dc3
，同时，特征F
mc
逐次经过1x1最大池化单元、第一1x1卷积单元、上采样单元后得到特征图F
pcu
；将特征图F
dc1
,F
dc2
,F
dc3
和特征图F
pcu
进行第一合并单元后经过第二1x1卷积单元，最终得到特征图F
aspp
；SA114、将特征图F
aspp
输入到第一深度可分离卷积子模块中得到特征F
dc
，将特征F
dc
图输入到线性子模块进行4倍升维，得到特征F
lyu
，然后将特征F
lyu
输入到激活函数δ
Gelu
得到特征F
ld
，最后将该特征F
ld
乘theta得到特征F
gamma
；SA115、将特征F
gamma
与特征F
aspp
经过第二合并子模块进行合并的到该网络最终输出特征F
C1
；SA116、将步骤SA115中的特征F
C1
...

【专利技术属性】
技术研发人员：郑博超，胡懋成，王秋阳，汪玉冰，凤阳，
申请(专利权)人：合肥赛为智能有限公司，
类型：发明
国别省市：