输送皮带撕裂检测方法及检测系统技术方案

本发明专利技术涉及一种基于AI智能分析的输送皮带撕裂检测方法及检测系统，检测方法通过离线训练学习形成皮带撕裂特征码，部署到AI智能分析终端，AI智能分析终端实时采集AI传感器的视频图像，采用神经网络学习方法，准确判断皮带裂缝的长度及宽度，当皮带出现撕裂时，能够在最快的时间内输出停机保护信号和报警信号，并根据皮带撕裂检测结果，去控制联动输出控制装置，输出报警信号和停机保护信号，实现远程实时保护和监测输送皮带状态，供操作室人员跟踪生产运行动态，本发明专利技术测量精度高,不会出现误动作，方便设备联动。方便设备联动。方便设备联动。

【技术实现步骤摘要】
输送皮带撕裂检测方法及检测系统
[0001]相关申请
[0002]本申请是分案申请。该分案申请的母案是申请日为2020年2月28日、申请号为2020101289866、专利技术名称为一种基于AI智能分析的输送皮带撕裂检测系统及检测方法的专利技术专利申请案。


[0003]本专利技术属于输送皮带状态检测领域新的技术突破，是涉及人工智能(Artificial Intelligence，简称AI)分析输送皮带撕裂检测系统及检测方法。

技术介绍

[0004]皮带传输机是很多企业使用的连续输送设备之一，它广泛地应用于冶金、选矿、石油、化工、轻工、建材、钢厂、港口等领域，并且日益朝着高速度、大规模、超长距离的方向发展。输送皮带是皮带输送机的重要组成部分，其成本约占整机的40％以上，但是使用皮带传输机的皮带撕裂故障一直困扰每个企业，尤其是在散货码头、矿山、冶金、电厂等大型企业中，皮带撕裂的事故时有发生，价值几十万甚至上千万的输送皮带，一旦发生纵向撕裂，矿石、矿渣等原料通过撕裂口侵入到设备机械系统，造成设备损伤，甚至造成人员伤害等重大事故及巨大的经济损失，因此，需要采用AI智能分析终端技术，实时性地检测、鉴别出皮带撕裂状态，即时发现、解决生产安全隐患，应急报警、制动设备，修补、更换皮带，保证生产安全运行。
[0005]以上
技术介绍
内容的公开仅用于辅助理解本专利技术的专利技术构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述
技术介绍
不应当用于评价本申请的新颖性和创造性。

技术实现思路

[0006]本专利技术的目的是提供一种改进的输送皮带撕裂检测解决方案。
[0007]为达到上述目的，本专利技术采用的技术方案如下：
[0008]一种输送皮带撕裂检测方法，包括以下步骤：
[0009]步骤101，收集皮带撕裂的各种状况的多个视频图像，组成训练数据集；利用深度学习算法对原始神经网络模型进行离线训练，调整模型内部参数，进而训练获得对输送皮带图像具有表征与分析能力的神经网络模型，形成表征各种皮带状况的皮带撕裂特征码，并将所述皮带撕裂特征码部署在AI智能分析终端上，所述皮带撕裂特征码包括边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码；
[0010]其中，所述深度学习算法的流程包括：训练机在TensorFlow环境下，使用数据流图技术来进行数值计算，利用开源框架，搭建深度学习的训练模型，形成训练后的神经网络模
型；训练后的神经网络模型采用TensorFlow架构，连接到BMNNSDK的输入模式接口，在BMNNSDK上进行编译神经网络，生成视频图像特征模型，形成BModel模型；在训练机ADE作用下，对BModel模型进行分层处理集成到软件中，经过多次深度学习，再次集成，与训练机内部署的神经网络模型相比较后，形成最终的视频图像的皮带撕裂特征码；
[0011]步骤102，配置AI传感器以实时采集输送皮带的视频图像，所述AI智能分析终端接收所述AI传感器的采集数据，并对所述AI传感器采集到的图像进行图像预处理，包括：根据视频图像的像素分布和亮度、颜色转换为数字化信号，并进行运算来抽取目标的特征；根据预设的皮带撕裂特征码，识别推断以获得对皮带状态的识别推断结果，所述识别推断结果包括识别推断出皮带撕裂的宽度和长度；并将所述识别推断结果传输给后台数据操作终端；
[0012]步骤103，预先设置报警阈值、报警级别，后台数据操作终端实时接收AI智能分析终端的识别推断结果和输送皮带的图像，并根据识别推断结果，输出报警信号和停机保护信号，包括：若皮带撕裂的宽度或长度超过设置范围，则实时显示皮带运行视频图像上用红色框框出撕裂状况，并通过联动输出控制装置切断托辊电机电源，以使皮带机停机；对没有达到报警级别的可容忍撕裂状况不报警。
[0013]进一步地，步骤101的离线训练包括将所述训练数据集置于数据库中，深度学习训练机利用深度学习算法，对所述训练数据集进行原始网络模型训练、学习；
[0014]所述AI智能分析终端配置有AI芯片，所述AI芯片脱离深度学习服务器，经过深度学习训练机深度学习后，所述皮带撕裂特征码部署到AI芯片中。
[0015]根据本专利技术的另一方面，提供了一种输送皮带撕裂检测系统，包括AI传感器、AI智能分析终端、后台数据操作终端、联动输出控制装置、报警设备、网络交换机，所述AI智能分析终端和联动输出控制装置采用光纤或者WIFI连接到所述网络交换机，并通过网络交换机与后台数据操作终端通讯；
[0016]所述AI智能分析终端包括视频图像输入处理模块、AI芯片、识别推理模块和输出结果模块，其中所述AI芯片脱离深度学习服务器，所述AI芯片预先通过以下步骤进行部署：预先收集皮带撕裂的各种状况的多个视频图像，组成训练数据集；利用深度学习算法对原始神经网络模型进行离线训练，调整模型内部参数，进而训练获得对输送皮带图像具有表征与分析能力的神经网络模型，形成表征各种皮带状况的皮带撕裂特征码，并将所述皮带撕裂特征码部署在所述AI芯片上，所述皮带撕裂特征码包括边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码；
[0017]其中，所述深度学习算法的流程包括：训练机在TensorFlow环境下，使用数据流图技术来进行数值计算，利用开源框架，搭建深度学习的训练模型，形成训练后的神经网络模型；训练后的神经网络模型采用TensorFlow架构，连接到BMNNSDK的输入模式接口，在BMNNSDK上进行编译神经网络，生成视频图像特征模型，形成BModel模型；在训练机ADE作用下，对BModel模型进行分层处理集成到软件中，经过多次深度学习，再次集成，与训练机内部署的神经网络模型相比较后，形成最终的视频图像的皮带撕裂特征码；
[0018]配置AI传感器以实时采集输送皮带的视频图像，所述AI智能分析终端接收所述AI传感器的采集数据，并对所述AI传感器采集到的图像进行图像预处理，包括：根据视频图像
的像素分布和亮度、颜色转换为数字化信号，并进行运算来抽取目标的特征；根据预设的皮带撕裂特征码，识别推断以获得对皮带状态的识别推断结果，所述识别推断结果包括识别推断出皮带撕裂的宽度和长度；
[0019]预先设置报警阈值、报警级别，通过网络交换机将所述识别推断结果传输给后台数据操作终端，并根据识别推断结果，输出报警信号和停机保护信号，包括：若皮带撕裂的宽度或长度超过设置范围，则实时显示皮带运行视频图像上用红色框框出撕裂状况，并通过联动输出控制装置切断托辊电机电源，以使皮带机停机；对没有达到报警级别的可容忍撕裂状况不报警。
[0020]进一步地，承前所述的任一技术方案或多本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输送皮带撕裂检测方法，其特征在于，包括以下步骤：步骤101，收集皮带撕裂的各种状况的多个视频图像，组成训练数据集；利用深度学习算法对原始神经网络模型进行离线训练，调整模型内部参数，进而训练获得对输送皮带图像具有表征与分析能力的神经网络模型，形成表征各种皮带状况的皮带撕裂特征码，并将所述皮带撕裂特征码部署在AI智能分析终端上，所述皮带撕裂特征码包括边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码；其中，所述深度学习算法的流程包括：训练机在TensorFlow环境下，使用数据流图技术来进行数值计算，利用开源框架，搭建深度学习的训练模型，形成训练后的神经网络模型；训练后的神经网络模型采用TensorFlow架构，连接到BMNNSDK的输入模式接口，在BMNNSDK上进行编译神经网络，生成视频图像特征模型，形成BModel模型；在训练机ADE作用下，对BModel模型进行分层处理集成到软件中，经过多次深度学习，再次集成，与训练机内部署的神经网络模型相比较后，形成最终的视频图像的皮带撕裂特征码；步骤102，配置AI传感器以实时采集输送皮带的视频图像，所述AI智能分析终端接收所述AI传感器的采集数据，并对所述AI传感器采集到的图像进行图像预处理，包括：根据视频图像的像素分布和亮度、颜色转换为数字化信号，并进行运算来抽取目标的特征；根据预设的皮带撕裂特征码，识别推断以获得对皮带状态的识别推断结果，所述识别推断结果包括识别推断出皮带撕裂的宽度和长度；并将所述识别推断结果传输给后台数据操作终端；步骤103，预先设置报警阈值、报警级别，后台数据操作终端实时接收AI智能分析终端的识别推断结果和输送皮带的图像，并根据识别推断结果，输出报警信号和停机保护信号，包括：若皮带撕裂的宽度或长度超过设置范围，则实时显示皮带运行视频图像上用红色框框出撕裂状况，并通过联动输出控制装置切断托辊电机电源，以使皮带机停机；对没有达到报警级别的可容忍撕裂状况不报警。2.根据权利要求1所述的输送皮带撕裂检测方法，其特征在于，步骤101的离线训练包括将所述训练数据集置于数据库中，深度学习训练机利用深度学习算法，对所述训练数据集进行原始网络模型训练、学习；所述AI智能分析终端配置有AI芯片，所述AI芯片脱离深度学习服务器，经过深度学习训练机深度学习后，所述皮带撕裂特征码部署到AI芯片中。3.一种输送皮带撕裂检测系统，其特征在于，包括AI传感器、AI智能分析终端、后台数据操作终端、联动输出控制装置、报警设备、网络交换机，所述AI智能分析终端和联动输出控制装置采用光纤或者WIFI连接到所述网络交换机，并通过网络交换机与后台数据操作终端通讯；所述AI智能分析终端包括视频图像输入处理模块、AI芯片、识别推理模块和输出结果模块，其中所述AI芯片脱离深度学习服务器，所述AI芯片预先通过以下步骤进行部署：预先收集皮带撕裂的各种状况的多个视频图像，组成训练数据集；利用深度学习算法对原始神经网络模型进行离线训练，调整模型内部参数，进而训练获得对输送皮带图像具有表征与分析能力的神经网络模型，形成表征各种皮带状况的皮带撕裂特征...

【专利技术属性】
技术研发人员：马鑫，马刚，
申请(专利权)人：鞍山市红盾安全报警器材有限公司，
类型：发明
国别省市：