本发明专利技术提供了一种基于改进的目标检测模型的尾绳状态检测系统，其属于安防监控领域和目标检测领域。首先通过在井底尾绳环、隔离木位置安装的具有夜视功能的高清摄像头采集在吊笼运行过程中尾绳的视频图像，然后对获取的尾绳图像进行数据增强；将数据增强后获得的图像数据作为输入数据，输入到预训练好的改进的尾绳检测模型当中，对尾绳的状态进行检测；用于训练所述尾绳检测模型的数据集为标注有尾绳状态正常和异常的图像数据。本发明专利技术通过安装的具有夜视功能的高清摄像头获取到的大量视频数据，传入含有深度学习模型的边缘计算网关进行对尾绳状态的检测，并将结果传入到指定的WEB展示页面供设备管理人员查看，从而达到全时段检测，可以根据异常情况及时采取相应的安全措施，精确度较高，安全性较强。安全性较强。安全性较强。
【技术实现步骤摘要】
一种基于改进的目标检测模型的尾绳检测系统
[0001]本专利技术涉及一种基于改进的目标检测模型的尾绳检测系统，主要基于人工智能
中的深度学习技术的应用。
技术介绍
[0002]近年来，在工业生产中，随着机械设备的运行环境逐渐复杂化，机械设备发生故障的概率逐渐升高，而设备的健康状态与生产安全和生产质量密切相关，在煤炭开采中矿井提升机是一种不可或缺的机械设备；矿井提升机是一种用于采矿作业中运输人员、矿石、作业材料等的设备，安装在矿井处地面上，由缆绳带动提升容器上下运动。其中尾绳的两端分别连接悬挂在两个提升容器底部,尾绳在提升过程中起平衡作用。
[0003]矿井提升系统正常运行时,会产生作用于尾绳的扭力，使尾绳受损，产生安全隐患，导致安全事故发生的可能，威胁采矿作业的安全生产。
[0004]在传统的设备故障检测技术中，一般通过人工观测设备的运行状态，根据经验或相关指标来判断设备的运行情况。这种人工诊断的效果会受到个人经验的影响，并且很难达到全时段监测，具有精确度低，预测能力有限的缺点。
[0005]随着人工智能
的发展，通过在提升机底部安装摄像头并利用人工智能技术对设备进行实时的检测成为了解决上述问题的新途径，这种方式可以节省大量的人力，并且可以持续不断的进行在线检测。但是由于人工智能模型需要针对不同的情况进行训练，且训练的样本标签完全是由人为标注的，所以在一些人工难以察觉的潜在性故障的检测能力上有限。
[0006]除此之外，在井下不同环境影响下的设备故障检测技术的准确性、鲁棒性等方面还有着较大提升空间。因此，研究人工智能技术在设备故障检测中的应用具有十分重要的理论和应用价值。
技术实现思路
[0007]针对现有技术的以上缺陷或改进需求，本专利技术提出一种基于改进的目标检测模型的尾绳检测系统，其目的在于解决现有技术精确度不高以及鲁棒性不强的技术问题。
[0008]本专利技术采用以下的技术方案：
[0009]一种基于改进的目标检测模型的尾绳检测系统，包括以下步骤：
[0010]步骤1：通过在井底尾绳环、隔离木位置安装的具有夜视功能的高清摄像头采集在吊笼运行过程中尾绳的视频图像；
[0011]步骤2：对步骤1采集的图像进行数据增强处理，并将获取的图像中尾绳不同的状态进行标注制作自制数据集；
[0012]步骤3：对步骤2得到的经过标记的图像作为训练数据集输入识别模型中进行训练，直到达到模型收敛，获得训练好的模型；
[0013]步骤4：利用步骤3训练好的模型嵌入到边缘计算网关中，将摄像头采集的尾绳图
像传入边缘计算网关，用训练好的模型进行检测，并将带有检测结果的视频流传入到指定的WEB网页中供设备管理人员查看。
[0014]优选地，步骤1中所述的视频图像来源在井底尾绳环、隔离木位置安装的具有夜视功能的高清摄像头采集到的图像。
[0015]优选地，所述步骤2，具体实现包括以下子步骤：
[0016]步骤2.1：将步骤1获得的吊笼运行过程中尾绳的视频图像进行伽马变换，将较灰暗的图片进行图像增强，并对有噪声的图像进行高斯滤波处理；
[0017]步骤2.2：根据步骤2.1获得的图像进行Mosaic数据增强，其原理为任意选择四张图片，先通过随机裁减，再按顺时针拼接在一张图片上，最后缩放为设定的输入尺寸，并作为新的样本传入模型；这样做丰富了目标的背景，增加了目标数量，实现了不同尺度目标间的平衡。
[0018]步骤2.3：将经过图像数据增强的图片按照尾绳的状态，基于LabelImage软件对所述图像数据集中尾绳的状态进行标注，并将数据集中打标完成的图片按照6:2:2的比例划分训练集数据集和验证集。
[0019]优选地，所述步骤3，具体实现包括以下子步骤：
[0020]步骤3.1：训练的模型为加入了SE
‑
Net通道注意力模块的YOLOV5模型，引导模型更加关注对于尾绳目标信息的通道特征，以提升对尾绳的检测性能；YOLOV5由主干网络(Backbone)、颈部(NECK)以及输出(Output)三个部分组成；主干网络即特征提取网络，主要包括切片结构(Focus)、卷积模块(Conv)、瓶颈层(C3)以及空间金字塔池化(SPP)；颈部为特征融合网络，采用自顶向下与自底向上联合的特征融合方式，更好地融合了多尺度特征。然后传入检测层，经过非极大值抑制等后处理操作消除了大量冗余的预测框，最后输出置信度得分最高的预测类别，并返回目标位置的边框坐标。
[0021]SE
‑
Net主要由SE块来实现，其主要操作为Squeeze记为F
sq
和Excitation记为F
ex
，首先对卷积得到的特征图进行F
sq
操作，使用全局平均池来计算特征映射的通道统计信息，得到通道的全局特征，然后对全局特征进行F
ex
操作，学习各个通道间的关系，也得到不同通道的权重，最后乘以原来的特征图得到最终特征；将SE
‑
Net通道注意力模块在Yolov5主干网络的C3模块和和颈部网络的C3模块中引入，以增强其检测性能。
[0022]步骤3.2：对步骤3.1所述的模型进行训练，在网络模型训练阶段，将输入模型的图片大小调整为640
×
640，batch_size为16，总迭代次数为300次，初始学习率设置为0.01，当迭代次数约为270次时，模型收敛；
[0023]其损失函数为：
[0024][0025]主要由三个部分组成分别为：classification_loss分类损失，localization_loss定位损失和confidence_loss置信度损失，三个部分的损失均是通过匹配到的正样本对来计算，每一个输出特征图相互独立，直接相加得到最终每一部分的损失值；网络每个将特征图分为若干个cell其中K，S2，B分别为输出特征图、cell和每个cell上anchor的数量，α
box
、α
obj
、α
cls
分别为其对应的权重，用于平衡每个尺度的输出特征图的权重，表
示第k个输出特征图，第i个，第j个anchorbox是否是正样本，如果是正样本则为1，反之为0。
[0026]优选地，所述步骤4，具体实现如下：
[0027]将步骤3训练好的模型嵌入到边缘计算网关中，并配置好其所需的系统环境，导入依赖的模块；通过TCP/IP协议将摄像头采集的尾绳图像传入边缘计算网关中，通过训练好的模型进行检测，并将带有检测结果的RTSP视频流传入到指定的的WEB网页中供设备管理人员查看，根据高清视频图像，可判断尾绳的运行状态，及时反馈现场情况，设备管理人员可根据其反馈的信息及时采取措施。
[0028]本专利技术提出一种基于改进的目标检测模型的尾绳检测系统，通过在井底尾绳环、隔离木位置安装的高清摄像头采集的视频图像进行分析处理，从而可以在本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进的目标检测模型的尾绳检测系统，其特征在于，包括以下步骤：步骤1：通过在井底尾绳环、隔离木位置安装的具有夜视功能的高清摄像头采集在吊笼运行过程中尾绳的视频图像。步骤2：对步骤1采集的图像进行数据增强处理，并将获取的图像中尾绳不同的状态进行标注制作自制数据集。步骤3：对步骤2得到的经过标记的图像作为训练数据集输入识别模型中进行训练，直到达到模型收敛，获得训练好的模型。步骤4：利用步骤3训练好的模型嵌入到边缘计算网关中，将摄像头采集的尾绳图像传入边缘计算网关，用训练好的模型进行检测，并将带有检测结果的视频流传入到指定的WEB网页中供设备管理人员查看。2.根据权利要求1所述的一种基于改进的目标检测模型的尾绳检测系统，其特征在于，所述步骤2，具体实现包括以下子步骤：步骤2.1：将步骤1获得的吊笼运行过程中尾绳的视频图像进行伽马变换，将较灰暗的图片进行图像增强，并对有噪声的图像进行高斯滤波处理；步骤2.2：根据步骤2.1获得的图像进行Mosaic数据增强，其原理为任意选择四张图片，先通过随机裁减，再按顺时针拼接在一张图片上，最后缩放为设定的输入尺寸，并作为新的样本传入模型；这样做丰富了目标的背景，增加了目标数量，实现了不同尺度目标间的平衡。步骤2.3：将经过图像数据增强的图片按照尾绳的状态，基于LabelImage软件对所述图像数据集中尾绳的状态进行标注，并将数据集中打标完成的图片按照6:2:2的比例划分训练集数据集和验证集。3.根据权利要求1所述的一种基于改进的目标检测模型的尾绳检测系统，其特征在于，所述步骤3，具体实现包括以下子步骤：步骤3.1：训练的模型为加入了SE
‑
Net通道注意力模块的YOLOV5模型，引导模型更加关注对于尾绳目标信息的通道特征，以提升对尾绳的检测性能；YOLOV5由主干网络(Backbone)、颈部(NECK)以及输出(Output)三个部分组成；主干网络即特征提取网络，主要包括切片结构(Focus)、卷积模块(Conv)、瓶颈层(C3)以及空间金字塔池化(SPP)；颈部为特征融合网络，采用自顶向下与自底向上联合的特征融合方式，更好地融合了多尺度特征。然后传入检测层，经过非极大值抑制等后处理操作消除了大量冗余的预测框，最后输出置信度得分最高的预测类别，并返回目标位置的边框坐标。SE
‑
【专利技术属性】
技术研发人员：田刚，王鹏翔，王蕊，李天宇，崔峻豪，马学聪，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。