【技术实现步骤摘要】
本专利技术涉及智能检测，具体而言，涉及一种异物跑偏检测方法、检测装置、计算机可读存储介质和异物跑偏检测系统。
技术介绍
1、带式输送机作为井工煤矿和露天煤矿的主要运输方式，是散状物料连续输送的首选装备，目前正向着大型化、智能化和节能化的方向发展。其中，输送带作为带式输送机的最为重要的组成部分之一，起着承载与牵引物料的重要作用。
2、但是在进行带式输送机输送时，由于输送带会对上表面输送的物料进行牵引，牵引过程中物料受到输送带的振动频率影响发生晃动偏移，易导致输送物料过程中物料中的异物发生偏移甚至脱落，受制于工作环境的影响，巡检人员难以全面、快速的发生跑偏现象，导致异物偏移发生掉落意外或损坏设备。
技术实现思路
1、本申请的主要目的在于提供一种异物跑偏检测方法、检测装置、计算机可读存储介质和异物跑偏检测系统，以至少解决现有技术中输送机受制于工作环境的影响，巡检人员难以全面、快速的发生跑偏现象，导致异物偏移发生掉落意外或损坏设备的问题。
2、为了实现上述目的，根据本申请的一个方面，提供了一种异物跑偏检测方法，所述方法包括：获取多个原始图像，所述原始图像为运输皮带表面的图像；采用深度卷积神经网络对多个所述原始图像进行训练得到图像检测模型，所述图像检测模型的训练数据为多个所述原始图像和对应的检测框信息，所述检测框信息包括检测框的位置坐标信息、所述检测框的宽度和高度；实时获取所述运输皮带表面的当前图像并将所述当前图像输入所述图像检测模型，输出得到所述当前图像中的物品对应
3、可选地，采用深度卷积神经网络对多个所述原始图像进行训练建立图像检测模型，包括：获取所述深度卷积神经网络的卷积函数、激活函数、池化函数和全连接函数，所述深度卷积数据网络包括输入层、卷积层、激活层、池化层、全连接层和输出层，所述卷积函数、所述池化函数和所述全连接函数分别为计算所述卷积层、所述激活层、所述池化层和所述全连接层的输出的函数；根据所述卷积函数、所述池化函数和所述全连接函数确定目标函数，所述目标函数为根据所述原始图像计算得到所述原始图像对应的检测框信息；采用批量随机梯度下降法将多组训练数据代入所述目标函数进行迭代训练，直至所述深度卷积神经网络的损失函数值小于或者等于预定值，得到优化参数，所述优化参数为所述目标函数的参数训练后得到的参数；将参数为所述优化参数的所述深度卷积神经网络确定所述图像检测模型。
4、可选地，所述训练数据还包括概率数组，所述概率数组为所述当前图像中的物品属于各类别的概率和所述当前图像无所述物品的概率，在采用批量随机梯度下降法将多组训练数据代入所述目标函数进行迭代训练，直至所述深度卷积神经网络的损失函数值小于或者等于预定值，得到优化参数之前，所述方法还包括：通过所述全连接层计算得到图像中的物品真实分类对应的真实概率，所述真实分类为所述物品实际上所属的类别；根据所述物品的所述真实分类和所述真实概率确定所述概率数组的损失函数，得到第一损失函数；根据所述真实分类对应的理论检测框信息和真实检测框信息确定检测框的所述损失函数，得到第二损失函数，所述理论检测框信息为所述物品对应的在训练过程中得到所述检测框信息，所述真实检测框信息为所述物品对应的实际上的所述检测框信息；将所述第一损失函数和所述第二损失函数进行加和，确定为损失函数。
5、可选地，将所述第一损失函数和所述第二损失函数进行加和，确定为损失函数，包括：在所述当前图像无所述物品的情况下，不进行所述检测框的损失计算，将所述第一损失函数确定为所述损失函数。
6、可选地，在根据所述目标检测框信息检测得到所述物品的目标位置之前，所述方法还包括：获取所述运输皮带表面的当前图像并将所述当前图像输入所述图像检测模型，输出得到所述当前图像中的物品对应所述目标检测框信息和所述概率数组；获取相对于所述当前图像的前n帧图像的多个检测框数据，所述检测框数据包括前n帧所述图像对应的所述概率数组和所述检测框信息，每一帧所述图像与所述概率数组和所述检测框信息一一对应；将前n帧所述图像对应的所述检测框数据投影至所述当前图像；在投影误差小于设定误差阈值的情况下，确定所述当前图像与前n帧所述图像是相关联的，并得到所述当前图像中所述物品的跟踪序列，所述跟踪序列包括多个检测框数据；对所述跟踪序列采用argmax函数计算得到所述当前图像中所述物品的类别。
7、可选地，在所述目标位置与所述运输皮带的中心线的距离大于预定距离的情况下，控制发出警报信息并执行自动纠偏操作之前，所述方法还包括：根据所述物品所在的图像采用霍夫变换方法计算处理，得到多条所述运输皮带的直线，所述直线的方向为沿所述运输皮带的滚动方向；对多条所述直线通过直线滤波进行处理，得到两条所述运输皮带的边缘线，两条所述边缘线之间的距离为所述运输皮带的宽度；根据两条所述边缘线计算得到所述运输皮带的所述中心线。
8、可选地，在采用深度卷积神经网络对多个所述原始图像进行训练得到图像检测模型之后，所述方法还包括：实时获取所述运输皮带表面的当前图像并将所述当前图像输入所述图像检测模型，输出得到所述当前图像中的物品对应所述目标检测框信息和所述概率数组；根据所述目标检测框信息和所述概率数组实时监测得到所述物品的运动轨迹；根据所述运动轨迹实时计算与所述中心线的距离差值；在所述距离差值大于距离阈值的情况下，确定所述物品正在发生偏移，控制发出提示信息，所述提示信息用于提示所述物品正在发生偏移有掉落风险。
9、根据本申请的另一方面，提供了一种异物跑偏检测装置，所述装置包括：第一获取单元，用于获取多个原始图像，所述原始图像为运输皮带表面的图像；训练单元，用于采用深度卷积神经网络对多个所述原始图像进行训练得到图像检测模型，所述图像检测模型的训练数据为多个所述原始图像和对应的检测框信息，所述检测框信息包括检测框的位置坐标信息、所述检测框的宽度和高度；第一输出单元，用于实时获取所述运输皮带表面的当前图像并将所述当前图像输入所述图像检测模型，输出得到所述当前图像中的物品对应的目标检测框信息；检测单元，用于根据所述目标检测框信息检测得到所述物品的目标位置；第一控制单元，用于在所述目标位置与所述运输皮带的中心线的距离大于预定距离的情况下，控制发出警报信息，所述警报信息为提示所述物品已偏离所述运输皮带。
10、根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的方法。
11、根据本申请的又一方面，提供了一种异物跑偏检测系统，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括本文档来自技高网...
【技术保护点】
1.一种异物跑偏检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，采用深度卷积神经网络对多个所述原始图像进行训练建立图像检测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述训练数据还包括概率数组，所述概率数组为所述当前图像中的物品属于各类别的概率和所述当前图像无所述物品的概率，在采用批量随机梯度下降法将多组训练数据代入所述目标函数进行迭代训练，直至所述深度卷积神经网络的损失函数值小于或者等于预定值，得到优化参数之前，所述方法还包括：
4.根据权利要求3述的方法，其特征在于，将所述第一损失函数和所述第二损失函数进行加和，确定为损失函数，包括：
5.根据权利要求3所述的方法，其特征在于，在根据所述目标检测框信息检测得到所述物品的目标位置之前，所述方法还包括：
6.根据权利要求1所述的方法，其特征在于，在所述目标位置与所述运输皮带的中心线的距离大于预定距离的情况下，控制发出警报信息之前，所述方法还包括：
7.根据权利要求3所述的方法，其特征在于，在采用深度卷积神经网络对多个
8.一种异物跑偏检测装置，其特征在于，所述装置包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的方法。
10.一种异物跑偏检测系统，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的方法。
...【技术特征摘要】
1.一种异物跑偏检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，采用深度卷积神经网络对多个所述原始图像进行训练建立图像检测模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述训练数据还包括概率数组，所述概率数组为所述当前图像中的物品属于各类别的概率和所述当前图像无所述物品的概率，在采用批量随机梯度下降法将多组训练数据代入所述目标函数进行迭代训练，直至所述深度卷积神经网络的损失函数值小于或者等于预定值，得到优化参数之前，所述方法还包括：
4.根据权利要求3述的方法，其特征在于，将所述第一损失函数和所述第二损失函数进行加和，确定为损失函数，包括：
5.根据权利要求3所述的方法，其特征在于，在根据所述目标检测框信息检测得到所述物品的目标位置之前，所述方法还包括：
6.根据权利要求...
【专利技术属性】
技术研发人员：闫震，王宇，王迎春，李军权，冉从江，邓育健，
申请(专利权)人：国家能源集团新疆能源有限责任公司，
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。