【技术实现步骤摘要】
本专利技术涉及煤矿物料运输设备检测，具体涉及运煤皮带机异物检测方法及异物检测系统。
技术介绍
1、在煤矿生产中，煤炭输送带作为煤炭运输的主要通道起着至关重要的作用，直接影响着煤矿开采和煤炭运输的效率。准确识别和分类煤炭输送带上的异物已成为保证煤矿安全生产的重要任务。输送带上常见的异物，如锚杆和大块煤矸石，有可能在高速运行的输送带上造成划伤、撕裂和堆积煤块。因此，及时对煤炭输送带上的异物进行分类识别，对潜在问题进行预警和及时处理是必要的。
2、目前，检测煤炭输送带异物的方法多种多样，包括人工识别、x射线法、图像处理等。
3、图像处理技术包括目标检测和图像分类技术。目标检测需要在识别前对异物进行准确定位，这需要大量图像的标注，费时费力。这个过程不仅繁琐，而且计算量很大。图像分类技术存在样本采集困难数据量少，鲁棒性较差、光照影响和环境等方面的问题。这些因素可能导致图像质量下降，影响分类的准确性。采煤环境的复杂性对现有图像分类方法在煤炭输送带异物分类方面提出了挑战，因此，进一步研究和发展适应煤矿井下特殊环境的皮带机异物检测方法显得尤为重要。
4、然而，由于煤矿地下环境的复杂性，出现了大量灰尘、湿度不一致、照明不良以及难以收集样本数据等挑战。当前煤矿领域的图像分类方法仍然存在鲁棒性差、模型复杂度高、参数量大等问题。因此，迫切需要进一步研究和开发适合煤矿井下独特条件的图像分类算法。这对于在这种复杂的情况下提高分类的准确性和稳健性至关重要。
技术实现思路
1、
2、为了实现前述目的，本专利技术的第一方面提供了一种基于efficientnetv2模型的运煤皮带机异物检测方法，其中，所述efficientnetv2模型包括sa-mbconv模块和sa-fused-mbconv模块，所述sa-mbconv模块具有顺序的1×1的升维卷积、k×k的depthwise卷积、置换注意力模块以及1×1的降维卷积，所述sa-fused-mbconv模块具有k×k的升维卷积、置换注意力模块以及1×1的降维卷积，
3、所述异物检测方法包括如下步骤：
4、以所述efficientnetv2模型作为异物检测初始模型，并通过开源物料输送图像集对所述异物检测初始模型进行预训练得到异物检测预训练模型；
5、获取所述运煤皮带机的物料输送图像集，所述物料输送图像集中包括n类特征图像，将所述物料输送图像集划分为训练集和测试集，所述训练集中的图像数量n1大于所述测试集中的图像数量n2，通过所述训练集对所述异物检测训练模型进行训练得到运煤皮带机异物检测模型并且通过所述测试集进行测试；以及
6、利用所述运煤皮带机异物检测模型对所述运煤皮带机的实时物料输送图像的进行n类异物检测。
7、如前述的异物检测方法中，可选地，所述置换注意力模块沿着物料输送图像的通道维度对输入的物料输送图像特征图进行分组，对每组所述物料输送图像特征图进行重新排列分成通道注意力分支和空间注意力分支，处理得到所述物料输送图像特征图的通道依赖系数和空间依赖系数，然后对所述物料输送图像特征图进行集成，实现对通道注意力机制和空间注意力机制的融合。
8、如前述的异物检测方法中，可选地，在所述通道注意力机制和所述空间注意力机制融合之后，通过hard-sigmoid函数进行激活，其中，
9、所述hard-sigmoid函数的输入定义为x＝f(.)＝wu+b，其中u为置换注意力后产生的通道统计量，w为对u进行的尺度操作，b为对u进行的位移操作，
10、所述hard-sigmoid函数的输出定义为：
11、
12、如前述的异物检测方法中，可选地，在获取所述运煤皮带机的物料输送图像集后设置有图像预处理的步骤，所述图像预处理包括对所述物料输送图像集进行增强处理，所述数据增强处理包括如下步骤：
13、定义p1个图像增强操作；
14、从所述p1个图像增强操作中选择p2个图像增强操作，，p2<p1，随机产生使用所述p2个图像增强操作的概率和幅度，称其为一个策略，一共产生p2个策略；
15、在验证数据集中对所述策略进行训练验证，选择精度最高的图像增强方案。
16、如前述的异物检测方法中，可选地，在所述efficientnetv2模型的全连接层后引入polyloss函数作为分类损失函数：
17、
18、其中ε为多项式系数，pt表示目标-标签预测的概率，j是变量参数，并且ε＝2。
19、如前述的异物检测方法中，可选地，所述efficientnetv2模型具有顺序的第一级3×3卷积、第二级至第四级重复sa-fused-mbconv卷积、第五级至第七级重复sa-mbconv卷积以及由1×1卷积、平均池化层及全连接层组成的第八级。
20、如前述的异物检测方法中，可选地，所述开源物料输送图像集为imagenet数据集，并且在所述预训练时将所述imagenet数据集中的图像大小调整为224×224像素，batch-size设置为32。
21、如前述的异物检测方法中，可选地，n＝3，并且，第一类特征图像为具有锚杆的物料输送图像，第二类特征图像为具有煤矸石的物料输送图像，第三类特征图像为具有正常煤流的物料输送图像。
22、为了实现前述目的，本专利技术的第二方面提供了一种基于efficientnetv2模型的运煤皮带机异物检测系统，其中，所述异物检测系统包括：
23、运煤皮带机图像获取模块，所述运煤皮带机图像获取模块用于获取运煤皮带机运输时的皮带输送图像；
24、数据处理设备，所述数据处理设备内设置有经过训练的运煤皮带机异物检测模型，所述运煤皮带机异物检测模型为efficientnetv2模型，并且，所述efficientnetv2模型包括sa-mbconv模块和sa-fused-mbconv模块，所述sa-mbconv模块具有顺序的1×1的升维卷积、k×k的depthwise卷积、置换注意力模块以及1×1的降维卷积，所述sa-fused-mbconv模块具有k×k的升维卷积、置换注意力模块以及1×1的降维卷积，所述数据处理设备基于所述运煤皮带机异物检测模型对所述运煤皮带机图像获取的皮带输送图像进行检测。
25、如前的异物检测系统中，可选地，所述置换注意力模块沿着物料输送图像的通道维度对输入的物料输送图像特征图进行分组，对每组所述物料输送图像特征图进行重新排列分成通道注意力分支和空间注意力分支，处理得到所述物料输送图像特征图的通道依赖系数和空间依赖系数，然后对所述物料输送图像特征图进行集成，实现对通道注意力机制和空间注意力机制的融合；
26、在所述通道注意力机制和所述空间注意力机制融合之本文档来自技高网...
【技术保护点】
1.一种基于EfficientNetV2模型的运煤皮带机异物检测方法，其特征在于，所述EfficientNetV2模型包括SA-MBConv模块和SA-Fused-MBConv模块，所述SA-MBConv模块具有顺序的1×1的升维卷积、k×k的Depthwise卷积、置换注意力模块以及1×1的降维卷积，所述SA-Fused-MBConv模块具有k×k的升维卷积、置换注意力模块以及1×1的降维卷积，
2.如权利要求1所述的异物检测方法，其特征在于，所述置换注意力模块沿着物料输送图像的通道维度对输入的物料输送图像特征图进行分组，对每组所述物料输送图像特征图进行重新排列分成通道注意力分支和空间注意力分支，处理得到所述物料输送图像特征图的通道依赖系数和空间依赖系数，然后对所述物料输送图像特征图进行集成，实现对通道注意力机制和空间注意力机制的融合。
3.如权利要求2所述的异物检测方法，其特征在于，在所述通道注意力机制和所述空间注意力机制融合之后，通过Hard-Sigmoid函数进行激活，其中，
4.如权利要求1所述的异物检测方法，其特征在于，在获取所述运
5.如权利要求1所述的异物检测方法，其特征在于，在所述EfficientNetV2模型的全连接层后引入Polyloss函数作为分类损失函数：
6.如权利要求1所述的异物检测方法，其特征在于，所述EfficientNetV2模型具有顺序的第一级3×3卷积、第二级至第四级重复所述SA-Fused-MBConv卷积、第五级至第七级重复所述SA-MBConv卷积以及由1×1卷积、平均池化层及全连接层组成的第八级。
7.如权利要求1所述的异物检测方法，其特征在于，所述开源物料输送图像集为ImageNet数据集，并且在所述预训练时将所述ImageNet数据集中的图像大小调整为224×224像素，batch-size设置为32。
8.如权利要求1的异物检测方法，其特征在于，n＝3，并且，第一类特征图像为具有锚杆的物料输送图像，第二类特征图像为具有煤矸石的物料输送图像，第三类特征图像为具有正常煤流的物料输送图像。
9.一种基于EfficientNetV2模型的运煤皮带机异物检测系统，其特征在于，所述异物检测系统包括：
10.如权利要求9所述的异物检测系统，其特征在于，
...【技术特征摘要】
1.一种基于efficientnetv2模型的运煤皮带机异物检测方法，其特征在于，所述efficientnetv2模型包括sa-mbconv模块和sa-fused-mbconv模块，所述sa-mbconv模块具有顺序的1×1的升维卷积、k×k的depthwise卷积、置换注意力模块以及1×1的降维卷积，所述sa-fused-mbconv模块具有k×k的升维卷积、置换注意力模块以及1×1的降维卷积，
2.如权利要求1所述的异物检测方法，其特征在于，所述置换注意力模块沿着物料输送图像的通道维度对输入的物料输送图像特征图进行分组，对每组所述物料输送图像特征图进行重新排列分成通道注意力分支和空间注意力分支，处理得到所述物料输送图像特征图的通道依赖系数和空间依赖系数，然后对所述物料输送图像特征图进行集成，实现对通道注意力机制和空间注意力机制的融合。
3.如权利要求2所述的异物检测方法，其特征在于，在所述通道注意力机制和所述空间注意力机制融合之后，通过hard-sigmoid函数进行激活，其中，
4.如权利要求1所述的异物检测方法，其特征在于，在获取所述运煤皮带机的物料输送图像集后设置有图像预处理的步骤，所述图像预处理包括对所述物料输送图像集进...
【专利技术属性】
技术研发人员：胡涛，庄德玉，郑立波，邱锦波，汤子麟，张启志，郑东，钱江泳，
申请(专利权)人：中煤科工集团上海有限公司，
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。