System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电铲斗齿的缺失检测,特别是涉及一种基于深度学习目标检测算法的电铲斗齿计数方法。
技术介绍
1、针对大型露天矿中电铲斗齿的断裂或脱落问题,矿业企业采取了一系列预防和应对措施,以保障生产的安全和效率,监测技术的应用也为电铲斗齿的安全使用提供了新的可能性;通过安装监测系统,可以实时监测电铲斗齿的工作状态,一旦出现异常情况,系统会立即发出警报并停止电铲工作,以保护设备和操作人员的安全。
2、以往的电铲斗齿缺失检测方案主要使用红外热辐射进行热成像,通过模板匹配、帧差法、形状特征分析等方式来实现电铲斗齿缺失的检测,然而,这些方法的准确度不高,耗时长,且对环境要求较高。
技术实现思路
1、为了解决以上技术问题,本专利技术提供一种基于深度学习目标检测算法的电铲斗齿计数方法,包括以下步骤
2、s1、采集电铲正常工作状态下的电铲斗齿图像,对电铲斗齿图像进行数据增强操作;并对数据增强后的电铲斗齿图像进行人工标注,创建一个图像数据集;
3、s2、将图像数据集划分为训练集和验证集;
4、s3、基于efficientdet目标检测算法构建电铲斗齿计数网络,电铲斗齿计数网络包括用于特征提取的efficientnet主干网络、用于多层次特征融合和自适应尺度调整的双向特征金字塔网络、用于预测目标类别的分类预测网络层以及用于预测目标位置的边界框预测网络层;
5、s4、将步骤s2中得到的训练集作为电铲斗齿计数网络的输入,进行多次迭代训练得到电铲斗
6、s5、使用训练好的电铲斗齿计数模型对实时采集到的电铲斗齿图像进行斗齿计数,如果此时满齿则电铲正常工作;如果此时不满齿则进行报警提示。
7、本专利技术进一步限定的技术方案是:
8、进一步的,步骤s1中,在电铲铲斗的大臂上安装工业相机,通过工业相机对电铲斗齿图像进行采集,通过人工方式从采集到的电铲斗齿图像中挑选出能够清晰显示电铲斗齿区域的图像,并对挑选出的电铲斗齿图像进行数据增强操作。
9、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s1中,数据增强操作具体为:对电铲斗齿图像进行几何变换,扩充数据集,几何变换包括翻转、旋转、裁剪、变形以及缩放。
10、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s1中,使用labelimg标注工具对数据增强操作后的电铲斗齿图像进行人工标注,通过真实标注框将图像中斗齿所在区域标注出来,真实标注框的数量等于斗齿的数量,从而创建一个图像数据集。
11、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s2中,训练集和验证集的比例设置为7:3。
12、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s3中,分类预测网络层和边界框预测网络层均包括两个卷积层,边界框预测网络层用于预测目标的位置,即边界框坐标。
13、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s3中,在电铲斗齿计数网络中引入一组可调节的扩展因子,用于在不同分辨率下生成多个检测尺度,以适应不同大小的目标。
14、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s4中,使用交叉熵损失函数衡量电铲斗齿计数模型的目标类别预测准确性,同时使用iou损失函数衡量电铲斗齿计数模型的真实边界框预测精确性,以召回率作为模型评价指标,将在验证集中目标类别预测准确性最高和真实边界框预测精确性最高的模型作为最终的电铲斗齿计数模型。
15、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s5中,利用预测的目标类别和目标位置信息进行目标检测,筛选出置信度大于0.6的斗齿预测框,通过代码计算斗齿预测框的数量,通过对比斗齿预测框的数量与实际斗齿个数是否相同来判断斗齿数目是否缺失,如果相同则为不缺失,即满齿;如果不相同则为缺失,即不满齿。
16、前所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,步骤s5中,通过非极大值抑制nms对重叠的斗齿预测框进行消除。
17、本专利技术的有益效果是:
18、本专利技术中,通过构建efficientdet目标检测网络,对电铲铲斗图片进行模型训练与验证,在验证集中表现优异的模型作为最终的电铲斗齿计数模型,由该模型对处于工作状态下的电铲铲斗图片进行铲斗齿数检测,并给出相应提示操作;efficientdet是一种轻量高效的目标检测算法,它结合了efficientnet的特征提取能力和bifpn的多尺度融合机制,efficientdet目标检测速度更快,准确性更高,且适合在物体数量众多的场景中使用。
本文档来自技高网...【技术保护点】
1.一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:包括以下步骤
2.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S1中,在电铲铲斗的大臂上安装工业相机,通过工业相机对电铲斗齿图像进行采集,通过人工方式从采集到的电铲斗齿图像中挑选出能够清晰显示电铲斗齿区域的图像,并对挑选出的电铲斗齿图像进行数据增强操作。
3.根据权利要求2所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S1中,数据增强操作具体为:对电铲斗齿图像进行几何变换,扩充数据集,几何变换包括翻转、旋转、裁剪、变形以及缩放。
4.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S1中,使用Labelimg标注工具对数据增强操作后的电铲斗齿图像进行人工标注,通过真实标注框将图像中斗齿所在区域标注出来,真实标注框的数量等于斗齿的数量,从而创建一个图像数据集。
5.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S2中,训
6.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S3中,分类预测网络层和边界框预测网络层均包括两个卷积层,边界框预测网络层用于预测目标的位置,即边界框坐标。
7.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S3中,在电铲斗齿计数网络中引入一组可调节的扩展因子,用于在不同分辨率下生成多个检测尺度,以适应不同大小的目标。
8.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S4中,使用交叉熵损失函数衡量电铲斗齿计数模型的目标类别预测准确性,同时使用IoU损失函数衡量电铲斗齿计数模型的真实边界框预测精确性,以召回率作为模型评价指标,将在验证集中目标类别预测准确性最高和真实边界框预测精确性最高的模型作为最终的电铲斗齿计数模型。
9.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S5中,利用预测的目标类别和目标位置信息进行目标检测,筛选出置信度大于0.6的斗齿预测框,通过代码计算斗齿预测框的数量,通过对比斗齿预测框的数量与实际斗齿个数是否相同来判断斗齿数目是否缺失,如果相同则为不缺失,即满齿;如果不相同则为缺失,即不满齿。
10.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤S5中,通过非极大值抑制NMS对重叠的斗齿预测框进行消除。
...【技术特征摘要】
1.一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:包括以下步骤
2.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤s1中,在电铲铲斗的大臂上安装工业相机,通过工业相机对电铲斗齿图像进行采集,通过人工方式从采集到的电铲斗齿图像中挑选出能够清晰显示电铲斗齿区域的图像,并对挑选出的电铲斗齿图像进行数据增强操作。
3.根据权利要求2所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤s1中,数据增强操作具体为:对电铲斗齿图像进行几何变换,扩充数据集,几何变换包括翻转、旋转、裁剪、变形以及缩放。
4.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤s1中,使用labelimg标注工具对数据增强操作后的电铲斗齿图像进行人工标注,通过真实标注框将图像中斗齿所在区域标注出来,真实标注框的数量等于斗齿的数量,从而创建一个图像数据集。
5.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤s2中,训练集和验证集的比例设置为7:3。
6.根据权利要求1所述的一种基于深度学习目标检测算法的电铲斗齿计数方法,其特征在于:所述步骤s3中,分类预测网络层和边界框预测网络...
【专利技术属性】
技术研发人员:沈刚,王成,孙辉,费树辉,陶欣荣,滕文想,席寅虎,闫磊磊,汪选要,胡海霞,强持恒,胡升阳,李保坤,解辉,刘辉,喻曹丰,
申请(专利权)人:安徽理工大学,
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。