CN102602681B - 基于机器视觉的输送带跑偏故障在线检测方法 - Google Patents
基于机器视觉的输送带跑偏故障在线检测方法 Download PDFInfo
- Publication number
- CN102602681B CN102602681B CN201210009836.9A CN201210009836A CN102602681B CN 102602681 B CN102602681 B CN 102602681B CN 201210009836 A CN201210009836 A CN 201210009836A CN 102602681 B CN102602681 B CN 102602681B
- Authority
- CN
- China
- Prior art keywords
- load
- transfer device
- image
- machine vision
- detecting method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的输送带跑偏故障在线检测方法,属于设备状态监测领域。本发明利用线阵CCD相机采集输送带运行图像,经二值化处理后得到输送带二值图像,然后将二值图像影射为一维故障特征函数,再从一维故障特征函数中提取跑偏角和偏移量进行跑偏故障识别。本发明的输送带跑偏检测方法适合于输送带跑偏故障的在线检测,有助于机器视觉技术实时检测输送带的运行状态。
Description
技术领域
本发明涉及一种输送带跑偏检测方法,具体地涉及一种基于机器视觉的输送带跑偏故障在线检测方法,属于设备状态监测领域。
背景技术
带式输送机广泛应用于煤炭、矿山、港口码头、化工、冶金、电力等行业,运行过程中输送带容易跑偏,不仅影响企业正常生产,严重时还会造成生产事故。现有的纠偏方法主要有:人工式、机械式和光电式等方法。人工方法的劳动强度大;机械式纠偏设备成本低,但精度差;而光电式纠偏设备精度高、纠偏效果好,但制造成本高。
机器视觉技术具有自动化、智能化、高精度和非接触的特点,利用机器视觉技术对输送带跑偏故障进行检测不仅可以降低人工检测的劳动强度,提高企业的自动化水平,还可及早发现输送带的潜在故障,提高故障检测的效率和精度,有助于输送机的安全可靠运行和实现企业减人增效的目的。虽然输送带运行状态的视觉监测已经取得一定成果,但目前的研究多停留在实验室研究阶段,许多关键性问题还有待解决,其中,从运行图像中检测输送带的跑偏故障就是一个有待突破的关键技术。
发明内容
本发明的目的是为了解决机器视觉识别输送带跑偏的技术问题,提供一种基于机器视觉的输送带跑偏故障在线检测方法。
本发明的基于机器视觉的输送带跑偏故障在线检测方法,具体包括如下步骤:
步骤1,利用线阵CCD相机采集输送带的运行图像;
步骤2,对步骤1采集的一帧输送带图像进行二值化处理,得到二值图像,记为b(i,j);
步骤4,利用步骤3得到的一维故障特征函数g(i),计算输送带的跑偏角和偏移量;
步骤5,根据步骤4计算得到的输送带的跑偏角和偏移量进行输送带跑偏故障识别。
有益效果
本发明的方法能够从输送带图像中自动检测输送带的跑偏故障,可以代替人工来监测输送带的运行状态。对于像素为2048×1024的图像,本发明的方法每秒钟能够完成20帧图像的处理和跑偏故障识别,可以实现输送带跑偏故障的在线监测。另外,本发明的输送带跑偏检测方法具有自适应性,能够适应光照条件的变化。
附图说明
图1为本发明的基于机器视觉的输送带跑偏检测方法流程图;
图2为本发明的具体实施方式中的一帧输送带图像;
图3为本发明的具体实施方式中图2所示图像的二值图像;
图4为本发明的具体实施方式中提取的一维故障特征函数。
具体实施方式
为了更好的说明本发明的目的和优点,下面结合附图和实施例对本发明作进一步的详细说明。
一种基于机器视觉的输送带跑偏故障在线检测方法,其总体技术方案如图1所示,具体包括如下步骤:
步骤1,利用线阵CCD相机采集输送带的运行图像;
所述的线阵CCD相机,其输出为数字图像;
步骤2,对步骤1采集的一帧输送带数字图像进行二值化处理,得到二值图像,记为b(i,j);
所述的图像二值化处理可以采用但不局限于如下方法,具体包括如下步骤:
(1)分别计算 和 其中f(i,j),i<M,j<N表示输送带数字图像;
(2)计算
(3)计算阈值T=max(mf,muv);
(4)根据步骤(3)计算得到的二值化阈值T,对输送带图像进行二值化处理,得到输送带的二值图像,其表达式为
步骤4,利用步骤3得到的一维故障特征函数g(i),计算输送带的跑偏角和偏移量;
所述的跑偏角的计算公式为β=90°-|atan(k)|,其中k为对函数g(i)中输送带与背景的分界线进行线性拟合后的斜率;
所述的偏移量的计算公式为d=|d1-d2|,其中,d1是输送带左边缘与图像左边缘的距离,d2是输送带右边缘与图像右边缘的距离。
步骤5,根据步骤4计算得到的输送带的跑偏角和偏移量进行输送带跑偏故障识别。
所述的跑偏故障识别,其识别准则为:跑偏角或偏移量大于允许值;跑偏角的允许值通常为5°,偏移量的允许值通常为输送带宽度的10%,跑偏角和偏移量的允许值也可以根据输送带应用的具体场合而定。
为验证本发明所述方法的有效性,本具体实施方式给出了一个实施例。
实施例1:
图2为本实施例的输送带图像,其中输送带宽度为237个像素。图2所示的输送带图像经二值化处理后的二值图像如图3所示。从图3二值图像中提取的一维故障特征函数如图4所示。经计算得到的左侧、右侧的跑偏角分别为3.64°和3.39°,偏移量为105。假设跑偏角的允许值是5°,偏移量的允许值为输送带宽度的10%,那么就可判断出图2的输送带发生了跑偏。
以上所述的具体描述,是对发明的目的、技术方案和有益效果进行的进一步详细说明。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.基于机器视觉的输送带跑偏故障在线检测方法,其特征在于:该方法包括如下步骤:
步骤1,利用线阵CCD相机采集输送带的运行图像;
步骤2,对步骤1采集的一帧输送带图像进行二值化处理,得到二值图像,记为b(i,j);
所述的二值化处理,具体包括如下步骤:
(1)分别计算 和 其中f(i,j),i<M,j<N表示输送带数字图像;
(2)计算
(3)计算阈值T=max(mf,muv);
(4)根据步骤(3)计算得到的二值化阈值T,对输送带图像进行二值化处理,得到输送带的二值图像,其表达式为
步骤4,利用步骤3得到的一维故障特征函数g(i),计算输送带的跑偏角和偏移量;
所述的跑偏角的计算公式为β=90°-|atan(k)|,其中k为对函数g(i)中输送带与背景的分界线进行线性拟合后的斜率;
所述的偏移量的计算公式为d=|d1-d2|,其中,d1是输送带左边缘与图像左边缘的距离,d2是输送带右边缘与图像右边缘的距离;
步骤5,根据步骤4计算得到的输送带的跑偏角和偏移量进行输送带跑偏故障识别。
2.根据权利要求1所述的基于机器视觉的输送带跑偏故障在线检测方法,其特征在于,所述的步骤1中,线阵CCD相机的输出为数字图像。
3.根据权利要求1所述的基于机器视觉的输送带跑偏故障在线检测方法,其特征在于,所述的步骤5中,跑偏故障识别,其识别准则为:跑偏角或偏移量大于允许值;跑偏角的允许值通常为5°,偏移量的允许值通常为输送带宽度的10%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210009836.9A CN102602681B (zh) | 2012-01-13 | 2012-01-13 | 基于机器视觉的输送带跑偏故障在线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210009836.9A CN102602681B (zh) | 2012-01-13 | 2012-01-13 | 基于机器视觉的输送带跑偏故障在线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102602681A CN102602681A (zh) | 2012-07-25 |
CN102602681B true CN102602681B (zh) | 2014-01-08 |
Family
ID=46520572
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210009836.9A Active CN102602681B (zh) | 2012-01-13 | 2012-01-13 | 基于机器视觉的输送带跑偏故障在线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102602681B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102910437A (zh) * | 2012-11-07 | 2013-02-06 | 天津工业大学 | 基于机器视觉的输送带表面图像获取方法 |
CN103051872B (zh) * | 2012-12-18 | 2015-08-12 | 青岛科技大学 | 基于图像边缘提取的输送带跑偏检测方法 |
CN103738701A (zh) * | 2013-12-24 | 2014-04-23 | 北京富力通能源软件技术有限公司 | 皮带跑偏预警装置以及基于该装置的预警方法 |
CN104129615B (zh) * | 2014-05-20 | 2017-01-11 | 大连日佳电子有限公司 | 一种精密输送带控制系统 |
CN105329161B (zh) * | 2014-06-27 | 2019-01-29 | 比亚迪股份有限公司 | 检测车辆偏移车道的方法和装置 |
CN105730451B (zh) * | 2014-12-09 | 2018-12-21 | 比亚迪股份有限公司 | 车辆和检测车辆偏移车道的装置 |
CN104828517B (zh) * | 2015-05-05 | 2017-03-29 | 中国矿业大学(北京) | 基于视觉的皮带跑偏检测方法 |
CN105000353B (zh) * | 2015-07-30 | 2017-05-31 | 钜祥精密模具(苏州)有限公司 | 一种料带式通用型ccd检测机 |
CN105819188A (zh) * | 2016-05-28 | 2016-08-03 | 湖南奥科网络技术股份有限公司 | 一种搅拌站皮带打滑报警装置 |
CN108022266B (zh) * | 2017-12-14 | 2024-02-02 | 杭州电子科技大学 | 面向光伏电池在线位置检测的人工智能图像识别方法 |
CN108584352B (zh) * | 2018-06-15 | 2024-02-13 | 湖北凯瑞知行智能装备有限公司 | 基于机器视觉的胶带跑偏诊断系统及方法 |
CN109969736B (zh) * | 2019-01-17 | 2020-12-15 | 上海大学 | 一种大型运载皮带跑偏故障智能检测方法 |
CN111005152B (zh) * | 2019-12-20 | 2022-02-01 | 宁夏恒丰瑞斯特科技有限公司 | 基于图形相似性比较的纱线检测方法 |
CN112027566B (zh) * | 2020-09-30 | 2021-12-24 | 武汉科技大学 | 基于激光扫描的输送带跑偏类型判断及跑偏量测算系统 |
CN112193763A (zh) * | 2020-10-29 | 2021-01-08 | 河南理工大学 | 一种带式输送机皮带跑偏检测系统 |
CN112693810B (zh) * | 2020-12-24 | 2022-06-28 | 中标慧安信息技术股份有限公司 | 输送带运动控制方法和系统 |
CN113112485A (zh) * | 2021-04-20 | 2021-07-13 | 中冶赛迪重庆信息技术有限公司 | 基于图像处理的皮带机跑偏检测方法、系统、设备和介质 |
CN115072269A (zh) * | 2022-07-08 | 2022-09-20 | 青岛鑫光正牧业有限公司 | 一种基于线性ccd养殖用粪带自动纠偏系统 |
CN115116010B (zh) * | 2022-08-29 | 2022-11-18 | 山东千颐科技有限公司 | 基于图像处理的皮带防跑偏视觉识别系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127887A (zh) * | 2007-08-28 | 2008-02-20 | 湖南大学 | 智能视觉监控方法和装置 |
CN101231229A (zh) * | 2007-01-26 | 2008-07-30 | 华中科技大学 | 液体含菌量非染色自动计数方法 |
CN101334537A (zh) * | 2007-06-28 | 2008-12-31 | 株式会社东芝 | 图像显示装置 |
CN101477618A (zh) * | 2008-12-18 | 2009-07-08 | 上海交通大学 | 视频中行人步态周期自动提取方法 |
CN201670556U (zh) * | 2010-04-27 | 2010-12-15 | 上海科大重工集团有限公司 | 大型带式输送机故障自动识别系统 |
CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6988610B2 (en) * | 2002-01-14 | 2006-01-24 | Carnegie Mellon University | Conveyor belt inspection system and method |
-
2012
- 2012-01-13 CN CN201210009836.9A patent/CN102602681B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101231229A (zh) * | 2007-01-26 | 2008-07-30 | 华中科技大学 | 液体含菌量非染色自动计数方法 |
CN101334537A (zh) * | 2007-06-28 | 2008-12-31 | 株式会社东芝 | 图像显示装置 |
CN101127887A (zh) * | 2007-08-28 | 2008-02-20 | 湖南大学 | 智能视觉监控方法和装置 |
CN101477618A (zh) * | 2008-12-18 | 2009-07-08 | 上海交通大学 | 视频中行人步态周期自动提取方法 |
CN201670556U (zh) * | 2010-04-27 | 2010-12-15 | 上海科大重工集团有限公司 | 大型带式输送机故障自动识别系统 |
CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
Non-Patent Citations (8)
Title |
---|
基于机器视觉的输送带纵向撕裂智能检测;祁隽燕等;《煤矿机械》;20061130(第11期);110-111 * |
张?等.输送带纵向撕裂差影法图像识别技术研究.《煤炭科学技术》.2008,(第11期),85-87. |
数字图像处理在输送带撕裂视觉检测中的应用;祁隽燕等;《煤矿机械》;20091231(第12期);177-178 * |
煤炭输送带表面裂纹自动检测技术研究;魏涛等;《煤矿机械》;20100228(第02期);211-213 * |
祁隽燕等.基于机器视觉的输送带纵向撕裂智能检测.《煤矿机械》.2006,(第11期),110-111. |
祁隽燕等.数字图像处理在输送带撕裂视觉检测中的应用.《煤矿机械》.2009,(第12期),177-178. |
输送带纵向撕裂差影法图像识别技术研究;张?等;《煤炭科学技术》;20081130(第11期);85-87 * |
魏涛等.煤炭输送带表面裂纹自动检测技术研究.《煤矿机械》.2010,(第02期),211-213. |
Also Published As
Publication number | Publication date |
---|---|
CN102602681A (zh) | 2012-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102602681B (zh) | 基于机器视觉的输送带跑偏故障在线检测方法 | |
CN108107051B (zh) | 基于机器视觉的锂电池缺陷检测系统及方法 | |
Yang et al. | On-line conveyor belts inspection based on machine vision | |
CN102951426B (zh) | 一种输送带纵向撕裂视觉检测方法 | |
CN110163852A (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
CN102565077A (zh) | 基于机器视觉的输送带纵向撕裂自动检测方法 | |
CN102275723A (zh) | 一种基于机器视觉的输送带在线监测系统和方法 | |
CN102176329B (zh) | 一种核主泵用螺栓松动监测装置及其监测方法 | |
CN114348581B (zh) | 一种皮带撕裂检测方法和系统 | |
CN103051872A (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN107067421B (zh) | 一种基板残材检测方法、装置及系统 | |
CN104828517B (zh) | 基于视觉的皮带跑偏检测方法 | |
CN103886290A (zh) | 一种复杂背景下的煤流视频检测方法 | |
CN103387123A (zh) | 基于机器视觉的矿用胶带撕裂智能检测系统 | |
CN105809674A (zh) | 一种基于机器视觉的模具保护装置及其方法 | |
Wang et al. | Belt vision localization algorithm based on machine vision and belt conveyor deviation detection | |
CN105678741A (zh) | 一种矿用输送带纵撕图像检测方法 | |
CN117315593A (zh) | 煤矿井下运输系统异物侵入的识别方法 | |
CN110516725B (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN114359779B (zh) | 一种基于深度学习的皮带撕裂检测方法 | |
CN115504187B (zh) | 一种矿用皮带智能调速和保护系统及控制方法 | |
Qiao et al. | Real-time detection technology based on dynamic line-edge for conveyor belt longitudinal tear. | |
CN105021630A (zh) | 输送带表面破损自动检测方法 | |
CN103134757A (zh) | 一种基于双目异质机器视觉的检测系统及其检测方法 | |
CN210546446U (zh) | 一种用于轴承套圈缺陷检测的机器视觉机构 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |