CN110519566A - 一种基于视频处理的皮带运动状态监测方法 - Google Patents

Abstract

本发明公开了一种基于视频处理的皮带运动状态监测方法，属于运动检测技术领域。本发明包括：首先对视频预处理，再进行运动物体检测；然后根据视频中运动区域的面积设立标志位，判断当前视频帧中的皮带是动态还是静态；定义一个状态机，实现皮带四种运动状态的动态转换，然后根据标志位及标志位的累加值判断当前视频帧的状态，从而对皮带的运动状态做出判断及实时报警。本发明实现了对皮带的无接触检测，并且可以对皮带的正常运行状态和空载运行状态加以判断和区分，在保证检测结果准确率的情况下，不需要激光发射器以及硬件设备的支持，降低了监测皮带运动状态的实施成本。

Description

一种基于视频处理的皮带运动状态监测方法

技术领域

本发明属于在运动检测技术领域，具体涉及一种基于视频处理的皮带运动状态监测方法。

背景技术

由于煤矿的特殊生产条件，皮带作为矿料运输的重要设备，其工作状态对于矿山安全生产至关重要。实现智能化矿用皮带运动状态监测，对于降低人工维护成本，提高采矿安全生产有着举足轻重的意义。

现有的皮带运动状态监测方法，一般是基于硬件或者基于视频的图像处理技术的检测方法。比如，专利CN201610970736中，基于超声波测距然后得到皮带速度及皮带是否跑偏的逻辑数据，但是这种基于硬件的监测方法，当其应用于如煤矿井下等较为恶劣的生产环境时，极易被煤尘、泥污、油泥等影响，易发生误报、漏报等故障且硬件安装成本高，还需专职人员对其进行定期维护，使用的人力成本较高；专利CN201610235553中，是在矿用皮带上方设置摄像头以及与摄像头匹配的补光灯，并在矿用皮带表面及边缘涂上多个等间隔的反光层，通过图像对反光层的识别来实现对矿用皮带运动状态的确定，但是在实际生产中，矿用皮带上面往往会有大量的矿料，这样使得它上面的反光层不可避免地会被矿料遮盖住，从而降低了对其运动状态检测结果的准确度。

目前现有的皮带运动状态监测方法，虽然在一定程度上起到了监测管理作用，但由于井下的恶劣环境，存在着不同程度上的缺陷。迫切需要一种采用非接触式检测、运行可靠、便于实施、维护成本低的皮带运动状态监测方法。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于视频处理的皮带运动状态监测方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于视频处理的皮带运动状态监测方法，包括以下步骤：

步骤1：逐帧读取皮带监控视频的实时视频流，对视频帧利用BackgroundSubtractor(背景减除算法)的KNN(K-Nearest，K最近邻)背景分割器设置阴影检测，进行包括图像形态学操作在内的预处理；

步骤2：对预处理后的视频帧，根据前景面积检测运动物体，根据视频中的运动区域面积设立标志位flag，判断当前视频帧中皮带的运动状态；

步骤3：定义一个包括皮带四种运动状态的FSM(Finite State Machine，有限状态机)，皮带四种运动状态包括：正常运行、空载运行、疑似空载运行和停止运行；根据标志位及标志位的累加值，判断当前视频帧的状态；

步骤4：运行FSM，每5帧判断一次状态变化，以实现皮带四种运动状态的动态转换，从而对皮带的运动状态做出判断并实时报警。

优选地，在步骤1中，具体包括如下步骤：

步骤1.1：引入Background Subtractor的KNN背景分割器进行背景分割，通过KNN背景分割器从视频流中分离出运动的物体前景；

基于完整的皮带静止背景帧，能够通过帧差法来计算像素差从而获取前景对象，但是在检测皮带运动状况的情况下，背景帧不会完全静止，从而需要在视频流的每帧图像中提取背景，而当皮带上的物体有阴影时，因阴影也在移动，背景提取更加复杂，因此引入了背景减除算法，以达到目标检测的目的；

步骤1.2：对分离出的运动物体前景，根据皮带在监控视频中的具体位置划定一个ROI(Region of Interest，感兴趣区域)区域作为皮带的检测区域，并对其进行单阈值OTSU(Nobuyuki Otsu,大津法)二值化处理、形态学处理，实时检测动态前景。

优选地，在步骤2中，具体包括如下步骤：

步骤2.1：参数初始化，定义标志位flag为0，临界面积MaxArea为50；

步骤2.2：利用contourArea，计算运动区域面积Area，判断Area与MaxArea的大小；

若判断结果是Area≤MaxArea，则flag＝1，认为当前视频帧中的皮带为静态；

或判断结果是Area＞MaxArea，则flag＝2，认为当前视频帧中的皮带为动态。

优选地，在步骤3中，具体包括如下步骤：

步骤3.1：参数初始化，定义标志位的累加值countFlag为0；

步骤3.2：定义一个包括皮带四种运动状态的FSM；

步骤3.3：实现FSM的参数初始化，具体包括如下步骤：

步骤3.3.1：定义一个空载计时器unMoveTime为0和一个状态变量，通过FSM变换得到皮带的运动状态信息，然后对应的改变状态变量和空载计时器的值；

步骤3.3.2：定义一个特定的二值化阈值sThreshold，用于在当前视频帧进入FSM的“停止运行”状态后，以便在皮带进入“正常运行”状态时能够敏锐地捕捉到状态的变化；

步骤3.3.3：定义一个空载时间阈值，以供后期空载运行报警判断；

步骤3.4：根据标志位flag和标志位的累加值countFlag，判断当前视频帧的状态，具体包括如下步骤：

步骤3.4.1：逐帧读取预处理后的视频流，根据flag的值，对countFlag进行累加：

若flag＝1，即当前视频帧中的皮带为静态时，countFlag累加1；

若flag＝2，即当前视频帧中的皮带为动态时，countFlag重新置为0；

步骤3.4.2：判断countFlag的大小；

当countFlag<50时，认为当前视频帧进入FSM的“正常运行”状态；

当50≤countFlag<1000时，认为当前视频帧进入FSM的“疑似空载运行”状态；

当countFlag≥1000时，认为当前视频帧进入FSM的“停止运行”状态，修改当前二值化阈值为sThreshold。

优选地，在步骤4中，具体包括如下步骤：

步骤4.1：FSM处于“正常运行”状态时，运行皮带运动检测过程，若连续十次状态变化判断的flag都为2，即countFlag＞50，则认为FSM进入“疑似空载运行”状态，反之状态不变；

步骤4.2：FSM处于“疑似空载运行”状态时，运行皮带运动检测过程，空载计时器unMoveTime开始从0计数，具体包括如下步骤：

步骤4.2.1：参数初始化，分别定义第一系统时间fTime、第二系统时间sTime和第三系统时间tTime为0；

步骤4.2.2：判断第一系统时间fTime是否等于零；

若：判断结果是fTime＝0时，则令fTime、sTime和tTime等于当前系统时间；

或判断结果是fTime≠0时，则将tTime的值传给sTime，然后令Ttime等于当前系统时间；

步骤4.2.3：判断tTime与sTime的差值与80s的大小关系；

若：判断结果是tTime与sTime的差值小于80s，则认为皮带在这段时间仍为“疑似空载运行”状态，空载计时器unMoveTime累加当前tTime与sTime的差值；

或判断结果是tTime与sTime的差值大于或者等于80s，则认为皮带在这段时间为“正常运行”状态，空载计时器unMoveTime和fTime重新置为0；

步骤4.2.4查看空载计时器unMoveTime，判读unMoveTime的累计时间是否超过预设的空载运行时间阈值；

若：判断结果是unMoveTime的累计时间超过预设的空载运行时间阈值，则认为FSM进入“空载运行”状态，进行实时报警并显示报警状态信息，将空载计时器重置为0，重新开始计时；

或判断结果是unMoveTime的累计时间没有超过预设的空载运行时间阈值，则状态不变；

步骤4.3：FSM处于“停止运行”状态时，运行皮带运动检测过程，若下一次状态变化的flag＝2，即当前视频帧中的皮带从静止状态转变为运动状态，则认为FSM进入“正常运行”状态，反之状态不变；

步骤4.4以此类推，每5帧运行一次上述FSM过程，完成一次判断。

本发明所带来的有益技术效果：

1、本发明通过视频图像处理技术，实现了对皮带的无接触检测，在矿用皮带运动状态的检测上不会出现现有技术中因矿用皮带上反光层被矿料遮盖住而影响检测结果的问题，摆脱了矿用传送上反光层带来的局限性，也减少了基于硬件检测皮带运动状态的生产成本。

2、本发明利用Background Subtractor的KNN背景分割器设置阴影检测，获取动态前景，从而根据前景面积检测运动物体，使目标检测更准确。

3、本发明不仅可以检测出皮带的运行状态和停止状态，还可以将皮带的运行状态分为正常运行状态和空载运行状态两种状态，对其加以检测，并对超时的空载运行状态进行实时报警。

4、本发明采用比较完善的状态机变换机制，实时分析监控视频流，获取皮带的当前状态信息，当出现空载运行状态时立即做出报警，以便工作人员采取相应措施。采用这种方法，不仅可以辅助相关人员更好的完成工作任务，也降低了人力成本，保障了生产安全，对于智能监控领域而言意义重大。

附图说明

图1为实施本发明的基本流程图。

图2为实施本发明的监测区域的应用场景示意图。

图3为实施本发明的状态机状态判断的基本流程图。

图4为实施本发明的状态机变换机制的结构框图。

具体实施方式

下面结合附图以及具体实施方式对本发明作进一步详细说明：

本发明提出一种基于视频处理的皮带运动状态监测方法。本发明通过对皮带的实时监控视频进行处理分析，判断皮带运载过程中的运动状态并对非正常状态进行报警，并且可以对皮带的正常运行状态和空载运行状态加以判断和区分。对视频帧进行预处理时，利用Background Subtractor(背景减除算法)的KNN(K-Nearest，K最近邻)背景分割器设置阴影检测，获取动态前景，从而根据视频帧的前景面积检测运动物体；定义一个FSM(FiniteState Machine，有限状态机)，根据视频中运动区域的面积设立标志位，判断当前视频帧中皮带的运动状态，继而根据标志位和标志位的累加值判断当前视频帧的状态，实现皮带四种运动状态的动态转换，从而对皮带的运动状态做出判断及实时报警。

一种基于视频处理的皮带运动状态监测方法，其流程如图1所示，包括以下步骤：

步骤1：逐帧读取皮带监控视频的实时视频流，对视频帧利用BackgroundSubtractor(背景减除算法)的KNN(K-Nearest，K最近邻)背景分割器设置阴影检测，进行包括图像形态学操作在内的预处理；

具体包括如下步骤：

步骤1.1：引入Background Subtractor的KNN背景分割器，通过KNN背景分割器从视频流中分离出运动的物体前景；

基于完整的皮带静止背景帧，能够通过帧差法来计算像素差从而获取前景对象，但是在检测皮带运动状况的情况下，背景帧不会完全静止，从而需要在视频流的每帧图像中提取背景，而当皮带上的物体有阴影时，因阴影也在移动，背景提取更加复杂。

Background Subtractor类常用来对不同帧进行比较，并存储以前的帧，可按时间推移方法来提高运动分析的结果，其有三种背景分割器：K-Nearest(KNN)、Mixture ofGaussians(MOG2)、Geometric Multigid(GMG)。其中KNN背景分割器的基本特征是它可以计算阴影，这对于精确读取视频帧绝对是至关重要的并且通过检测阴影，可以排除检测图像的阴影区域，因此引入Background Subtractor的KNN背景分割器，以达到目标检测的目的。

步骤1.2：对分离出的运动物体前景，根据皮带在监控视频中的具体位置划定一个ROI(Region of Interest，感兴趣区域)区域作为皮带的检测区域，并对其进行单阈值OTSU(Nobuyuki Otsu,大津法)二值化处理、形态学处理，实时检测动态前景。

步骤1.2.1：逐个给视频帧乘上尺度变换参数，比如0.75，缩小成原来尺寸的0.75倍，这样可以提高计算效率和视频处理速度，并对经缩放后的视频帧进行预处理；由于有些监控视频是夜间视频，所以将视频帧由RGB信号转换成灰度图格式，这样便可以不依赖于色彩信息进行视频图像处理。

步骤1.2.2：对于皮带检测区域，即皮带在监控视频帧画面中的区域，用于参与检测皮带的运动状态。本发明采用的是由用户自己选择其感兴趣且合适用来参与检测的区域，因此，在对图像进行单阈值OTSU二值化处理、形态学处理之前，需要对视频帧划定一个ROI区域，并将其作为皮带检测区域。

其中，皮带检测区域一般为四边形，以四个点的坐标的形式来表示，如图2所示的皮带检测区域。当然，关于皮带检测区域的形状，这里仅仅是举个例子，只要能将有效的能够参与皮带运动状态检测的皮带区域包括进去，对于区域的形状并不做严格的限定。

步骤1.2.3：因皮带磨损后可能出现同一条皮带颜色不一等情况，所以此处采用单阈值OTSU对视频帧进行二值化处理。

设一幅图像的像素点数为N，它有L个灰度级(0,1,…L-1)，灰度级为i的像素点数为n_i,，那么直方图表示为概率密度分布：

假设阈值t将图像分成两类C₀和C₁(物体和背景)，即C₀和C₁分别对应具有灰度级{0,1,…,t}和{t+1,t+2,…,L-1}的像素。设σ²B(t)表示直方图中阈值为t时的类间方差，那么最优阈值可以通过求σ²B(t)的最大值而得到，即：

这里有：

其中：ω₀(t)和ω₁(t)表示C₀和C₁发生的概率，μ₀(t)和μ₁(t)分别表示C₀和C₁的均值。由于σ²B(t)的计算只包含零阶累矩阵ω₀(t)和一阶累矩阵μ(t)，因此只需要相对少的计算时间。

步骤2：对预处理后的视频帧，根据前景面积检测运动物体，根据视频中的运动区域面积设立标志位flag，判断当前视频帧中皮带的运动状态；具体包括如下步骤：

步骤2.1：参数初始化，定义标志位flag为0，临界面积MaxArea为50；此处MaxArea的值为基于本发明经过多次试验后确定的运动状态判断的面积阈值，该值对其余发明情况不会完全适用。

步骤2.2：利用contourArea，计算运动区域面积Area，判断Area与MaxArea的大小；

若判断结果是Area≤MaxArea，则flag＝1，认为当前视频帧中的皮带为静态；

或判断结果是Area＞MaxArea，则flag＝2，认为当前视频帧中的皮带为动态。

步骤3：定义一个包括皮带四种运动状态的FSM(Finite State Machine，有限状态机)，皮带四种运动状态包括：正常运行、空载运行、疑似空载运行和停止运行；根据标志位及标志位的累加值，判断当前视频帧的状态；

此处之所以除了标志位，还采用标志位的累加值作为一个判断条件，是因为皮带在运送货物时，可能是不连续运送，有间隔。设定一个标志位的累加值，可使在以前研究中较难区分的“正常运行”状态和“空载运行”状态得以较好的区分。具体包括如下步骤：

步骤3.1：参数初始化，定义标志位的累加值countFlag为0；

步骤3.2：定义一个包括皮带四种运动状态的FSM；

步骤3.3：实现FSM的参数初始化，具体包括如下步骤：

步骤3.3.1：定义一个空载计时器unMoveTime为0和一个状态变量，通过FSM变换得到皮带的运动状态信息，然后对应的改变状态变量和空载计时器的值；

步骤3.3.2：定义一个特定的二值化阈值sThreshold，用于在当前视频帧进入FSM的“停止运行”状态后，以便在皮带进入“正常运行”状态时能够敏锐地捕捉到状态的变化；

步骤3.3.3：定义一个空载时间阈值，以供后期空载运行报警判断；

步骤3.4：根据标志位flag和标志位的累加值countFlag，判断当前视频帧的状态，具体包括如下步骤：

步骤3.4.1：逐帧读取预处理后的视频流，根据flag的值，对countFlag进行累加：

若flag＝1，即当前视频帧中的皮带为静态时，countFlag累加1；

若flag＝2，即当前视频帧中的皮带为动态时，countFlag重新置为0；

步骤3.4.2：判断countFlag的大小；

当countFlag<50时，认为当前视频帧进入FSM的“正常运行”状态；

当50≤countFlag<1000时，认为当前视频帧进入FSM的“疑似空载运行”状态；

当countFlag≥1000时，认为当前视频帧进入FSM的“停止运行”状态，修改当前二值化阈值为sThreshold。

具体FSM的状态判断的结构如图3所示。

步骤4：运行FSM，每5帧判断一次状态变化，以实现皮带四种运动状态的动态转换，从而对皮带的运动状态做出判断并实时报警。

具体包括如下步骤：

步骤4.1：FSM处于“正常运行”状态时，运行皮带运动检测过程，若连续十次状态变化判断的flag都为2，即countFlag＞50，则认为FSM进入“疑似空载运行”状态，反之状态不变；

步骤4.2：FSM处于“疑似空载运行”状态时，运行皮带运动检测过程，空载计时器unMoveTime开始从0计数，具体包括如下步骤：

步骤4.2.1：参数初始化，分别定义第一系统时间fTime、第二系统时间sTime和第三系统时间tTime为0；

步骤4.2.2：判断第一系统时间fTime是否等于零；

若：判断结果是fTime＝0时，则令fTime、sTime和tTime等于当前系统时间；

或判断结果是fTime≠0时，则将tTime的值传给sTime，然后令Ttime等于当前系统时间；

步骤4.2.3：判断tTime与sTime的差值与80s的大小关系；

若：判断结果是tTime与sTime的差值小于80s，则认为皮带在这段时间仍为“疑似空载运行”状态，空载计时器unMoveTime累加当前tTime与sTime的差值；

或判断结果是tTime与sTime的差值大于或者等于80s，则认为皮带在这段时间为“正常运行”状态，空载计时器unMoveTime和fTime重新置为0；

步骤4.2.4查看空载计时器unMoveTime，判读unMoveTime的累计时间是否超过预设的空载运行时间阈值；

若：判断结果是unMoveTime的累计时间超过预设的空载运行时间阈值，则认为FSM进入“空载运行”状态，进行实时报警并显示报警状态信息，将空载计时器重置为0，重新开始计时；

或判断结果是unMoveTime的累计时间没有超过预设的空载运行时间阈值，则状态不变；

步骤4.3：FSM处于“停止运行”状态时，运行皮带运动检测过程，若下一次状态变化的flag＝2，即当前视频帧中的皮带从静止状态转变为运动状态，则认为FSM进入“正常运行”状态，反之状态不变；

步骤4.4以此类推，每5帧运行一次上述FSM过程，完成一次判断。

具体FSM的变换机制的结构如图4所示。

本发明主要用于煤矿井下皮带工作状态监测的场景。基于视频图像处理技术，可对拍摄皮带的监控视频进行实时分析处理，监测皮带的运动状态并对非正常运动状态进行实时报警，实现了对皮带的无接触检测，并且可以对皮带的正常运行状态和空载运行状态加以判断和区分，在保证检测结果准确度的情况下，不需要激光发射器以及硬件设备的支持，降低了监测皮带运动状态的实施成本，既方便了操作人员，也使生产过程中出现的各种险情得以及时排除。

当然，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。

Claims (5)

1.一种基于视频处理的皮带运动状态监测方法，其特征在于：包括以下步骤：

步骤1：逐帧读取皮带监控视频的实时视频流，对视频帧利用背景减除算法的KNN背景分割器设置阴影检测，进行包括图像形态学操作在内的预处理；

步骤2：对预处理后的视频帧，根据前景面积检测运动物体，根据视频中的运动区域面积设立标志位flag，判断当前视频帧中皮带的运动状态；

步骤3：定义一个包括皮带四种运动状态的FSM，皮带四种运动状态包括：正常运行、空载运行、疑似空载运行和停止运行；根据标志位及标志位的累加值，判断当前视频帧的状态；

步骤4：运行FSM，每5帧判断一次状态变化，以实现皮带四种运动状态的动态转换，从而对皮带的运动状态做出判断并实时报警。

2.根据权利要求1所述的基于视频处理的皮带运动状态监测方法，其特征在于：在步骤1中，具体包括如下步骤：

步骤1.1：引入背景减除算法的KNN背景分割器进行背景分割，通过KNN背景分割器从视频流中分离出运动的物体前景；

基于完整的皮带静止背景帧，能够通过帧差法来计算像素差从而获取前景对象，但是在检测皮带运动状况的情况下，背景帧不会完全静止，从而需要在视频流的每帧图像中提取背景，而当皮带上的物体有阴影时，因阴影也在移动，背景提取更加复杂，因此引入了背景减除算法，以达到目标检测的目的；

步骤1.2：对分离出的运动物体前景，根据皮带在监控视频中的具体位置划定一个ROI区域作为皮带的检测区域，并对其进行单阈值OTSU二值化处理、形态学处理，实时检测动态前景。

3.根据权利要求1所述的基于视频处理的皮带运动状态监测方法，其特征在于：在步骤2中，具体包括如下步骤：

步骤2.1：参数初始化，定义标志位flag为0，临界面积MaxArea为50；

步骤2.2：利用contourArea，计算运动区域面积Area，判断Area与MaxArea的大小；

若判断结果是Area≤MaxArea，则flag＝1，认为当前视频帧中的皮带为静态；

或判断结果是Area＞MaxArea，则flag＝2，认为当前视频帧中的皮带为动态。

4.根据权利要求1所述的基于视频处理的皮带运动状态监测方法，其特征在于：在步骤3中，具体包括如下步骤：

步骤3.1：参数初始化，定义标志位的累加值countFlag为0；

步骤3.2：定义一个包括皮带四种运动状态的FSM；

步骤3.3：实现FSM的参数初始化，具体包括如下步骤：

步骤3.3.1：定义一个空载计时器unMoveTime为0和一个状态变量，通过FSM变换得到皮带的运动状态信息，然后对应的改变状态变量和空载计时器的值；

步骤3.3.2：定义一个特定的二值化阈值sThreshold，用于在当前视频帧进入FSM的“停止运行”状态后，以便在皮带进入“正常运行”状态时能够敏锐地捕捉到状态的变化；

步骤3.3.3：定义一个空载时间阈值，以供后期空载运行报警判断；

步骤3.4：根据标志位flag和标志位的累加值countFlag，判断当前视频帧的状态，具体包括如下步骤：

步骤3.4.1：逐帧读取预处理后的视频流，根据flag的值，对countFlag进行累加：

若flag＝1，即当前视频帧中的皮带为静态时，countFlag累加1；

若flag＝2，即当前视频帧中的皮带为动态时，countFlag重新置为0；

步骤3.4.2：判断countFlag的大小；

当countFlag<50时，认为当前视频帧进入FSM的“正常运行”状态；

当50≤countFlag<1000时，认为当前视频帧进入FSM的“疑似空载运行”状态；

当countFlag≥1000时，认为当前视频帧进入FSM的“停止运行”状态，修改当前二值化阈值为sThreshold。

5.根据权利要求1所述的基于视频处理的皮带运动状态监测方法，其特征在于：在步骤4中，具体包括如下步骤：

步骤4.1：FSM处于“正常运行”状态时，运行皮带运动检测过程，若连续十次状态变化判断的flag都为2，即countFlag＞50，则认为FSM进入“疑似空载运行”状态，反之状态不变；

步骤4.2：FSM处于“疑似空载运行”状态时，运行皮带运动检测过程，空载计时器unMoveTime开始从0计数，具体包括如下步骤：

步骤4.2.1：参数初始化，分别定义第一系统时间fTime、第二系统时间sTime和第三系统时间tTime为0；

步骤4.2.2：判断第一系统时间fTime是否等于零；

若：判断结果是fTime＝0时，则令fTime、sTime和tTime等于当前系统时间；

或判断结果是fTime≠0时，则将tTime的值传给sTime，然后令Ttime等于当前系统时间；

步骤4.2.3：判断tTime与sTime的差值与80s的大小关系；

若：判断结果是tTime与sTime的差值小于80s，则认为皮带在这段时间仍为“疑似空载运行”状态，空载计时器unMoveTime累加当前tTime与sTime的差值；

或判断结果是tTime与sTime的差值大于或者等于80s，则认为皮带在这段时间为“正常运行”状态，空载计时器unMoveTime和fTime重新置为0；

步骤4.2.4查看空载计时器unMoveTime，判读unMoveTime的累计时间是否超过预设的空载运行时间阈值；

若：判断结果是unMoveTime的累计时间超过预设的空载运行时间阈值，则认为FSM进入“空载运行”状态，进行实时报警并显示报警状态信息，将空载计时器重置为0，重新开始计时；

或判断结果是unMoveTime的累计时间没有超过预设的空载运行时间阈值，则状态不变；

步骤4.3：FSM处于“停止运行”状态时，运行皮带运动检测过程，若下一次状态变化的flag＝2，即当前视频帧中的皮带从静止状态转变为运动状态，则认为FSM进入“正常运行”状态，反之状态不变；

步骤4.4以此类推，每5帧运行一次上述FSM过程，完成一次判断。