CN110697373B - 一种基于图像识别技术的传送皮带跑偏故障检测方法 - Google Patents

一种基于图像识别技术的传送皮带跑偏故障检测方法 Download PDF

Info

Publication number
CN110697373B
CN110697373B CN201910700884.4A CN201910700884A CN110697373B CN 110697373 B CN110697373 B CN 110697373B CN 201910700884 A CN201910700884 A CN 201910700884A CN 110697373 B CN110697373 B CN 110697373B
Authority
CN
China
Prior art keywords
belt
scale
image
edge
pixel
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
Application number
CN201910700884.4A
Other languages
English (en)
Other versions
CN110697373A (zh
Inventor
金从兵
谢兴
王大兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei Kairui Zhixing Intelligent Equipment Co ltd
Original Assignee
Hubei Kairui Zhixing Intelligent Equipment Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei Kairui Zhixing Intelligent Equipment Co ltd filed Critical Hubei Kairui Zhixing Intelligent Equipment Co ltd
Priority to CN201910700884.4A priority Critical patent/CN110697373B/zh
Publication of CN110697373A publication Critical patent/CN110697373A/zh
Application granted granted Critical
Publication of CN110697373B publication Critical patent/CN110697373B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B65G2203/0283—Position of the load carrier
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means
    • B65G2203/041—Camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Abstract

一种基于图像识别技术的传送皮带跑偏故障检测方法，包括步骤：预备流程：采集监控图像并标定传送带正常运行情况下左右两侧的皮带边缘，并在标定好的位置建立虚拟刻度尺，该过程只在设备安装阶段执行一次；检测流程：在设备运行阶段，用图像视觉算法得到传输带左右两侧边缘的实际位置；通过比较皮带边缘在图像上的实际位置和预备阶段的标定位置，得到视频图像上皮带的跑偏像素距离，最后通过一个固定的比例尺，将其还原为真实的跑偏距离。本发明可以更加准确检测皮带是否跑偏，并给出偏移量的精确值；在提高皮带跑偏精确度同时，还可以提高算法的鲁棒性，能很好适应室内、室外和不同光照条件下的复杂工况；无需学习样本，节约样本采集成本。

Description

一种基于图像识别技术的传送皮带跑偏故障检测方法
技术领域
本发明属于机械工程与自动控制领域，具体涉及一种基于图像识别技术的传送皮带跑偏故障检测方法，用于传送皮带跑偏检测及自动纠正。
背景技术
皮带跑偏是皮带运输机故障率最高的故障之一，造成传送带破损或传输物料的无规则洒落，严重影响了传送设备的安全运行，也会对物料造成严重浪费。严重时会对传输带造成损坏，如果是传输一些非阻燃料还会因为皮带跑偏增强输送带的阻力，从而引发火灾。所以，燃煤电厂、矿山、码头等单位需要定期派工人对传送带进行巡视检测(或指定专人在监控室进行远程监控巡视)，发现故障时，采取停机，或启动纠偏器等措施。
人工定期巡检的方式耗时耗力，而且成本高昂。针对这种情况，本发明提出了一种经济、高效、鲁棒性高的皮带跑偏检测方法，并将检测结果发送给纠偏装置，由纠偏器对皮带进行自动纠偏，形成完整的控制回路。
发明内容
本发明要解决的技术问题是，针对现有清扫器存在的上述不足，提供一种基于图像识别技术的传送皮带跑偏故障检测方法，可以更加准确的检测皮带是否跑偏，以及给出偏移量的精确值；在提高皮带跑偏精确度同时，还可以提高算法的鲁棒性，能很好适应室内、室外和不同光照条件下的复杂工况；无需学习样本，节约了大量的样本采集成本。
本发明为解决上述技术问题采用的技术方案是：
一种基于图像识别技术的传送皮带跑偏故障检测方法，包括步骤：
S1、预备流程：采集监控图像并标定传送带正常运行情况下左右两侧的皮带边缘，并在标定好的位置建立虚拟刻度尺，该过程只在设备安装阶段执行一次；
S2、检测流程：在设备运行阶段，用图像视觉算法得到传输带左右两侧边缘的实际位置；通过比较皮带边缘在图像上的实际位置和预备阶段的标定位置，得到视频图像上皮带的跑偏像素距离，最后通过一个固定的比例尺，将其还原为真实的跑偏距离。
按上述方案，所述步骤S1具体包括以下步骤：
S11、通过监控设备拍摄视频流并采集监控图像，选择一张监控图像作标定用，用鼠标在皮带左右边缘绘制两条虚拟的直线(各选取一条线段作为标定的线段，并将这两条线段的图像坐标保存到计算机系统的配置文件中)，沿直线每隔15个像素画一个刻度，刻度的方向与直线垂直；
S12、建立虚拟刻度尺，虚拟刻度尺的初始刻度的像素长度为L，根据拍摄的视频图像具有透视效果，离视点越远的物体在图像上尺寸越小，因此虚拟刻度尺的刻度长度也逐步减小：
Ln＝L*scalen (1)
式中，Ln为第n根刻度的像素长度，scale为介于0～1之间的常数因子，刻度的方向为虚拟直线的垂直方向(与标定的皮带边缘线相垂直)。
按上述方案，所述步骤S11中，监控设备拍摄选择的监控图像时，皮带在正常的稳定状态或静止状态。
按上述方案，所述步骤S12中，虚拟刻度的初始长度为200像素，随着图像景深加大，按线性递减。
按上述方案，步骤S1还包括以下步骤：在皮带两侧边缘各加装一块白色聚乙烯衬板，增加皮带和周围环境的对比度。
按上述方案，所述步骤S2中用图像视觉算法得到传输带左右两侧边缘的实际位置，具体包括以下步骤：
S21、以左侧边缘为例，对每根刻度线，沿一个端点向另一端点出发，遍历虚拟刻度尺的每条刻度线上的所有像素点，找到传送带的内外部分割点，将刻度线分为皮带内部和皮带外部两段，使得刻度线的一部分位于皮带内部，另一部分位于皮带外部；
S22、用RANSAC算法，对每根刻度线上找到的分割点进行线性回归，拟合出皮带的左边缘和右边缘；
S23、将S23拟合得到的皮带边缘与S11所标定的边缘进行比较，判断皮带跑偏的情况及计算误差：在图像的衬板中央处，选择一条水平线，在这条水平线上检测皮带边缘与标定的边缘线之间的距离Δ，当Δ的值大于40像素时，判定皮带发送了跑偏故障。
按上述方案，所述步骤S21采用改进的OTSU算法在刻度线上寻找分割点，使得刻度线上被分割的两段的像素值满足类内距离最小、类间距离最大的性质，符合这一性质的像素点，被认为是最佳的分割点；
OTSU算法是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景和目标(即前景)两部分；对于图像I(x,y)，目标和背景的分割阈值记作T*，属于目标的像素点数占整幅图像的比例记为ω1，目标平均灰度μ1；背景像素点数占整幅图像的比例为ω2，背景平均灰度为μ2，图像的总平均灰度记为μ，类间方差记为g，记图像的大小为M×N，图像中像素的灰度值小于分割阈值T*的像素个数记作N0，像素灰度大于分割阈值T*的像素个数记作N1：
Figure GDA0002302225730000031
Figure GDA0002302225730000032
g＝ω1×ω2×(μ1×μ2)2 (4)
OTSU算法通过遍历所有的色阶T，得到使g达到最大的最佳的分割阀值：
T*＝argmaxT(g) (5)
改进的OTSU算法为：将分割点左右两侧作为两类目标，左侧的像素数记为ln1，右侧的像素数为ln2，刻度尺上像素的灰度值记为vi，刻度线长度仍记为Ln，以左侧边缘为例(右侧类同)：
Figure GDA0002302225730000033
Figure GDA0002302225730000034
Figure GDA0002302225730000035
Figure GDA0002302225730000036
Figure GDA0002302225730000037
Figure GDA0002302225730000038
从刻度线的一端开始遍历所有像素点，找到使g达到最大的那个值ln *。
按上述方案，所述S22保证有效的刻度线数目在35条以上，RANSAC的迭代次数在100～500次之间。
本发明与现有技术相比的有益效果：
1、本发明提出的皮带跑偏检测方法相较于canny算子、模板边缘检测等图像处理方法，具有很高的精确度和鲁棒性；
2、因为边缘提取算法受环境的影响，特别是在室外光污染严重的情况下，效果不稳定，而本发明提出的方法，由于是在多条刻度线上进行皮带前景、背景分割，即使在个别刻度线上出现误判，只要保证大部分刻度上的判别结果是对的，那么后续RANSAC算法能有效地剔除错误分类的点；
3、相较于支持向量机SVM和深度学习DL等算法，本申请所提出的方法无需学习样本，节约了大量的样本采集成本。
附图说明
图1为本发明基于图像识别技术的传送皮带跑偏故障检测方法的流程图；
图2为本发明实施方式中生成虚拟刻度尺的效果示意图；
图3为本发明实施方式中改进的OTSU算法的流程图；
图4为本发明实施方式中皮带跑偏的检测效果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
参照图1所示，本发明基于图像识别技术的传送皮带跑偏故障检测方法，包括如下步骤：
S1、预备流程：
S11、采集图像并标定传送带正常运行情况下的皮带边缘；
在本实施例中，监控设备选用海康威视公司的枪式摄像头，输出数据格式为1080*720像素的高清视频。数据处理设备采用英伟达公司的TX2嵌入式处理板，该处理板带有强大的GPU功能，能同时处理多路视频数据，摄像头与嵌入式处理板之间用路由器进行连接。在视频图像上得到皮带的边缘线段后，将两条线段的起始坐标存放在数据处理设备的配置文件中，在本实施例中，采用json格式存放线段的起始坐标值。
S12、在标定好的位置建立虚拟刻度尺；
虚拟刻度尺的初始刻度的像素长度值是一个经验值，可以作为配置参数存放在json文件中，在本实施方式中取值200像素，选取过大的长度值，刻度线会覆盖皮带、皮带外侧环境和物料等3个区，降低了分类的精确度，而过小的初始刻度线长度，有可能导致刻度线与皮带区域无交集，导致在该刻度线上无法正确分割，因此，选择合适的刻度线长度非常关键；刻度线的方向与标定的皮带边缘线相垂直，本实施方式中，已标定的皮带边缘线记为P0(x0,y0)～P1(x1,y1)，那么刻度线的方向用公式(12)～(13)计算：
v(1,-(x1-x0)/(y1-y0)) (12)
vnormal＝v/||v|| (13)
刻度线坐标用公式(14)～(16)计算：
Figure GDA0002302225730000041
Ps(n)＝Pcenter+0.5*v*L*scale (15)
Pe(n)＝Pcenter-0.5*v*L*scale (16)
式(14)～(16)中，n为刻度线的序号，dis为刻度线之间的距离，一般取15～30像素，初始刻度的像素长度L取200像素，如图2所示，公式(15～16)中Ps(n)、Pe(n)分别是第n条刻度线在图像上的两个端点坐标，Pcenter为刻度线中点，P0为上一条刻度线的中点；以上两个步骤S11和S12在设备安装阶段执行，除此之外无需再次执行。
S2、检测流程：在设备运行阶段，用图像视觉算法得到传输带左右两侧边缘的实际位置；通过比较皮带边缘在图像上的实际位置和预备阶段的标定位置，得到视频图像上皮带的跑偏像素距离，最后通过一个固定的比例尺，将其还原为真实的跑偏距离：
S21、以左侧边缘为例，用改进的OTSU算法，在每条刻度线上求分割点，分割点的一侧为皮带区域，另一侧为非皮带区域；在本实施方式中，对一刻度线执行如下步骤：
(1)沿线段Ps(n)～Pe(n)，将每个像素点的灰度值存放到一个队列中；
(2)循环队列中的n个像素点，按公式(10)计算表示类间方差的g值；
(3)找出使g最大的那个像素点的坐标，此点即刻度线上的分割点，如图4中刻度线上的小圆点所示，算法流程如图3所示。
S22、用RANSAC算法分别对皮带左右侧刻度线上的分割点做线性回归，拟合出皮带的左边缘和右边缘，得到皮带左右侧的边缘的实际位置；
由于RANSAC算法是一种随机算法，即使皮带在静止状态下，每次检测出来的直线也不一定完全相同，总会有1～2个像素的测量误差，为了使结果更稳定，在本实施方式时，尽量保证有效的刻度线数目在35条以上，RANSAC的迭代次数在100～500次之间。
S23、判断皮带跑偏的情况及计算误差；
由于两条倾斜直线相比较，并非只有一个像素行上有误差，在本实施方式中，若没有安装白板，在图像下1/3的水平直线上判断检测边缘与标定边缘之间的误差。在安装了白板的情况下，选取白板中心所在的行作为判断误差的行。当误差的阈值达到Δ以后，系统将误差结果上报给控制系统，在本实施方式中，Δ值一般取25～40个像素，因为过小的阈值会导致系统频繁响应，对纠偏器造成不必要的负担。
如图4所示的本发明实施例皮带跑偏的检测效果图，在设备安装阶段在视频监控图像上标定出传送皮带在静止状态或正常状态下的边缘，该边缘由皮带左右两侧的两条虚拟直线组成；在图像的虚拟直线上画出虚拟刻度尺；在传输设备运行阶段，在每一个虚拟刻度上，用一种改进的OTSU算法找出一侧为皮带内部，另一侧为皮带外部的像素分割点；用RANSAC算法将各刻度上的分割点拟合出皮带的一条真实边缘，对皮带另一侧边缘也做同样处理；对比拟合出的皮带运行时的边缘与预备阶段已标定好的皮带边缘，即可判断皮带在运行时是否正常、左偏或是右偏。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (7)

1.一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，包括步骤：
S1、预备流程：采集监控图像并标定传送带正常运行情况下左右两侧的皮带边缘，并在标定好的位置建立虚拟刻度尺，该过程只在设备安装阶段执行一次；具体包括以下步骤：
S11、通过监控设备拍摄视频流并采集监控图像，选择一张监控图像作标定用，用鼠标在皮带左右边缘绘制两条虚拟的直线，沿直线每隔15个像素画一个刻度，刻度的方向与直线垂直；
S12、建立虚拟刻度尺，虚拟刻度尺的初始刻度的像素长度为L，根据拍摄的视频图像具有透视效果，离视点越远的物体在图像上尺寸越小，因此虚拟刻度尺的刻度长度也逐步减小：
Ln＝L*scalen (1)
式中，Ln为第n根刻度的像素长度，scale为介于0～1之间的常数因子，刻度的方向为虚拟直线的垂直方向；
S2、检测流程：在设备运行阶段，用图像视觉算法得到传输带左右两侧边缘的实际位置；通过比较皮带边缘在图像上的实际位置和预备阶段的标定位置，得到视频图像上皮带的跑偏像素距离，最后通过一个固定的比例尺，将其还原为真实的跑偏距离。
2.根据权利要求1所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，所述步骤S11中，监控设备拍摄选择的监控图像时，皮带在正常的稳定状态或静止状态。
3.根据权利要求1所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，所述步骤S12中，虚拟刻度的初始长度为200像素，随着图像景深加大，按线性递减。
4.根据权利要求1所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，步骤S1还包括以下步骤：在皮带两侧边缘各加装一块白色聚乙烯衬板，增加皮带和周围环境的对比度。
5.根据权利要求1所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，所述步骤S2中用图像视觉算法得到传输带左右两侧边缘的实际位置，具体包括以下步骤：
S21、以左侧边缘为例，对每根刻度线，沿一个端点向另一端点出发，遍历虚拟刻度尺的每条刻度线上的所有像素点，找到传送带的内外部分割点，将刻度线分为皮带内部和皮带外部两段，使得刻度线的一部分位于皮带内部，另一部分位于皮带外部；
S22、用RANSAC算法，对每根刻度线上找到的分割点进行线性回归，拟合出皮带的左边缘和右边缘；
S23、将S22拟合得到的皮带边缘与S11所标定的边缘进行比较，判断皮带跑偏的情况及计算误差：在图像的衬板中央处，选择一条水平线，在这条水平线上检测皮带边缘与标定的边缘线之间的距离Δ，当Δ的值大于40像素时，判定皮带发送了跑偏故障。
6.根据权利要求5所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，所述步骤S21采用改进的OTSU算法在刻度线上寻找分割点，使得刻度线上被分割的两段的像素值满足类内距离最小、类间距离最大的性质，符合这一性质的像素点，被认为是最佳的分割点；
OTSU算法是一种自适应的阈值确定的方法，它是按图像的灰度特性，将图像分成背景和目标两部分；对于图像I(x,y)，目标和背景的分割阈值记作T*，属于目标的像素点数占整幅图像的比例记为ω1，目标平均灰度μ1；背景像素点数占整幅图像的比例为ω2，背景平均灰度为μ2，图像的总平均灰度记为μ，类间方差记为g，记图像的大小为M×N，图像中像素的灰度值小于分割阈值T*的像素个数记作N0，像素灰度大于分割阈值T*的像素个数记作N1：
Figure FDA0002777922180000021
Figure FDA0002777922180000022
g＝ω1×ω2×(μ1×μ2)2 (4)
OTSU算法通过遍历所有的色阶T，得到使g达到最大的最佳的分割阀值：
T*＝arg maxT(g) (5)
改进的OTSU算法为：将分割点左右两侧作为两类目标，左侧的像素数记为ln1，右侧的像素数为ln2，刻度尺上像素的灰度值记为vi，刻度线长度仍记为Ln，以左侧边缘为例：
Figure FDA0002777922180000023
Figure FDA0002777922180000024
Figure FDA0002777922180000025
Figure FDA0002777922180000026
Figure FDA0002777922180000027
Figure FDA0002777922180000031
从刻度线的一端开始遍历所有像素点，找到使g达到最大的那个值ln *。
7.根据权利要求5所述的一种基于图像识别技术的传送皮带跑偏故障检测方法，其特征在于，所述S22保证有效的刻度线数目在35条以上，RANSAC的迭代次数在100～500次之间。
CN201910700884.4A 2019-07-31 2019-07-31 一种基于图像识别技术的传送皮带跑偏故障检测方法 Active CN110697373B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910700884.4A CN110697373B (zh) 2019-07-31 2019-07-31 一种基于图像识别技术的传送皮带跑偏故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910700884.4A CN110697373B (zh) 2019-07-31 2019-07-31 一种基于图像识别技术的传送皮带跑偏故障检测方法

Publications (2)

Publication Number Publication Date
CN110697373A CN110697373A (zh) 2020-01-17
CN110697373B true CN110697373B (zh) 2021-04-06

Family

ID=69193251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910700884.4A Active CN110697373B (zh) 2019-07-31 2019-07-31 一种基于图像识别技术的传送皮带跑偏故障检测方法

Country Status (1)

Country Link
CN (1) CN110697373B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325787A (zh) * 2020-02-09 2020-06-23 天津博宜特科技有限公司 基于图像处理的移动式皮带跑偏及运量检测方法
CN111369538B (zh) * 2020-03-05 2023-07-04 北京科技大学 一种基于深度卷积神经网络的传输机胶带跑偏检测方法
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
CN112232235B (zh) * 2020-10-20 2021-06-04 徐向峰 基于5g和算法的智慧工厂远程监控方法及系统
CN112607362B (zh) * 2020-12-24 2022-04-26 中建材信息技术股份有限公司 一种基于视频的皮带偏移检测方法
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
CN113923401A (zh) * 2021-08-16 2022-01-11 杜鹢 图像分析运维实现方法及图像分析运维系统
CN113762283B (zh) * 2021-08-30 2024-04-09 中铁工程装备集团有限公司 传送带跑偏监测方法及装置
CN113772364B (zh) * 2021-09-18 2022-10-18 中国矿业大学 一种皮带输送机跑偏检测装置的自动调整方法
CN114066997A (zh) * 2021-11-22 2022-02-18 江苏科技大学 一种基于双目视觉和对称性的偏移量检测方法
CN114155494B (zh) * 2022-02-10 2022-05-17 力博重工科技股份有限公司 一种基于深度学习的带式输送机输送带跑偏监测方法
CN114581447B (zh) * 2022-05-07 2022-08-05 合肥金星智控科技股份有限公司 一种基于机器视觉的运输皮带跑偏识别方法和装置
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

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE3933196C2 (de) * 1989-10-05 1994-05-26 Schenck Ag Carl Verfahren und Vorrichtung zur Überwachung des Bandlaufs eines Förderbandes oder einer Bandwaage
JP3046653B2 (ja) * 1991-07-16 2000-05-29 シャープ株式会社 文字原稿の傾き補正方法
CN101350101B (zh) * 2008-09-09 2011-12-07 北京航空航天大学 多幅深度图像自动配准方法
CN101894271B (zh) * 2010-07-28 2012-11-07 重庆大学 汽车偏离车道线角度和距离的视觉计算及预警方法
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

Also Published As

Publication number Publication date
CN110697373A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN110697373B (zh) 一种基于图像识别技术的传送皮带跑偏故障检测方法
CN106546263B (zh) 一种基于机器视觉的激光水平仪出射激光线检测方法
US11667036B2 (en) Workpiece picking device and workpiece picking method
CN105930762A (zh) 一种眼球跟踪的方法及装置
CN110910350B (zh) 一种用于风电塔筒的螺母松动检测方法
CN114155494B (zh) 一种基于深度学习的带式输送机输送带跑偏监测方法
CN106296700B (zh) 一种钢丝绳输送带接头抽动检测方法
CN113689429B (zh) 一种基于计算机视觉的木板缺陷检测方法
CN110838097A (zh) 一种基于机器视觉的输送带偏移测量方法
CN110889827A (zh) 一种基于视觉的输电线路杆塔在线识别和倾斜检测方法
GB2598244A (en) Systems and methods for automated detection of changes in extent of structures using imagery
CN106896363A (zh) 一种水下目标主动跟踪航迹起始方法
CN104658015A (zh) 玉米育种激光自动切片的视觉定位方法
CN113781523B (zh) 一种足球检测跟踪方法及装置、电子设备、存储介质
CN108416790A (zh) 一种用于工件破损率的检测方法
CN111127542B (zh) 一种基于图像的非合作目标对接环提取方法
CN115496731A (zh) 一种皮带跑偏检测方法、装置及电子设备
CN109934151B (zh) 一种基于movidius计算芯片和Yolo face的人脸检测方法
US20220335586A1 (en) Workpiece surface defect detection device and detection method, workpiece surface inspection system, and program
CN116739986A (zh) Auv在输水隧洞内对典型缺陷检测的光学声学组合方法
CN113192061B (zh) Led封装外观检测图像的提取方法、装置、电子设备和存储介质
CN206864487U (zh) 一种太阳能电池片高速视觉定位及矫正系统
CN109377482A (zh) 一种基于点云数据的轮胎胎角性质检测方法
CN110991387B (zh) 一种机器人集群图像识别的分布式处理方法及系统
CN109063688A (zh) 基于智能巡检机器人的指示灯状态识别方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant