CN111289529A - 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 - Google Patents
一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 Download PDFInfo
- Publication number
- CN111289529A CN111289529A CN202010128986.6A CN202010128986A CN111289529A CN 111289529 A CN111289529 A CN 111289529A CN 202010128986 A CN202010128986 A CN 202010128986A CN 111289529 A CN111289529 A CN 111289529A
- Authority
- CN
- China
- Prior art keywords
- belt
- tearing
- intelligent analysis
- feature code
- terminal
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 84
- 238000001514 detection method Methods 0.000 title claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims abstract description 4
- 238000013135 deep learning Methods 0.000 claims description 34
- 229910000831 Steel Inorganic materials 0.000 claims description 16
- 239000010959 steel Substances 0.000 claims description 16
- 238000003062 neural network model Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 8
- 238000006748 scratching Methods 0.000 claims description 8
- 230000002393 scratching effect Effects 0.000 claims description 8
- 238000005336 cracking Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 239000000835 fiber Substances 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 239000013307 optical fiber Substances 0.000 claims description 3
- 208000025865 Ulcer Diseases 0.000 claims description 2
- 230000036269 ulceration Effects 0.000 claims description 2
- 239000013589 supplement Substances 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 89
- 238000004364 calculation method Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 239000000428 dust Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000001680 brushing effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 2
- 230000032798 delamination Effects 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000005272 metallurgy Methods 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
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
-
- 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
- B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/022—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by means of tv-camera scanning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/028—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness by measuring lateral position of a boundary of the object
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
- G01B11/043—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring length
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/02—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness
- G01B11/04—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving
- G01B11/046—Measuring arrangements characterised by the use of optical techniques for measuring length, width or thickness specially adapted for measuring length or width of objects while moving for measuring width
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8901—Optical details; Scanning details
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8901—Optical details; Scanning details
- G01N2021/8908—Strip illuminator, e.g. light tube
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- Textile Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明涉及一种基于AI智能分析的输送皮带撕裂检测系统及检测方法,包括补光灯、AI传感器、AI智能分析终端、网络交换机、后台数据操作终端、联动输出控制装置、报警设备和停机保护装置,通过离线训练学习形成皮带撕裂特征码,部署到AI智能分析终端,AI智能分析终端实时采集AI传感器的视频图像,采用神经网络学习方法,准确判断皮带裂缝的长度及宽度,当皮带出现撕裂时,能够在最快的时间内输出停机保护信号和报警信号,并根据皮带撕裂检测结果,去控制联动输出控制装置,输出报警信号和停机保护信号,实现远程实时保护和监测输送皮带状态,供操作室人员跟踪生产运行动态,本发明测量精度高,不会出现误动作,方便设备联动。
Description
技术领域
本发明属于输送皮带状态检测领域新的技术突破,是涉及人工智能(ArtificialIntelligence),简称AI智能分析输送皮带撕裂检测系统及检测方法。
背景技术
皮带传输机是很多企业使用的连续输送设备之一,它广泛地应用于冶金、选矿、石油、化工、轻工、建材、钢厂、港口等领域,并且日益朝着高速度、大规模、超长距离的方向发展。输送皮带是皮带输送机的重要组成部分,其成本约占整机的40%以上,但是使用皮带传输机的皮带撕裂故障一直困扰每个企业,尤其是在散货码头、矿山、冶金、电厂等大型企业中,皮带撕裂的事故时有发生,价值几十万甚至上千万的输送皮带,一旦发生纵向撕裂,矿石、矿渣等原料通过撕裂口侵入到设备机械系统,造成设备损伤,甚至造成人员伤害等重大事故及巨大的经济损失,因此,需要采用AI智能分析终端技术,实时性地检测、鉴别出皮带撕裂状态,即时发现、解决生产安全隐患,应急报警、制动设备,修补、更换皮带,保证生产安全运行。
发明内容
本发明是通过机器视觉(即图像摄取装置,CMOS)将被摄取目标转换成图像信号,传送给的图像处理系统,得到被摄目标的形态信息,根据像素分布和亮度、颜色等信息,转变成数字化信号,图像系统对这些信号进行各种运算来抽取目标的特征,进而根据判别的结果来控制现场的设备动作,提供了一种基于AI智能分析的输送皮带撕裂检测系统,主要采用视频AI智能分析人工智能推理方法,来准确判断皮带裂缝的长度及宽度,还可监控皮带表面的异常情况,实时保护输送皮带的正常运行。
一种基于AI智能分析的输送皮带撕裂检测系统,其特征在于,包括补光灯、AI传感器、AI智能分析终端、网络交换机、后台数据操作终端、联动输出控制装置、报警设备和停机保护装置,所述的补光灯、AI传感器、AI智能分析终端为两路,分别分布在输送皮带左右两侧,并列运行,AI智能分析终端和联动输出控制装置采用光纤或者WIFI连接到网络,通过网络与后台数据操作终端通讯,联动输出控制装置连接报警设备和停机保护装置,AI智能分析终端和联动输出控制装置,都安装在皮带通廊附近,AI智能分析终端实时采集AI传感器的视频图像,经过AI智能分析后形成皮带检测结果,通过网络把皮带检测结果传输到后台数据操作终端,并根据皮带撕裂检测结果,去控制联动输出控制装置,输出报警信号和停机保护信号,进一步保护输送皮带的正常运行。
所述的补光灯,安装在AI传感器附近。
所述的AI传感器包括摄像机、专用低畸变高清摄像头、刷灰器。
所述的AI智能分析终端,包括视频图像输入处理模块、AI芯片、识别推理模块和输出结果模块,AI芯片中设置了皮带撕裂的各种特征码:边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码。
所述的AI智能分析终端通过网络接口实时接收AI传感器视频信号,经过视频图像输入处理模块,与AI芯片皮带撕裂的特征码大数据推理分析,经过识别推理模块和输出结果模块,识别推理出皮带是否有撕裂、撕裂的宽度和长度。
所述的AI芯片采用BM1880。
所述的后台数据操作终端包括计算机主板、触摸屏、UPS电源和专用皮带撕裂检测软件。
一种基于AI智能分析的输送皮带撕裂检测方法,包括以下步骤:
步骤101,首先收集所有皮带撕裂的各种状况的多个视频图像,组成训练数据集,利用深度学习算法对原始神经网络模型进行离线训练,调整模型内部参数,进而获得对输送皮带图像具有良好表征与分析能力的神经网络模型,形成各种皮带撕裂状况(撕裂,漏洞等)的特征码,并将经过完备训练后的皮带撕裂特征码部署在AI智能分析终端上。
步骤102,AI智能分析终端实时采集AI传感器的视频图像,采用神经网络技术,对皮带图像进行图像预处理后,根据预设的皮带撕裂特征码,经过识别推理,获得对皮带状态的推断结果,即皮带撕裂状态,将形成的皮带撕裂结果通过网络传输给后台数据操作终端。
步骤103,后台数据操作终端实时接收AI智能分析终端的识别结果和输送皮带高清图像,先设置报警阀值、报警级别和分级报警,对可容忍漏洞、撕裂不报警。
步骤104,后台数据操作终端接收到输送皮带撕裂结果正常,实时显示皮带运行视频图像;当输送皮带撕裂结果为报警状态时,将抓拍的输送带撕裂情况的图像保存到后台数据操作终端中;当识别出输送带发生撕裂结果严重时,实时显示皮带运行视频图像上用红色框出撕裂状况,并发出报警信号和停机保护信号给联动输出控制装置。
步骤105,当联动输出控制装置接收到报警信号后,立刻控制报警设备进行报警;当联动输出控制装置接收到停机保护信号后,立刻输出托辊电机停止转动信号,使输送皮带停止运行。
所述的步骤101的离线训练,包括皮带撕裂视频图像训练数据集、深度学习训练机、受训后的皮带撕裂特征码和AI智能分析终端,所述的皮带撕裂视频图像训练数据集包括边缘分层、边缘溃烂、反复开裂、钢丝带深度划伤、钢丝外漏、接头缝隙、密集型划痕、裙边带边缘撕裂和纤维带边缘大尺度分层等撕裂图像,所述的深度学习训练机采用离线深度学习,收集到的皮带撕裂视频图像训练数据集置于专用的数据库中,深度学习训练机通过专用的软件,利用深度学习算法,对数据集进行原始网络模型训练、学习,所述的受训后的皮带撕裂特征码是经过深度学习训练机深度学习后,形成带有皮带撕裂结果的神经网络模型,用于识别皮带撕裂的特征码,所述AI智能分析终端上,设置了AI芯片,受训后的皮带撕裂特征码,部署到AI芯片中。
本发明的有益效果是:
1、本发明采用神经网络学习方法,可以及时、准确检测皮带撕裂状态、减少事故损失、提高工作效率、保障生产工作运行,并根据撕裂的程度进行不同的处理,结构简单,便于安装。
2、本发明采用AI芯片,把神经网络的分析用到系统的前端边缘计算,在皮带撕裂检测系统的前边边缘就能完成神经网络学习,脱离了深度学习服务器,加快了识别皮带撕裂结果的速度,保证了皮带运行的正常速度。
3、本发明采用离线训练和在线检测的方法,所有的皮带撕裂现象通过离线训练形成皮带撕裂特征码,部署到在线检测系统中,保证了在线检测系统的识别速度。
附图说明
图1为一种基于AI智能分析的输送皮带撕裂检测系统的硬件架构图;
图2为一种基于AI智能分析的输送皮带撕裂检测系统的AI智能分析终端原理框图;
图3为一种基于AI智能分析的输送皮带撕裂检测方法步骤图;
图4为一种基于AI智能分析的输送皮带撕裂检测系统的深度学习机训练流程图;
图5为一种基于AI智能分析的输送皮带撕裂检测方法中深度学习机算法流程图。
具体实施方式
下面结合附图对本发明具体实施方式加以详细的说明。
一种基于AI智能分析的输送皮带撕裂检测系统,如图1,其特征在于,包括补光灯、AI传感器、AI智能分析终端、网络交换机、后台数据操作终端、联动输出控制装置、报警设备和停机保护装置,所述的补光灯、AI传感器、AI智能分析终端为两路,分别分布在输送皮带左右两侧,并列运行,AI智能分析终端和联动输出控制装置采用光纤或者WIFI连接到网络,通过网络与后台数据操作终端通讯,联动输出控制装置连接报警设备和停机保护装置,AI智能分析终端和联动输出控制装置,都安装在皮带通廊附近,AI智能分析终端实时采集AI传感器的视频图像,经过AI智能分析后形成皮带检测结果,通过网络把皮带检测结果传输到后台数据操作终端,并根据皮带撕裂检测结果,去控制联动输出控制装置,输出报警信号和停机保护信号,进一步保护输送皮带的正常运行。
所述的补光灯,安装在AI传感器附近,采用IP65防震等级防爆款,100W的LED照明灯安装在AI视频传感器附近,提供视频图像采集足够的光源,照明条件根据视频图像的明暗度勒克斯(Lux)参数自动开关补光灯,设定初始化值为550lux,当小于550lux补光灯自动开启,当时间为上午10点、12点、下午2点时,分三个时间段,每个时间段分三次,每次间隔10秒测试,关闭补光灯,AI芯片核心算法进行视频图像的明暗度分析,连续三次都满足设定阀值,来关闭LED补光灯,达到节能,延长设备使用寿命的目的。
所述的AI传感器包括摄像机、专用低畸变高清摄像头、刷灰器。
所述的摄像机采用采用高清网络摄像机,高性能两百万像素1/1.8英寸CMOS图像传感器,低照度效果好,图像清晰度高内置高性能GPU模块,采用深度学习算法,极大的提升了目标的检出率,输出200万(1920×1080)@60fps H.265编码,压缩比高,超低码流,DC12V/POE网线供电方式。
所述专用低畸变高清摄像头采用工业级机器视觉低畸变镜头解决近距离成像形变失真是视频成像,畸变<-1.5%,靶面格为1/1.8,焦距4mm。
所述的刷灰器采用毛刷进行定时(0时)清理,每日清理一次,使系统自动完成对摄像机防护罩的清洁,防止因灰尘而造成图片不清楚而导致漏检皮带撕裂。
所述的AI智能分析终端,如图2,包括视频图像输入处理模块、AI芯片、识别推理模块和输出结果模块,AI芯片中设置了皮带撕裂的各种特征码:边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码。
所述的AI智能分析终端通过网络接口实时接收AI传感器视频信号,经过视频图像输入处理模块,与AI芯片皮带撕裂的特征码大数据推理分析,经过识别推理模块和输出结果模块,识别推理出皮带是否有撕裂、撕裂的宽度和长度。
所述的AI智能分析终端采用焊接方式,将AI智能分析终端固定在输送皮带架两侧,摄像机观察输送皮带下面(背面),安装在输送皮带每段下料位10米位置处。
所述的AI智能分析终端,输入的是现场皮带运行视频,输出的结果是经过AI智能分析后的皮带运行视频,绿色框代表没问题,红色框代表有撕裂现象。
所述的AI智能分析终端,通过AI学习掌握事物特征对现场视频进行检测分析,采用先进的AI技术完成视频分析、边缘计算、支持DNN神经网络模型分析、编译和调整在边缘设备中进行实时推理,快速部署现有的主流模型或训练好的神经网络模型,AI智能分析终端把AI芯片作为深度学习推理加速的主处理器,从网络接口接收传输皮带的视频图像,使AI智能分析终端不需要深度学习服务器,独立具有人工智能分析能力。
所述的AI芯片采用BM1880,BM1880是聚焦于边缘应用的深度学习推理人工智能芯片.BM1880 TPU在8位整数运算下,可以提供1TOPS的算力;在Winograd卷积加速运算下,提供高达2TOPs的算力,特殊TPU调度引擎能有效地为所有的张量处理器核心提供极高的带宽数据流,作为深度学习推理加速的主处理器,从以太网接口接收视频流,然后执行推理,采用PYPHON人工智能语言,利用现成的模块来开发领先的深度学习或机器视觉相关应用程序,进行神经网络深度学习。
所述的TPU神经网络处理器内设置了皮带撕裂的各种特征码,所述的特征码是经大量皮带撕裂后的各种撕裂状况的多个视频图像的离线训练后,用于实时识别皮带撕裂的状态。
所述的后台数据操作终端,包括计算机主板、触摸屏、UPS电源和专用皮带撕裂检测软件,相当于增加UPS电源的工控机;所述的触摸屏,便于现场操作;所述的UPS电源,保证后台数据操作终端在掉电情况下仍然能够正常工作;所述的计算机主板,采用小型的10*12树莓派主板;后台数据操作,通过网络交换机实时采集AI智能分析终端的数据,并实时显示皮带的运行情况,如果有撕裂宽度和长度超过设置范围后,用红色线标出,并通过联动输出控制装置进一步控制报警设备和停机保护装置。
所述的皮带撕裂检测软件,是基于Windows系统的软件,在软件上可以设置报警精度、划分视频区域、设定检测区域等,还可以对学习训练机训练后的打包文件进行解析,下载到AI智能分析终端上,预设AI芯片内皮带撕裂特征码,根据AI智能分析终端的检测结果,发出报警信号和停机保护信号。
所述的停机保护信号,是当AI智能分析终端的检测结果为皮带撕裂长度达到1m以上时,立即发出停机保护信号,通过联动输出控制装置切断托辊电机电源,使皮带机停机,同时通过报警设备报警。
如图3所示,一种基于AI智能分析的输送皮带撕裂检测方法,包括以下步骤:
步骤101,首先收集所有皮带撕裂的各种状况的多个视频图像,组成训练数据集,利用深度学习算法对原始神经网络模型进行离线训练,调整模型内部参数,进而获得对输送皮带图像具有良好表征与分析能力的神经网络模型,形成各种皮带撕裂状况(撕裂,漏洞等)的特征码,并将经过完备训练后的皮带撕裂特征码部署在AI智能分析终端上。
步骤102,AI智能分析终端实时采集AI传感器的视频图像,采用神经网络技术,对皮带图像进行图像预处理后,根据预设的皮带撕裂特征码,经过识别推理,获得对皮带状态的推断结果,即皮带撕裂状态,将形成的皮带撕裂结果,通过网络传输给后台数据操作终端。
步骤103,后台数据操作终端实时接收AI智能分析终端的识别结果和输送皮带高清图像,先设置报警阀值、报警级别和分级报警,对可容忍漏洞、撕裂不报警。
步骤104,后台数据操作终端接收到输送皮带撕裂结果正常,实时显示皮带运行视频图像;当输送皮带撕裂结果为报警状态时,将抓拍的输送带撕裂情况的图像保存到后台数据操作终端中;当识别出输送带发生撕裂结果严重时,实时显示皮带运行视频图像上用红色框出撕裂状况,并发出报警信号和停机保护信号给联动输出控制装置。
步骤105,当联动输出控制装置接收到报警信号后,立刻控制报警设备进行报警;当联动输出控制装置接收到停机保护信号后,立刻输出托辊电机停止转动信号,使输送皮带停止运行。
所述的步骤101的离线训练,如图4,包括皮带撕裂视频图像训练数据集、深度学习训练机、受训后的皮带撕裂特征码和AI智能分析终端,所述的皮带撕裂视频图像训练数据集包括边缘分层、边缘溃烂、反复开裂、钢丝带深度划伤、钢丝外漏、接头缝隙、密集型划痕、裙边带边缘撕裂和纤维带边缘大尺度分层等撕裂图像,所述的深度学习训练机采用离线深度学习,收集到的皮带撕裂视频图像训练数据集置于专用的数据库中,深度学习训练机通过专用的软件,利用深度学习算法,对数据集进行原始网络模型训练、学习,所述的受训后的皮带撕裂特征码是经过深度学习训练机深度学习后,形成带有皮带撕裂结果的神经网络模型,用于识别皮带撕裂的特征码,所述AI智能分析终端上,设置了AI芯片,受训后的皮带撕裂特征码,部署到AI芯片中。
所述的学习训练机采用的深度学习算法,如图5,具体流程如下:
1)训练机在TensorFlow环境下,使用数据流图(data flow graphs)技术来进行数值计算,利用开源框架,搭建深度学习的训练模型,形成训练后的神经网络模型(Trainedmodel)。
2)训练后的神经网络模型(Trained model)采用Tensorflow架构,连接到BMNNSDK(集成开发包)的输入模式(Import Model)接口,在BMNNSDK上进行编译神经网络,生成视频图像特征模型(Generate BModel),形成一个BModel模型。
3)在训练机ADE作用下,对BModel模型进行分层处理集成到软件中,经过多次深度学习,再次集成(Integration),与学习训练机内部署的神经网络模型相比较后,形成最终的视频图像BIN特征码,通过BMRuntime接口,把模型部署到AI芯片中
本发明提供一种基于AI智能分析的输送皮带撕裂检测系统及检测方法,是通过AI智能分析终端实时采集AI传感器视频信号,采用神经网络学习方法,准确判断皮带裂缝的长度及宽度,当皮带被异物穿透导致皮带出现撕裂裂缝、重叠、漏物、带宽变窄及异常跑偏时,能够在最快的时间内输出停机保护信号和报警信号,通过联动输出控制装置切断托辊电机电源,使皮带机停机,同时通过报警设备报警,由网络交换机传输给后台数据操作终端,实现远程实时保护和监测输送皮带状态,供操作室人员跟踪生产运行动态,本发明实时监控皮带表面的异常情况,测量精度高,不会出现误动作,方便设备联动。
Claims (9)
1.一种基于AI智能分析的输送皮带撕裂检测系统,其特征在于,包括补光灯、AI传感器、AI智能分析终端、网络交换机、后台数据操作终端、联动输出控制装置、报警设备和停机保护装置,所述的补光灯、AI传感器、AI智能分析终端为两路,分别分布在输送皮带的左右两侧,并列运行,AI智能分析终端和联动输出控制装置采用光纤或者WIFI连接到网络,通过网络与后台数据操作终端通讯,联动输出控制装置连接报警设备和停机保护装置,AI智能分析终端和联动输出控制装置,都安装在皮带通廊附近,AI智能分析终端实时采集AI传感器的视频图像,经过AI智能分析后形成皮带检测结果,通过网络把皮带检测结果传输到后台数据操作终端,并根据皮带撕裂检测结果,去控制联动输出控制装置,输出报警信号和停机保护信号,进一步保护输送皮带的正常运行。
2.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的补光灯,安装在AI传感器附近。
3.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的AI传感器包括摄像机、专用低畸变高清摄像头、刷灰器。
4.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的AI智能分析终端,包括视频图像输入处理模块、AI芯片、识别推理模块和输出结果模块,AI芯片中设置了皮带撕裂的各种特征码:边缘分层特征码、边缘溃烂特征码、反复开裂特征码、钢丝带深度划伤特征码、钢丝外漏特征码、接头缝隙特征码、密集型划痕特征码、裙边带边缘撕裂特征码和纤维带边缘大尺度分层特征码。
5.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的AI智能分析终端通过网络接口实时接收AI传感器视频信号,经过视频图像输入处理模块,与AI芯片皮带撕裂的特征码大数据推理分析,经过识别推理模块和输出结果模块,识别推理出皮带是否有撕裂、撕裂的宽度和长度。
6.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的AI芯片采用BM1880。
7.根据权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统,所述的后台数据操作终端包括计算机主板、触摸屏、UPS电源和专用皮带撕裂检测软件。
8.一种实现如权利要求1所述的一种基于AI智能分析的输送皮带撕裂检测系统的检测方法,其特征在于,包括以下步骤:
步骤101,首先收集所有皮带撕裂的各种状况的多个视频图像,组成训练数据集,利用深度学习算法对原始神经网络模型进行离线训练,调整模型内部参数,进而获得对输送皮带图像具有良好表征与分析能力的神经网络模型,形成各种皮带撕裂状况(撕裂,漏洞等)的特征码,并将经过完备训练后的皮带撕裂特征码部署在AI智能分析终端上。
步骤102,AI智能分析终端实时采集AI传感器的视频图像,采用神经网络技术,对皮带图像进行图像预处理后,根据预设的皮带撕裂特征码,经过识别推理,获得对皮带状态的推断结果,即皮带撕裂状态,将形成的皮带撕裂结果通过网络传输给后台数据操作终端。
步骤103,后台数据操作终端实时接收AI智能分析终端的识别结果和输送皮带高清图像,先设置报警阀值、报警级别和分级报警,对可容忍漏洞、撕裂不报警。
步骤104,后台数据操作终端接收到输送皮带撕裂结果正常,实时显示皮带运行视频图像;当输送皮带撕裂结果为报警状态时,将抓拍的输送带撕裂情况的图像保存到后台数据操作终端中;当识别出输送带发生撕裂结果严重时,实时显示皮带运行视频图像上用红色框出撕裂状况,并发出报警信号和停机保护信号给联动输出控制装置。
步骤105,当联动输出控制装置接收到报警信号后,立刻控制报警设备进行报警;当联动输出控制装置接收到停机保护信号后,立刻输出托辊电机停止转动信号,使输送皮带停止运行。
9.根据权利要求8所述的一种基于AI智能分析的输送皮带撕裂检测方法,所述的步骤101的离线训练,包括皮带撕裂视频图像训练数据集、深度学习训练机、受训后的皮带撕裂特征码和AI智能分析终端,所述的皮带撕裂视频图像训练数据集包括边缘分层、边缘溃烂、反复开裂、钢丝带深度划伤、钢丝外漏、接头缝隙、密集型划痕、裙边带边缘撕裂和纤维带边缘大尺度分层等撕裂图像,所述的深度学习训练机采用离线深度学习,收集到的皮带撕裂视频图像训练数据集置于专用的数据库中,深度学习训练机通过专用的软件,利用深度学习算法,对数据集进行原始网络模型训练、学习,所述的受训后的皮带撕裂特征码是经过深度学习训练机深度学习后,形成带有皮带撕裂结果的神经网络模型,用于识别皮带撕裂的特征码,所述AI智能分析终端上,设置了AI芯片,受训后的皮带撕裂特征码,部署到AI芯片中。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310765327.7A CN116794058A (zh) | 2020-02-28 | 2020-02-28 | 输送皮带撕裂检测方法及检测系统 |
CN202010128986.6A CN111289529B (zh) | 2020-02-28 | 2020-02-28 | 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010128986.6A CN111289529B (zh) | 2020-02-28 | 2020-02-28 | 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765327.7A Division CN116794058A (zh) | 2020-02-28 | 2020-02-28 | 输送皮带撕裂检测方法及检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111289529A true CN111289529A (zh) | 2020-06-16 |
CN111289529B CN111289529B (zh) | 2023-05-23 |
Family
ID=71019173
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765327.7A Pending CN116794058A (zh) | 2020-02-28 | 2020-02-28 | 输送皮带撕裂检测方法及检测系统 |
CN202010128986.6A Active CN111289529B (zh) | 2020-02-28 | 2020-02-28 | 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310765327.7A Pending CN116794058A (zh) | 2020-02-28 | 2020-02-28 | 输送皮带撕裂检测方法及检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN116794058A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN112801965A (zh) * | 2021-01-21 | 2021-05-14 | 中南大学 | 一种基于卷积神经网络的烧结皮带异物监测方法及系统 |
CN113284084A (zh) * | 2020-12-02 | 2021-08-20 | 红云红河烟草(集团)有限责任公司 | 一种基于智能自控的双视觉设备故障诊断移动平台 |
CN113548419A (zh) * | 2021-07-20 | 2021-10-26 | 湖北能源集团鄂州发电有限公司 | 基于机器视觉图像识别的皮带撕裂检测方法、装置及系统 |
CN113682576A (zh) * | 2021-08-19 | 2021-11-23 | 红云红河烟草(集团)有限责任公司 | 一种高速包装机同步齿形输送带走位的实时检测系统 |
CN114486943A (zh) * | 2022-01-28 | 2022-05-13 | 青岛众志测控技术有限公司 | 智能选频微波水分测量仪 |
CN117184814A (zh) * | 2023-09-14 | 2023-12-08 | 山东超晟光电科技有限公司 | 输送机无人值守系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101804907A (zh) * | 2010-03-17 | 2010-08-18 | 燕山大学 | 机器视觉皮带撕裂检测及保护装置 |
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 |
CN108016840A (zh) * | 2017-11-28 | 2018-05-11 | 天津工业大学 | 一种基于led的多视点输送带纵向撕裂图像采集方法 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN110171691A (zh) * | 2019-06-20 | 2019-08-27 | 天津市三特电子有限公司 | 带式传输机皮带撕裂状态检测方法及检测系统 |
US20200042822A1 (en) * | 2019-08-21 | 2020-02-06 | Lg Electronics Inc. | Fabric identifying method, apparatus, and system |
CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及系统 |
-
2020
- 2020-02-28 CN CN202310765327.7A patent/CN116794058A/zh active Pending
- 2020-02-28 CN CN202010128986.6A patent/CN111289529B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101804907A (zh) * | 2010-03-17 | 2010-08-18 | 燕山大学 | 机器视觉皮带撕裂检测及保护装置 |
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 |
CN108016840A (zh) * | 2017-11-28 | 2018-05-11 | 天津工业大学 | 一种基于led的多视点输送带纵向撕裂图像采集方法 |
CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
CN110171691A (zh) * | 2019-06-20 | 2019-08-27 | 天津市三特电子有限公司 | 带式传输机皮带撕裂状态检测方法及检测系统 |
US20200042822A1 (en) * | 2019-08-21 | 2020-02-06 | Lg Electronics Inc. | Fabric identifying method, apparatus, and system |
CN110781964A (zh) * | 2019-10-28 | 2020-02-11 | 兰州交通大学 | 一种基于视频图像的人体目标检测方法及系统 |
Non-Patent Citations (1)
Title |
---|
韩山杰;谈世哲;: "基于TensorFlow进行股票预测的深度学习模型的设计与实现", 计算机应用与软件 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112633052A (zh) * | 2020-09-15 | 2021-04-09 | 北京华电天仁电力控制技术有限公司 | 一种皮带撕裂检测方法 |
CN113284084A (zh) * | 2020-12-02 | 2021-08-20 | 红云红河烟草(集团)有限责任公司 | 一种基于智能自控的双视觉设备故障诊断移动平台 |
CN112801965A (zh) * | 2021-01-21 | 2021-05-14 | 中南大学 | 一种基于卷积神经网络的烧结皮带异物监测方法及系统 |
CN113548419A (zh) * | 2021-07-20 | 2021-10-26 | 湖北能源集团鄂州发电有限公司 | 基于机器视觉图像识别的皮带撕裂检测方法、装置及系统 |
CN113682576A (zh) * | 2021-08-19 | 2021-11-23 | 红云红河烟草(集团)有限责任公司 | 一种高速包装机同步齿形输送带走位的实时检测系统 |
CN114486943A (zh) * | 2022-01-28 | 2022-05-13 | 青岛众志测控技术有限公司 | 智能选频微波水分测量仪 |
CN117184814A (zh) * | 2023-09-14 | 2023-12-08 | 山东超晟光电科技有限公司 | 输送机无人值守系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111289529B (zh) | 2023-05-23 |
CN116794058A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111289529B (zh) | 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 | |
CN110171691B (zh) | 带式传输机皮带撕裂状态检测方法及检测系统 | |
CN101986143B (zh) | 机器视觉皮带撕裂检测方法 | |
CN105491349B (zh) | 皮带群组异常状态自动巡视检测系统及其检测方法 | |
CN110015553B (zh) | 基于视频分析的运输皮带系统异物检测保护方法 | |
CN201890600U (zh) | 机器视觉皮带撕裂检测装置 | |
CN204679431U (zh) | 轮胎钢丝帘布表面缺陷的检测系统 | |
CN104792796A (zh) | 基于机器视觉的矿用胶带运行工况在线监测系统 | |
CN103383361A (zh) | 一种钢绳芯输送带检测装置以及检测方法 | |
CN104454011A (zh) | 基于图像的采煤工作面冲击地压报警方法 | |
CN104454012A (zh) | 基于图像的煤矿掘进工作面冲击地压报警方法 | |
CN103116351A (zh) | 一种纺织疵布检测摄像头及其检测系统 | |
CN106153636A (zh) | 轮胎钢丝帘布表面缺陷的检测方法、装置及系统 | |
CN115857402A (zh) | 一种煤矿输煤智能化控制系统 | |
CN114671215A (zh) | 一种基于图像识别和ai算法在皮带无人值守的应用 | |
CN109614946A (zh) | 基于图像智能识别技术的火力发电厂输煤系统人员安全防护方法及系统 | |
CN204287062U (zh) | Wis在线缺陷检测系统 | |
CN204314230U (zh) | 一种用于高压线缆的破损检测装置 | |
CN202814334U (zh) | 轴承套圈车加工漏工序检测装置 | |
CN103910181A (zh) | 基于红外视觉的胶带纵向撕裂检测预警方法 | |
CN114359779B (zh) | 一种基于深度学习的皮带撕裂检测方法 | |
CN115231205A (zh) | 一种刮板运输机的故障监测方法及系统 | |
CN210418175U (zh) | 矿用皮带运输机大煤块检测装置 | |
CN103662726A (zh) | 基于机器视觉皮带撕裂检测方法及保护系统 | |
CN211412817U (zh) | 一种基于机器视觉的令纸缺陷检测装置 |
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 |