CN112241574A - 基于图像纹理信息的带式输送机托辊状态测控方法和装置 - Google Patents
基于图像纹理信息的带式输送机托辊状态测控方法和装置 Download PDFInfo
- Publication number
- CN112241574A CN112241574A CN202011169250.XA CN202011169250A CN112241574A CN 112241574 A CN112241574 A CN 112241574A CN 202011169250 A CN202011169250 A CN 202011169250A CN 112241574 A CN112241574 A CN 112241574A
- Authority
- CN
- China
- Prior art keywords
- carrier roller
- belt
- speed
- wear
- entropy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000005259 measurement Methods 0.000 title claims description 16
- 238000005299 abrasion Methods 0.000 claims abstract description 45
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000016776 visual perception Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 230000004438 eyesight Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 239000004699 Ultra-high molecular weight polyethylene Substances 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 229920000785 ultra high molecular weight polyethylene Polymers 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 6
- 238000005065 mining Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000026683 transduction Effects 0.000 description 1
- 238000010361 transduction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- B65G23/00—Driving gear for endless conveyors; Belt- or chain-tensioning arrangements
- B65G23/02—Belt- or chain-engaging elements
- B65G23/04—Drums, rollers, or wheels
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G06T5/70—
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/20092—Interactive image processing based on input by user
- G06T2207/20104—Interactive definition of region of interest [ROI]
-
- 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
- G06T2207/30164—Workpiece; Machine component
-
- 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
Abstract
本发明涉及一种基于图像纹理信息的带式输送机托辊状态测控方法和装置，通过托辊运行纹理特征识别技术，实现托辊非接触实时状态监测。本发明对超高分子量聚乙烯托辊转动产生的纹理特征进行提取，建立速度（V）、纹理特征‑熵（ENT）和磨损度（M）三者关系，拟合皮带速度与托辊模糊度参考模型、模糊度与磨损度关系模型，通过托辊模糊度即可实现托辊磨损度的实时估计，再结合实际磨损特征分析，对托辊损坏程度进行综合研究与判断。本发明方法实时性好、检测范围广且误判率较低。
Description
技术领域
本发明涉及图像处理技术领域，更具体地说，涉及一种基于图像纹理信息的带式输送机托辊状态测控方法和装置。
背景技术
带式输送机广泛应用于各种矿山现场，物料通过带式输送机从工作面运输到指定位置。带式输送机的关键部件包括输送带和托辊，关键部件状态的好坏直接影响到输送机的安全稳定运行。首先，托辊是输送设备中损坏最频繁的核心部件，常见损坏包括管壁磨损、开裂，以及轴承不转导致管体磨透。其次，由于托辊与输送带直接接触，二者工作状态存在耦合关系。基于输送带的应力和应变条件研究，建立数学模型模拟动力对输送带的应力条件影响。当局部托辊出现上述异常状态时，皮带承受不同的冲击载荷会导致输送带纵向撕裂。皮带一旦纵向断裂，可能造成严重的经济损失，危及工人的安全。
现有专利托辊外管磨损度非接触检测方法，利用图像处理技术对外管形状进行直接测量，缺少托辊转动信息检测。当轴承不转时管体前期形状完好或者磨损符合工作要求，该系统不能对托辊卡阻异常进行报警，对托辊状态检测尚不全面。
发明内容
本发明提供了一种基于图像纹理信息的带式输送机托辊状态测控方法和装置，针对影响托辊正常运行的常见问题，基于图像运动纹理信息对矿用皮带输送机托辊运行状态进行实时在线视觉检测与控制，同时对皮带纵向撕裂检测具有预示作用。
本发明解决其技术问题所采用的技术方案是：构造一种基于图像纹理信息的带式输送机托辊状态测控方法，包括步骤：
获取带式输送机标准运行时的皮带运行速度和托辊转动图像，计算皮带运行的纹理特征-熵；
基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型；同时，基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型；
基于实时运行的带式输送机运行产生的皮带运行速度和托辊转动图像，计算实时的皮带运行纹理特征-熵，并输入皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，进行带式输送机托辊状态初判；
对皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型的输出结果进行分析，若其中至少一者输出结果判定为磨损，则对相应的托辊转动图像进行分析，确定托辊磨损程度。
其中，在基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型的步骤中，包括步骤：
在托辊完好条件下，提取托辊转动速度(V)和纹理特征-熵(ENT)历史数据对，计算每一托辊转动图像的灰度共生矩阵，并进行归一化处理；
基于归一化处理的托辊转动图像的灰度共生矩阵，计算对应托辊转动图像的纹理特征-熵；
调整托辊转动速度，计算对应不同速度的托辊离散平均纹理特征-熵，绘制托辊离散平均纹理特征-熵在预设皮带运行速度区间内的变化曲线，利用拉格朗日差值多项式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
其中，在基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型的步骤中，包括步骤：
根据经验预设托辊磨损度，根据托辊不同程度的磨损度和托辊离散平均纹理特征-熵的耦合关系，绘制关系曲线；
利用多特征曲线拟合方式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
其中，在通过皮带速度与托辊模糊度参考模型，进行带式输送机托辊状态初判的步骤中，包括步骤：
将实时运行过程中的皮带运行速度Vs和皮带运行速度对应的纹理特征-熵ENTs，作为输入量Q(Vs,ENTs)，输入构建的皮带速度与托辊模糊度参考模型中；
通过对比输入量Q与皮带速度与托辊模糊度参考模型的拟合曲线之间的最小欧式距离H；
判断计算得到的最小欧式距离H是否在预设的误差允许空间M内；
若H<M，则以Q为圆心，R为搜索半径的圆形覆盖范围内，搜索皮带速度与托辊模糊度参考模型的拟合曲线上的始离散纹理特征-熵值ENTii＝k，k≥3时计算k个纹理特征-熵的中值ENTM，若不足3个用均值代替；
通过实际纹理特征-熵ENTs与ENTM的差S进行判断，S＝ENTs-ENTM：当S≤1500时，输出正常，反之，输出磨损，等待进一步磨损检测；
若M<H,输出磨损，等待进一步磨损检测。
其中，在两种模型至少一者输出结果判定为磨损，对对应的托辊转动图像进行分析的步骤中，包括步骤：
获取判定磨损时刻对应的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割；
计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A；
统计磨损面积A占总面积的比值，若磨损面积A占总面积比值超过25％，判定为重度磨损。
其中，在判定重度磨损的步骤之后，根据轨道位置信息确定托辊损坏位置，标记位置信息和磨损程度信息，为托辊健康周期监测储备数据。
本发明解决其技术问题所采用的技术方案是：构造一种基于图像纹理信息的带式输送机托辊状态测控装置，包括：
机器人本体模块，用于附着所述视觉感知模块及嵌入式计算模块，沿设置于上下皮带之间的机器人轨道移动；
视觉感知模块，用于采集托辊转动图像；
嵌入式计算模块，用于接收托辊转动图像，结合实时速度信息构建皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，对托辊磨损程度进行初判及精确判断。
其中，视觉感知模块包括辅助光源、防尘镜头刷和鱼眼相机，三者依序固定设置于机器人本体模块上，辅助光源和防尘镜头刷用于保证托辊转动图像清晰采集，鱼眼相机用于采集托辊转动图像信息。
其中，嵌入式计算模块包括：
接收单元，用于通过USB连接线接收由视觉感知模块采集的实时托辊转动图像信息；
图像处理单元，用于对托辊转动图像进行ROI选取、图像增强、滤波和降噪处理，提取托辊转动的纹理特征-熵(ENT)、磨损面积特征；
速度与离散均值模糊度参考模型单元，用于获取速度值及对应离散均值纹理特征-熵(ENT)，通过拉格朗日差值多项式拟合曲线，建立皮带标准速度与托辊平均纹理特征-熵值得关系模型；
磨损度与模糊度参考模型单元，用于根据托辊不同程度的磨损度M和纹理特征-熵(ENT)的耦合关系，拉格朗日差值多项式拟合曲线，建立磨损度与模糊度参考模型；
磨损程度分析单元，用于在两个模型中至少一个判定磨损时，获取对应时刻的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割，计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A，对托辊实际损坏程度进行具体分析，若超过磨损面积超过25％，判定为重度磨损，通过所处轨道位置信息标记托辊损坏位置；反之，记录磨损程度和位置，为托辊健康周期监测储备数据。
其中，机器人本体模块包括驱动机构、制动机构、故障位置存储单元和报警执行单元；驱动机构和制动机构用于进行控制方向前进与后退、速度控制，实现托辊运行状态全局巡检；故障位置存储单元记录磨损程度分析单元结果和数字化轨道的位置信息，生成托辊磨损程度-轨道位置坐标的数据对；报警执行单元用于对重度磨损或托辊卡阻时发出语音报警提示。
区别于现有技术，本发明的基于图像纹理信息的带式输送机托辊状态测控方法和装置，通过托辊运行纹理特征识别技术，实现托辊非接触实时状态监测。本发明对超高分子量聚乙烯托辊转动产生的纹理特征进行提取，建立速度(V)、纹理特征-熵(ENT)和磨损度(M)三者关系，拟合皮带速度与托辊模糊度参考模型、模糊度与磨损度关系模型，通过托辊模糊度即可实现托辊磨损度的实时估计，再结合实际磨损特征分析，对托辊损坏程度进行综合研究与判断。本发明方法实时性好、检测范围广且误判率较低。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明提供的一种基于图像纹理信息的带式输送机托辊状态测控方法的流程示意图。
图2是本发明提供的一种基于图像纹理信息的带式输送机托辊状态测控装置的使用原理示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。
参阅图1，本发明提供了一种基于图像纹理信息的带式输送机托辊状态测控方法，包括：
获取带式输送机标准运行时的皮带运行速度和托辊转动图像，计算皮带运行的纹理特征-熵；
基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型；同时，基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型；
基于实时运行的带式输送机运行产生的皮带运行速度和托辊转动图像，计算实时的皮带运行纹理特征-熵，并输入皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，进行带式输送机托辊状态初判；
对皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型的输出结果进行分析，若其中至少一者输出结果判定为磨损，则对对应的托辊转动图像进行分析，确定托辊磨损程度。
其中，皮带速度与托辊模糊度参考模型使用灰度共生矩阵反映托辊图像灰度分布的方向和幅度变化大小，进而获取托辊运动图像的纹理特征-熵(ENT)实现托辊状态分析，并且预判托辊使用周期。
在基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型的步骤中，包括步骤：
提取托辊转动图像，计算每一托辊转动图像的灰度共生矩阵，并进行归一化处理；
Pd(i,j)(i,j＝0,1,2,……L-1)表示托辊转动图像内具有空间关联的像素对关系式，即灰度共生矩阵。灰度共生矩阵归一化：
L是图像的灰度级数，(i,j)表示某一像素的灰度值。
基于归一化处理的托辊转动图像的灰度共生矩阵，计算对应托辊转动图像的纹理特征-熵；
熵(ENT)反映了图像中纹理的紊乱度或复杂程度。熵值越大，说明纹理越复杂；熵值越小，说明纹理越平滑。空载时，托辊磨损后与皮带间摩擦力变化导致托辊速度变化，相较于其余托辊速度减慢，速度慢时纹理相对平滑。熵计算公式如下：
调整托辊转动速度，计算对应不同速度的托辊离散平均纹理特征-熵，绘制托辊离散平均纹理特征-熵在预设皮带运行速度区间内的变化曲线，利用拉格朗日差值多项式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
选取1,1.1,1.2……3.9,4m/s速度节点(V)，量化托辊模糊度，提取速度对应托辊离散的平均纹理特征-熵(ENT)。绘制熵在1-4m/s速度区间内变化曲线V-E，建立皮带标准速度与平均熵值得关系模型。对不同位置的槽形托辊运行状态检测，最终形成皮带速度与托辊模糊度参考模型，并设定允许误差空间。
具体的，在托辊完好条件下，基于速度(V)和熵(ENT)历史数据对，得到速度值及对应离散均值纹理特征-熵(ENT)，通过拉格朗日差值多项式拟合曲线V-E，建立皮带标准速度与托辊平均纹理特征-熵值得关系模型。拉格朗日差值多项式一般表达式：
将离散纹理特征-熵(ENT)设定为xi，xi∈(-800000,-700000)，设定1-4m/s速度(V)为yj，yj∈(0,4)。将现有标准数据对(xi,yj)代入拉格朗日差值多项式一般表达式，拟合速度与离散均值模糊度参考模型方程：
Ln(x)＝VE(x)＝1.9921×10-24x5+7.5812×10-18x4+1.1526×10-11x3+3.3197x+503070.5149
皮带在1-4m/s速度区间，将现有不同磨损程度的托辊置于不同沟槽位置进行实验建模，探索不同位置托辊的不同磨损度M和纹理特征-熵E的耦合关系，绘制皮带1-4m/s速度区间内的M-E变化曲线，拟合磨损度与模糊度参考模型。当皮带速度恒定，计算皮带模糊度，即可得到托辊磨损估计，对托辊状态进行预先评估，有需要的情况下，对托辊进行具体磨损分析。
在通过皮带速度与托辊模糊度参考模型，进行带式输送机托辊状态初判的步骤中，包括步骤：
将实时运行过程中的皮带运行速度Vs和皮带运行速度对应的纹理特征-熵ENTs，作为输入量Q(Vs,ENTs)，输入构建的皮带速度与托辊模糊度参考模型中；
通过对比输入量Q与皮带速度与托辊模糊度参考模型的拟合曲线之间的最小欧式距离H；由于离散纹理特征-熵(ENT)和速度(V)在输入时数量级差距较大，导致H的数值大，H可以作为模型初次筛选使用,经实验验证参数M＝3000。
判断计算得到的最小欧式距离H是否在预设的误差允许空间M内；
若H<M，则以Q为圆心，R为搜索半径的圆形覆盖范围内，搜索皮带速度与托辊模糊度参考模型的拟合曲线上的始离散纹理特征-熵值ENTii＝k，k≥3时计算k个纹理特征-熵的中值ENTM，若不足3个用均值代替；
通过实际纹理特征-熵ENTs与ENTM的差S进行判断，S＝ENTs-ENTM：当S≤1500时，输出正常，反之，输出磨损，等待进一步磨损检测；
若M<H,输出磨损，等待进一步磨损检测。
在基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型的步骤中，包括步骤：
根据经验预设托辊磨损度，根据托辊不同程度的磨损度和托辊离散平均纹理特征-熵的耦合关系，绘制关系曲线；
利用多特征曲线拟合方式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
磨损度与模糊度关系参考模型，绘制纹理特征-熵(ENT)与预设磨损度M，拟合非线性变化曲线M-E，通过计算实际托辊的纹理特征-熵(ENT)实现磨损度初步估计。
利用已有托辊磨损数据，人工测量托辊的磨损面积S和磨损厚度H作为磨损程度M描述子，磨损程度M分为：完好，轻度磨损，中度磨损，重度磨损。根据实验数据得到磨损程度M的计算公式：
其中，m＝αS+βHα＝0.362,β＝0.638
保证皮带速度不变，例如皮带速度为3.5m/s时,将离散模糊度-熵(ENT)设定为x变量，x∈(-800000,-650000)；磨损程度M作为y变量y∈[0,1),将历史数据节点代入上述拉格朗日差值多项式一般表达式，拟合磨损度与模糊度关系参考模型方程：
Ln(x)＝ME(x)＝1.82725×10-21x4+5.40502×10-15x3+5.98866×10-9x2+0.00295x+547.67419
皮带速度为3.5m/s时，计算实际纹理特征-熵x输入磨损度与模糊度参考模型，对磨损程度进行大致估计，判断磨损程度：完好ME(x)∈(0，0.25)，轻度磨损ME(x)∈(0.25，0.5)，中度磨损ME(x)∈(0.5，0.75)，重度磨损ME(x)∈(0.75,1)。完好，轻度磨损输出正常。中度磨损，重度磨损输出磨损，等待进一步磨损检测。
上述模型的构建，是通过历史的托辊转动图像进行训练的，历史托辊转动图像已经完成人为磨损程度标定，通过将人为标定的磨损程度和计算得到的纹理特征-熵进行拟合，得到磨损度与模糊度参考模型。
在两种模型至少一者输出结果判定为磨损，对对应的托辊转动图像进行分析的步骤中，包括步骤：
获取判定磨损时刻对应的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割；
计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A；
统计磨损面积A与标准托辊投影区域L的比值w，若W超过25％，判定为重度磨损。
其中，在判定重度磨损的步骤之后，根据轨道位置信息确定托辊损坏位置，标记位置信息和磨损程度信息，为托辊健康周期监测储备数据。
此外，如图2所示，本发明提供了基于图像纹理信息的带式输送机托辊状态测控装置3，包括：
机器人本体模块，用于附着所述视觉感知模块及嵌入式计算模块，沿设置于上下皮带之间的机器人轨道2移动；
视觉感知模块，用于采集托辊转动图像；
矿用皮带输送机速度控制器检测皮带速度，通过视觉感知模块的鱼眼相机全面采集矿用皮带输送机上皮带槽形托辊1的实时图像。对托辊组图像进行ROI选取、图像增强、滤波和降噪处理，提取托辊转动的纹理特征-熵(ENT)、磨损面积等特征。
嵌入式计算模块，用于接收托辊转动图像，结合实时速度信息构建皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，对托辊磨损程度进行初判及精确判断。
其中，视觉感知模块包括辅助光源、防尘镜头刷和鱼眼相机，三者依序固定设置于机器人本体模块上，辅助光源和防尘镜头刷用于保证托辊转动图像清晰采集，鱼眼相机用于采集托辊转动图像信息。
其中，嵌入式计算模块包括：
接收单元，用于通过USB连接线接收由视觉感知模块采集的实时托辊转动图像信息；
图像处理单元，用于对托辊转动图像进行ROI选取、图像增强、滤波和降噪处理，提取托辊转动的纹理特征-熵(ENT)、磨损面积特征；
速度与离散均值模糊度参考模型单元，用于获取速度值及对应离散均值纹理特征-熵(ENT)，通过拉格朗日差值多项式拟合曲线，建立皮带标准速度与托辊平均纹理特征-熵值得关系模型；
磨损度与模糊度参考模型单元，用于根据托辊不同程度的磨损度M和纹理特征-熵(ENT)的耦合关系，拉格朗日差值多项式拟合曲线，建立磨损度与模糊度参考模型；
基于速度(V)、纹理特征-熵(ENT)和磨损度三者关系对托辊状态进行分析。将实际皮带速度(V)和托辊转动的纹理特征-熵(ENT)输入皮带速度与托辊模糊度参考模型，判断是否符合该速度下的纹理特征要求，对托辊状态初检。
磨损程度分析单元，用于在两个模型中至少一个判定磨损时，获取对应时刻的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割，计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A，对托辊实际损坏程度进行具体分析，若超过磨损面积超过25％，判定为重度磨损，通过所处轨道位置信息标记托辊损坏位置；反之，记录磨损程度和位置，为托辊健康周期监测储备数据。
将纹理特征-熵(ENT)输入磨损度与模糊度参考模型，即在一定速度和纹理特征-熵(ENT)下，对磨损程度进行估计。由于槽型托辊不同位置的速度(V)、纹理特征-熵(ENT)和磨损度三者关系也不同。在图像处理时对一组托辊中三个位置分别分析、判断和估计。
结合图像处理单元的磨损面积对托辊磨损程度进一步分析和研究。磨损程度分为存在磨损和严重磨损。磨损面积超过阈值时，判定为重度磨损，记录检修位置。反之，记录磨损程度，为托辊健康周期监测储备数据。
故障位置存储单元记录磨损程度分析单元结果和数字化轨道2的位置坐标信息，即存储单元内包括托辊磨损程度-轨道位置坐标的数据对。报警执行单元对重度磨损或托辊卡阻时发出语音报警提示。
本发明装置3可以实现带式输送机不同位置托辊的运行状态检测和磨损程度分析。
其中，机器人本体模块包括驱动机构、制动机构、故障位置存储单元和报警执行单元；驱动机构和制动机构用于进行控制方向前进与后退、速度控制，实现托辊运行状态全局巡检；故障位置存储单元记录磨损程度分析单元结果和数字化轨道的位置信息，生成托辊磨损程度-轨道位置坐标的数据对；报警执行单元用于对重度磨损或托辊卡阻时发出语音报警提示。
本发明具备以下优点：
1、检测装置反应灵敏，完成托辊磨损程度的多尺度特征提取，实现带式输送机的全局检测。
2、本专利方法拟合皮带速度与托辊模糊度参考模型和磨损度与模糊度关系参考模型，建立速度(V)、纹理特征-熵(ENT)和磨损度(M)三者关系，实现托辊的运行状态在线检测和磨损程度分析。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (10)
1.一种基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，包括：
获取历史数据存储的带式输送机标准运行时的皮带运行速度和托辊转动图像，计算皮带运行的纹理特征-熵；
基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型；同时，基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型；
基于实时运行的带式输送机运行产生的皮带运行速度和托辊转动图像，计算实时的皮带运行纹理特征-熵，并输入皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，进行带式输送机托辊状态初判；
对皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型的输出结果进行分析，若其中至少一者输出结果判定为磨损，则对相应的托辊转动图像进行分析，确定托辊磨损程度。
2.根据权利要求1所述的基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，在基于皮带运行速度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建皮带速度与托辊模糊度参考模型的步骤中，包括步骤：
在托辊完好条件下，提取托辊转动速度(V)和纹理特征-熵(ENT)历史数据对，计算每一托辊转动图像的灰度共生矩阵，并进行归一化处理；
基于归一化处理的托辊转动图像的灰度共生矩阵，计算对应托辊转动图像的纹理特征-熵；
调整托辊转动速度，基于速度(V)和纹理特征-熵(ENT)历史数据对，绘制托辊离散平均纹理特征-熵在预设皮带运行速度区间内的变化曲线，利用拉格朗日差值多项式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
3.根据权利要求2所述的基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，在基于皮带磨损度和计算得到的纹理特征-熵，利用多特征曲线拟合方式构建磨损度与模糊度参考模型的步骤中，包括步骤：
根据历史的托辊转动图像的磨损程度设定托辊磨损度，在托辊速度不变情况下，根据托辊不同程度的磨损度和托辊离散平均纹理特征-熵的耦合关系，绘制关系曲线；
利用多特征曲线拟合方式进行曲线拟合，得到皮带速度与托辊模糊度参考模型。
4.根据权利要求3所述的基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，在通过皮带速度与托辊模糊度参考模型，进行带式输送机托辊状态初判的步骤中，包括步骤：
将实时运行过程中的皮带运行速度Vs和皮带运行速度对应的纹理特征-熵ENTs，作为输入量Q(Vs,ENTs)，输入构建的皮带速度与托辊模糊度参考模型中；
通过对比输入量Q与皮带速度与托辊模糊度参考模型的拟合曲线之间的最小欧式距离H；
判断计算得到的最小欧式距离H是否在预设的误差允许空间M内；
若H<M，则以Q为圆心，R为搜索半径的圆形覆盖范围内，搜索皮带速度与托辊模糊度参考模型的拟合曲线上的原始离散纹理特征-熵值ENTii＝k，k≥3时计算k个纹理特征-熵的中值ENTM，若不足3个用均值代替；
通过实际纹理特征-熵ENTs与ENTM的差S进行判断，S＝ENTs-ENTM：当S≤1500时，输出正常，反之，输出磨损，等待进一步磨损检测；
若M<H,输出磨损，等待进一步磨损检测。
5.根据权利要求1所述的基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，在两种模型至少一者输出结果判定为磨损，对相应的托辊转动图像进行分析的步骤中，包括步骤：
获取判定磨损时刻对应的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割；
计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A；
统计磨损面积A与标准托辊投影区域L的比值w，若W超过25％，判定为重度磨损。
6.根据权利要求1所述的基于图像纹理信息的带式输送机托辊状态测控方法，其特征在于，在判定重度磨损的步骤之后，根据轨道位置信息确定托辊损坏位置，标记位置信息和磨损程度信息，为托辊健康周期监测储备数据。
7.一种基于图像纹理信息的带式输送机托辊状态测控装置，其特征在于，包括：
机器人本体模块，用于附着所述视觉感知模块及嵌入式计算模块，沿设置于上下皮带之间的机器人轨道移动；
视觉感知模块，用于采集托辊转动图像；
嵌入式计算模块，用于接收托辊转动图像，结合实时速度信息构建皮带速度与托辊模糊度参考模型和磨损度与模糊度参考模型，对托辊磨损程度进行初判及精确判断。
8.根据权利要求7所述的基于图像纹理信息的带式输送机托辊状态测控装置，其特征在于，所述视觉感知模块包括辅助光源、防尘镜头刷和鱼眼相机，三者依序固定设置于机器人本体模块上，辅助光源和防尘镜头刷用于保证托辊转动图像清晰采集，鱼眼相机用于采集托辊转动图像信息。
9.根据权利要求7所述的基于图像纹理信息的带式输送机托辊状态测控装置，其特征在于，所述嵌入式计算模块包括：
接收单元，用于通过USB连接线接收由视觉感知模块采集的实时托辊转动图像信息；
图像处理单元，用于对托辊转动图像进行ROI选取、图像增强、滤波和降噪处理，提取托辊转动的纹理特征-熵(ENT)、磨损面积特征；
速度与离散均值模糊度参考模型单元，用于获取速度值及对应离散均值纹理特征-熵(ENT)，通过拉格朗日差值多项式拟合曲线，建立皮带标准速度与托辊平均纹理特征-熵值得关系模型；
磨损度与模糊度参考模型单元，用于根据托辊不同程度的磨损度M和纹理特征-熵(ENT)的耦合关系，拉格朗日差值多项式拟合曲线，建立磨损度与模糊度参考模型；
磨损程度分析单元，用于在两个模型中至少一个判定磨损时，获取对应时刻的托辊转动图像，使用OpenCV库的grabcut分割函数对托辊转动图像进行提取分割，计算标准托辊投影区域L与实际分割区域P的重合程度，缺失面积即为磨损面积A，对托辊实际损坏程度进行具体分析，若超过磨损面积超过25％，判定为重度磨损，通过所处轨道位置信息标记托辊损坏位置；反之，记录磨损程度和位置，为托辊健康周期监测储备数据。
10.根据权利要求9所述的基于图像纹理信息的带式输送机托辊状态测控装置，其特征在于，机器人本体模块包括驱动机构、制动机构、故障位置存储单元和报警执行单元；驱动机构和制动机构用于进行控制方向前进与后退、速度控制，实现托辊运行状态全局巡检；故障位置存储单元记录磨损程度、分析单元结果和数字化轨道的位置信息，生成托辊磨损程度-轨道位置坐标的数据对；报警执行单元用于对重度磨损或托辊卡阻时发出语音报警提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011169250.XA CN112241574B (zh) | 2020-10-28 | 2020-10-28 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011169250.XA CN112241574B (zh) | 2020-10-28 | 2020-10-28 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241574A true CN112241574A (zh) | 2021-01-19 |
| CN112241574B CN112241574B (zh) | 2022-08-30 |
Family
ID=74169971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011169250.XA Active CN112241574B (zh) | 2020-10-28 | 2020-10-28 | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241574B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112897269A (zh) * | 2021-01-21 | 2021-06-04 | 广州广日电梯工业有限公司 | 电梯轿门检测系统、电梯轿门检测方法 |
| CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
| CN117333727A (zh) * | 2023-12-01 | 2024-01-02 | 山东瀚邦胶带有限公司 | 一种基于可视化图像处理技术的输送带磨损区域识别分析系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975083A (zh) * | 2010-10-20 | 2011-02-16 | 浙江大学 | 一种带式输送机托辊故障监测系统 |
| CN202471536U (zh) * | 2012-02-28 | 2012-10-03 | 杭州电子科技大学 | 高速轧制界面轧辊磨损量及摩擦系数的测定装置 |
| CN103776383A (zh) * | 2014-01-17 | 2014-05-07 | 太原理工大学 | 一种矿用皮带输送机托辊外管磨损度在线非接触式检测方法 |
| CN105760883A (zh) * | 2016-02-15 | 2016-07-13 | 西安科技大学 | 基于红外热像的带式输送机关键部件自动识别方法 |
| US20170313523A1 (en) * | 2014-11-10 | 2017-11-02 | The Yokohama Rubber Co., Ltd. | Conveyor Belt Wear Monitoring System |
| CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
| CN110589405A (zh) * | 2019-09-23 | 2019-12-20 | 北京华方智汇科技有限公司 | 用于带式输送机巡检机器人的托辊异常检测系统及方法 |
| CN111517092A (zh) * | 2020-06-03 | 2020-08-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
-
2020
- 2020-10-28 CN CN202011169250.XA patent/CN112241574B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101975083A (zh) * | 2010-10-20 | 2011-02-16 | 浙江大学 | 一种带式输送机托辊故障监测系统 |
| CN202471536U (zh) * | 2012-02-28 | 2012-10-03 | 杭州电子科技大学 | 高速轧制界面轧辊磨损量及摩擦系数的测定装置 |
| CN103776383A (zh) * | 2014-01-17 | 2014-05-07 | 太原理工大学 | 一种矿用皮带输送机托辊外管磨损度在线非接触式检测方法 |
| US20170313523A1 (en) * | 2014-11-10 | 2017-11-02 | The Yokohama Rubber Co., Ltd. | Conveyor Belt Wear Monitoring System |
| CN105760883A (zh) * | 2016-02-15 | 2016-07-13 | 西安科技大学 | 基于红外热像的带式输送机关键部件自动识别方法 |
| CN107378641A (zh) * | 2017-08-23 | 2017-11-24 | 东北电力大学 | 一种基于图像特征和lltsa算法的刀具磨损状态监测方法 |
| CN110589405A (zh) * | 2019-09-23 | 2019-12-20 | 北京华方智汇科技有限公司 | 用于带式输送机巡检机器人的托辊异常检测系统及方法 |
| CN111517092A (zh) * | 2020-06-03 | 2020-08-11 | 太原理工大学 | 一种传动带撕裂检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| YANG WENJUAN等: "An Inspection Robot using Infrared Thermography for Belt Conveyor", 《2016 13TH INTERNATIONAL CONFERENCE ON UBIQUITOUS ROBOTS AND AMBIENT INTELLIGENCE》 * |
| 周颖 等: "改进的模型参考自适应在磨矿过程中的应用", 《系统仿真学报》 * |
| 张海平: "输送带摩擦学行为及动力学特性研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
| 马炬明等: "带式输送机托辊的设计分析", 《医疗卫生装备》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112897269A (zh) * | 2021-01-21 | 2021-06-04 | 广州广日电梯工业有限公司 | 电梯轿门检测系统、电梯轿门检测方法 |
| CN112907524A (zh) * | 2021-02-04 | 2021-06-04 | 哈尔滨市科佳通用机电股份有限公司 | 基于图像处理的铁路货车防火板故障检测方法 |
| CN117333727A (zh) * | 2023-12-01 | 2024-01-02 | 山东瀚邦胶带有限公司 | 一种基于可视化图像处理技术的输送带磨损区域识别分析系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241574B (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241574B (zh) | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 | |
| CN111661590B (zh) | 矿用带式输送机输送带撕裂损伤检测方法 | |
| CN110425005B (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| Peng et al. | WP-DRnet: A novel wear particle detection and recognition network for automatic ferrograph image analysis | |
| CN109489584B (zh) | 一种基于3d技术的隧道限界检测系统及隧道限界识别方法 | |
| CN110163852B (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
| CN113284109B (zh) | 管道缺陷识别方法、装置、终端设备及存储介质 | |
| WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
| CN114419048A (zh) | 基于图像处理的输送机在线检测方法及系统 | |
| Yang et al. | Longitudinal tear early-warning method for conveyor belt based on infrared vision | |
| Zhang et al. | A deep learning-based method for deviation status detection in intelligent conveyor belt system | |
| CN103834796A (zh) | 一种在线识别炉内带钢跑偏的方法 | |
| CN103745238A (zh) | 基于AdaBoost和主动形状模型的受电弓识别方法 | |
| CN105809219B (zh) | 一种隧道预制管片生产线的预制管片质量检测统计系统和方法 | |
| CN114092478B (zh) | 一种异常检测方法 | |
| CN101320477B (zh) | 一种人体跟踪方法及其设备 | |
| Zhang et al. | Proactive measures to prevent conveyor belt Failures: Deep Learning-based faster foreign object detection | |
| CN114612403A (zh) | 一种上料皮带破损缺陷智能检测方法及系统 | |
| Hamdi et al. | Fully automated approach for patterned fabric defect detection | |
| CN113989179A (zh) | 基于目标检测算法的列车轮对踏面缺陷检测方法及系统 | |
| US20230281782A1 (en) | Closed-circuit television (cctv) online pipeline detection system | |
| Ji et al. | Bucket teeth detection based on faster region convolutional neural network | |
| CN115201213A (zh) | 一种客运索道钢丝绳检测装置及方法 | |
| CN115661707A (zh) | 一种基于巡检机器人的皮带跑偏识别算法 |
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 |