CN112633052A - 一种皮带撕裂检测方法 - Google Patents
一种皮带撕裂检测方法 Download PDFInfo
- Publication number
- CN112633052A CN112633052A CN202010965954.1A CN202010965954A CN112633052A CN 112633052 A CN112633052 A CN 112633052A CN 202010965954 A CN202010965954 A CN 202010965954A CN 112633052 A CN112633052 A CN 112633052A
- Authority
- CN
- China
- Prior art keywords
- belt
- neural network
- convolutional neural
- detection
- picture
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 94
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000012544 monitoring process Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 7
- 239000003245 coal Substances 0.000 claims description 5
- 230000035515 penetration Effects 0.000 claims description 4
- 238000005336 cracking Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 7
- 238000011897 real-time detection Methods 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 230000004913 activation Effects 0.000 description 10
- 238000010606 normalization Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- 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
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种皮带撕裂检测方法,包括获取皮带正常情况与撕裂情况图片,形成皮带撕裂检测数据集;对皮带撕裂检测数据集进行标注,并将其随机划分为训练集与测试集;使用训练集训练卷积神经网络模型,得到皮带撕裂检测模型;基于皮带撕裂检测模型对监控区域内皮带撕裂情况进行实时检测。本申请基于卷积神经网络模型实现皮带撕裂实时检测,可适应现场的复杂场景并提高了皮带撕裂检测准确率,有助于提高皮带工作效率,帮助现场的生产有序开展。
Description
技术领域
本发明属于智能视频监控安全技术领域,更具体地,涉及一种皮带撕裂检测方法。
背景技术
目前,企业生产中采用的带式运输机运行速度普遍较高,稳定运行速度可达5米/秒以上,由于其带动电机功率较大,在皮带发生撕裂以后如果不能及时通知控制系统停机或者通知现场工作人员及时消除撕裂源,将会导致皮带运输机发生贯穿性撕裂。如果整条皮带撕裂,会造成物料倾洒、损毁减速器和电动机等设备,情况严重时甚至还会损毁机架结构,威胁现场人员的人身安全。皮带发生撕裂会对企业整个生产流程产生极大的影响,降低企业生产效率,甚至威胁企业生产和员工人身安全。因此企业需要一种实时的皮带撕裂检测方法来保证人员安全并提高生产效率。
一般的目标检测方法仅需在图片上判断是否存在检测目标,并获得目标数量,标记目标位置。对于皮带撕裂检测算法,在此基础上还要求针对动态视频实时识别、深度优化,达到较高的识别跟踪精度。近年来,研究人员在基于传感器与基于图像处理等两种检测方式上对皮带撕裂检测做了很多具有创新性的研究工作。但由于定位精度不高、测速度慢、准确率低等问题使得其不适用于复杂性较高的实际现场,无法达到皮带撕裂检测实际需求,基于深度学习的检测算法依靠其网络简单、检测速度快准确性高等特点超过传统检测算法,成为当前皮带撕裂检测方面的主流算法。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种基于卷积神经网络的皮带撕裂检测方法,基于卷积神经网络模型实现皮带撕裂实时检测,可适应现场的复杂场景并提高了皮带撕裂检测准确率,有助于提高皮带工作效率,帮助现场的生产有序开展。
本发明采用如下的技术方案。一种基于卷积神经网络的皮带撕裂检测方法,包括以下步骤:
步骤1,通过设置在皮带周围的多个现场摄像设备获取正常皮带图片和异常皮带图片,形成皮带撕裂检测数据集;
步骤2,对皮带撕裂检测数据集中的皮带图片进行标注,异常部分包括皮带被异物穿透导致皮带出现撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常情况;按照设定的比例,将皮带撕裂检测数据集的全部图片随机划分为训练集和测试集;
步骤3,使用训练集训练卷积神经网络模型,使用测试集检测每一代训练后卷积神经网络模型,筛选获得皮带撕裂检测模型;
步骤4,基于步骤3得到的皮带撕裂检测模型对所述多个现场摄像设备监控区域内皮带撕裂情况进行实时检测。
优选地,步骤1中,通过设置在皮带正上方及前后左右四个方向布置的五个现场摄像设备获取正常皮带图片和已撕裂异常皮带图片。
优选地,步骤1中的现场摄像设备角度为45度,设置在皮带正上方的摄像设备包括光源。
优选地,步骤1具体包括:
步骤1.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的历史视频数据;
步骤1.2,使用OpenCV将视频数据转化为图片数据,OpenCV是指开源计算机视觉库;
步骤1.3,通过筛选将图片划分为正常皮带图片和异常皮带图片。
优选地,步骤2具体包括:
步骤2.1,对皮带撕裂检测数据集中的异常皮带图片进行标注,标注部分为正样本,未标注部分为负样本;
步骤2.2,获取每个标注对象的类别及检测框,生成对应的类别及检测框文件;
步骤2.3,生成存储皮带撕裂检测数据集对应的全部类别及检测框文件路径的数据集文件;
步骤2.4,随机分配步骤2.3中存储在数据集文件内存有标注内容的文本文件,将其以8:2的比例分为训练集与测试集。
优选地,步骤3具体包括:
步骤3.1,将训练集中的图片数据统一调整至卷积神经网络模型的输入图片尺寸;
步骤3.2,将统一尺寸的图片数据进行图像增强处理;
步骤3.3,设置迭代次数、每一批训练的图片数据张数、初始学习率和学习率更新规则;
步骤3.4,使用步骤3.2中图像增强后的图片数据训练卷积神经网络模型;
步骤3.5,使用测试集检测每一代训练后卷积神经网络模型的mAP,选取其中mAP最高的卷积神经网络模型作为皮带撕裂检测模型。
优选地,步骤3.1中,将训练集中的图片数据统一调整至416*416像素。
优选地,步骤4具体包括:
步骤4.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的实时视频数据;
步骤4.2,使用OpenCV将设定时间间隔的视频数据转化为图片数据,OpenCV是指开源计算机视觉库;
步骤4.3,将采集到的图片输入模型进行检测,判断检测区域的皮带是否存在撕裂;
步骤4.4,实时展示经过皮带撕裂检测模型标注后的图片。
优选地,步骤4.2中,将间隔0.02s的视频数据转化为图片数据。
优选地,步骤4.3还包括,如果检测发现皮带存在撕裂,发出警报并将对应的监控视频输出。
本发明的有益效果在于,与现有技术相比,本申请基于卷积神经网络模型实现皮带撕裂实时检测,卷积神经网络模型通过在backbone中使用NMBConv模型进行多通道信息融合,能够传递更多图像信息。通过使用空洞卷积扩大了模型感受野,更容易识别出故障信息。通过使用CBN进行模型归一化处理,提高了在普通GPU下训练效果,提高检测精度。通过使用FOCAL LOSS解决了类别不平衡问题,使用MISH激活函数避免了数值过大的饱和问题;通过以上处理使模型适应现场的复杂场景并提高了模型在现场应用的准确率、召回率及mAP,mAP是指平均准确率均值mean average precision,简称mAP,在小目标检测上优势更加突出。有助于提高皮带工作效率,帮助现场的生产有序开展。
附图说明
图1是本发明一种皮带撕裂检测方法的流程图;
图2是本发明卷积神经网络模型的网络结构图;
图3是本发明卷积神经网络中主要模型NMBConv模型;
图4是本发明卷积神经网络中主要模型Convlutional模型;
图5是本发明卷积神经网络中主要模型Convlutional Set模型;
图6是基于皮带撕裂检测模型对监控区域内皮带撕裂情况进行实时检测的流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1所示,本发明提供了一种皮带撕裂检测方法,包括以下步骤:
步骤1,通过设置在皮带周围的多个现场摄像设备获取皮带图片,形成皮带撕裂检测数据集。
步骤1具体包括:
步骤1.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的历史视频数据。通过现场摄像头获取监控区域视频历史数据,与普通摄像头配置不同的是,为了避免正常运行时,其上通常承载所运输的物料,构成了对皮带的遮挡,在皮带正上方及前后左右四个方向布置五个摄像头,摄像头角度为45度。在检测样本正上方的摄像设备上加开光源以保证检测环境拥有足够的亮度,避免因光线昏暗而导致的检测错误。
步骤1.2,使用OpenCV(Open Source Computer Vision Library,开源计算机视觉库)将视频数据转化为图片数据,OpenCV是指开源计算机视觉库。
步骤1.3,通过筛选将图片划分为正常皮带图片和异常皮带图片。筛选获得正常皮带图片与皮带被异物穿透导致皮带出现撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常图片,形成皮带撕裂检测数据集。获取的历史视频图片不限于尺度、光照、样式、颜色等情况。
步骤2,对皮带撕裂检测数据集图片中皮带撕裂情况进行标注,并将其按照8:2的比例随机划分为训练集与测试集。具体包括:
步骤2.1,对皮带撕裂检测数据集中皮带是否撕裂人工逐一标注,异常部分包括皮带被异物穿透导致皮带出现撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常情况;其中被标注部分作为正样本,未标注部分正确作为负样本,即背景类,获得xml(eXtensibleMarkup Language,可扩展标记语言)格式文件。
值得注意的是,所属领域技术人员可以选用任意图像标注软件对对皮带撕裂检测数据集中皮带是否撕裂人工逐一标注,例如但不限于,LabelMe、LabelImg或Yolo_mark。
步骤2.2,获取xml格式文件中每个标注对象的类别及检测框,即bounding box并生成对应的txt格式文件。其中,标注对象是指是被标注部分,在一个文件中可能存在多个标注对象,一张图片是一个文件,即一个文件中可能存在多个标注;类别是指正常和包括撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常。
步骤2.3,生成皮带撕裂检测数据集对应的所有txt格式文件路径,并存储在dataset.txt文件中。
步骤2.4,随机分配步骤2.3中存储在dataset.txt文件内的存有标注内容的txt文件,将其以8:2的比例分为训练集与测试集。
步骤3,使用训练集训练卷积神经网络模型,使用测试集检测每一代训练后卷积神经网络模型,筛选获得皮带撕裂检测模型。具体包括:
步骤3.1,将训练集中的图片统一调整到卷积神经网络模型的输入图片尺寸;所述卷积神经网络模型,其输入图片尺寸为416*416像素;
步骤3.2,对经过步骤3.1,调整尺寸后的图片进行图像增强处理;
步骤3.3,设定迭代次数、每一批训练的图像张数、初始学习率以及学习率更新规则;
步骤3.4,使用图像增强处理后的图片训练卷积神经网络模型;
步骤3.5,使用测试集检测每一代训练后卷积神经网络模型的mAP(mean AveragePrecision,平均精度均值),选取其中mAP最高的卷积神经网络模型作为皮带撕裂检测模型。
如图2所示,所述卷积神经网络模型分为1个类别,出现皮带撕裂标为apart;
所述卷积神经网络模型使用NMBConv模块作为backbone网络中基本模块。图3对该模块做了构成解释,NMBConv模块”与图3所指的“NMBConv层”是相同的技术特征。
所述卷积神经网络模型使用交叉迭代批正则化化(CBN)作为正则化方法。
所述卷积神经网络模型使用Mish及sigmoid激活函数作为激活方法。
所述卷积神经网络模型使用FOCAL LOSS作为损失函数。
卷积神经网络模型对图片的处理过程具体为:首先输入尺寸416*416,然后进入特征提取网络,
首先经过如图4所示的含有卷积层、归一化层、激活层的Convolutional,
之后进入如图3所示的NMBConv层,其中NMBConv层中分为三个子模块,子模块1在获得输入后进行卷积核为3*3及1*1的操作后进行CBN归一化和Mish函数激活,
之后进入深度可分卷积(DepthwiseConv2D)及空洞卷积并进行CBN归一化和Mish函数激活,输出结果1。
所述结果1进入子模块2通过最大池化层、卷积核为3*3及1*1的卷积、Mish函数激活、卷积核为1*1的卷积、Sigmoid函数激活后与所述结果1的结果拼接为结果2。
所述结果2进入子模块3中,通过卷积核为3*3及1*1的卷积、CBN归一化和Mish函数激活后与输入相加获得结果3,所述结果3为NMBConv模块的输出结果。
获得结果后再经过两轮的Convolutional、Convolutional、NMBConv操作获得输出1,在所述输出1基础上经过一轮的Convolutional、Convolutional、NMBConv操作获得输出2。
所述输出2进入如图5所示的Convolutional Set模块,所述Convolutional Set模块中进行卷积核为1*1的Convolutional,3*3的Convolutional,1*1的Convolutional,3*3的Convolutional,1*1的Convolutional获得结果4。
所述结果4经过一个3*3的Convolutional和一个1*1的卷积层获得检测结果1,所述检测结果1的特征图大小为26*26。
所述结果4经过一个1*1的Convolutional和一个上采样后与所述输出1相拼接,经过Convolutional Set模块,一个3*3的Convolutional和一个1*1的卷积层后获得检测结果2,所述检测结果1的特征图大小为52*52。
通过以上改进使模型适应现场的复杂场景并提高了模型在现场应用的准确率、召回率及mAP。
卷积神经网络模型的训练过程为:输入图片-图片预处理为指定尺寸输入模型,模型中有卷积层、池化层、CBN归一化层、激活函数等等,-经过模型后获得若干坐标中心点,以此点为基础根据非极大值抑制得到对应结果,即预测的图片中各目标的分类及对应位置,即预测框-预测的分类及位置与真实的分类及位置,即标注框进行对比,通过损失函数获得损失值-寻找梯度最大方向进行反向传播-更新模型参数。
本发明设计的检测模型宽度较窄且深度较浅,属于轻量级模型,对像素为26*26及52*52的目标进行多尺度识别,相对于其他主流模型拥有更快的检测速度和更有针对性的模型设计。
步骤4,基于步骤3得到的皮带撕裂检测模型对监控区域内皮带撕裂情况进行实时检测。如图6所示,步骤4具体包括:
步骤4.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的实时视频数据;
步骤4.2,使用OpenCV将设定时间间隔的视频数据转化为图片数据,OpenCV是指开源计算机视觉库;值得注意的是,所属领域技术人员可以根据皮带运行速度任意设定时间间隔,一个优选但非限制性的是实施方式为,将间隔0.02s的视频数据转化为图片数据。
步骤4.3,将采集到的图片输入模型进行检测,判断检测区域的皮带是否存在撕裂;如果发现皮带存在撕裂,发出警报并将对应的监控视频输出。
步骤4.4,实时展示经过皮带撕裂检测模型标注后的图片。
本发明的有益效果在于,与现有技术相比,本申请基于卷积神经网络模型实现皮带撕裂实时检测,卷积神经网络模型通过在backbone中使用NMBConv模型进行多通道信息融合,能够传递更多图像信息。通过使用空洞卷积扩大了模型感受野,更容易识别出故障信息。通过使用CBN进行模型归一化处理,提高了在普通GPU下训练效果,提高检测精度。通过使用FOCAL LOSS解决了类别不平衡问题,使用MISH激活函数避免了数值过大的饱和问题;通过以上处理使模型适应现场的复杂场景并提高了模型在现场应用的准确率、召回率及mAP,mAP是指平均准确率均值mean average precision,简称mAP,在小目标检测上优势更加突出。有助于提高皮带工作效率,帮助现场的生产有序开展。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络的皮带撕裂检测方法,其特征在于,包括以下步骤:
步骤1,通过设置在皮带周围的多个现场摄像设备获取正常皮带图片和异常皮带图片,形成皮带撕裂检测数据集;
步骤2,对皮带撕裂检测数据集中的皮带图片进行标注,异常部分包括皮带被异物穿透导致皮带出现撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常情况;按照设定的比例,将皮带撕裂检测数据集的全部图片随机划分为训练集和测试集;
步骤3,使用训练集训练卷积神经网络模型,使用测试集检测每一代训练后卷积神经网络模型,筛选获得皮带撕裂检测模型;
步骤4,基于步骤3得到的皮带撕裂检测模型对所述多个现场摄像设备监控区域内皮带撕裂情况进行实时检测。
2.根据权利要求1所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤1中,通过设置在皮带正上方及前后左右四个方向布置的五个现场摄像设备获取正常皮带图片和已撕裂异常皮带图片。
3.根据权利要求2所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤1中的现场摄像设备角度为45度,设置在皮带正上方的摄像设备包括光源。
4.根据权利要求1所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤1具体包括:
步骤1.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的历史视频数据;
步骤1.2,使用OpenCV将视频数据转化为图片数据,OpenCV是指开源计算机视觉库;
步骤1.3,通过筛选将图片划分为正常皮带图片和异常皮带图片。
5.根据权利要求4所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤2具体包括:
步骤2.1,对皮带撕裂检测数据集中的异常皮带图片进行标注,标注部分为正样本,未标注部分为负样本;
步骤2.2,获取每个标注对象的类别及检测框,生成对应的类别及检测框文件;
步骤2.3,生成存储皮带撕裂检测数据集对应的全部类别及检测框文件路径的数据集文件;
步骤2.4,随机分配步骤2.3中存储在数据集文件内存有标注内容的文本文件,将其以8:2的比例分为训练集与测试集。
6.根据权利要求5所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤3具体包括:
步骤3.1,将训练集中的图片数据统一调整至卷积神经网络模型的输入图片尺寸;
步骤3.2,将统一尺寸的图片数据进行图像增强处理;
步骤3.3,设置迭代次数、每一批训练的图片数据张数、初始学习率和学习率更新规则;
步骤3.4,使用步骤3.2中图像增强后的图片数据训练卷积神经网络模型;
步骤3.5,使用测试集检测每一代训练后卷积神经网络模型的mAP,选取其中mAP最高的卷积神经网络模型作为皮带撕裂检测模型。
7.根据权利要求6所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤3.1中,将训练集中的图片数据统一调整至416*416像素。
8.根据权利要求6或7所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤4具体包括:
步骤4.1,获取现场监控皮带的设置在皮带周围的多个现场摄像设备的实时视频数据;
步骤4.2,使用OpenCV将设定时间间隔的视频数据转化为图片数据,OpenCV是指开源计算机视觉库;
步骤4.3,将采集到的图片输入模型进行检测,判断检测区域的皮带是否存在撕裂;
步骤4.4,实时展示经过皮带撕裂检测模型标注后的图片。
9.根据权利要求8所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤4.2中,将间隔0.02s的视频数据转化为图片数据。
10.根据权利要求8所述的基于卷积神经网络的皮带撕裂检测方法,其特征在于:
步骤4.3还包括,如果检测发现皮带存在撕裂,发出警报并将对应的监控视频输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965954.1A CN112633052A (zh) | 2020-09-15 | 2020-09-15 | 一种皮带撕裂检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010965954.1A CN112633052A (zh) | 2020-09-15 | 2020-09-15 | 一种皮带撕裂检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633052A true CN112633052A (zh) | 2021-04-09 |
Family
ID=75300151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010965954.1A Pending CN112633052A (zh) | 2020-09-15 | 2020-09-15 | 一种皮带撕裂检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633052A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113682762A (zh) * | 2021-08-27 | 2021-11-23 | 中国矿业大学 | 基于机器视觉和深度学习的皮带撕裂检测的方法与系统 |
CN113989546A (zh) * | 2021-10-11 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种基于神经网络的料场皮带运输监控方法 |
CN114275483A (zh) * | 2021-12-31 | 2022-04-05 | 无锡物联网创新中心有限公司 | 一种带式输送机的智能在线监测系统 |
CN114359779A (zh) * | 2021-12-01 | 2022-04-15 | 国家能源集团宿迁发电有限公司 | 一种基于深度学习的皮带撕裂检测方法 |
CN114612403A (zh) * | 2022-03-04 | 2022-06-10 | 中南大学 | 一种上料皮带破损缺陷智能检测方法及系统 |
CN116002319A (zh) * | 2023-02-13 | 2023-04-25 | 山东超晟光电科技有限公司 | 一种基于改进YOLOv5的皮带撕裂及使用寿命检测方法 |
CN114612403B (zh) * | 2022-03-04 | 2024-08-02 | 中南大学 | 一种上料皮带破损缺陷智能检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165318A (zh) * | 2018-08-13 | 2019-01-08 | 洛阳视距智能科技有限公司 | 一种面向智能巡检的防振锤数据集构建方法 |
CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
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 |
CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
CN110942144A (zh) * | 2019-12-05 | 2020-03-31 | 深圳牛图科技有限公司 | 集自动化训练、校验、重构于一体的神经网络构建方法 |
CN110980192A (zh) * | 2019-12-10 | 2020-04-10 | 安徽银河物联通信技术有限公司 | 一种皮带撕裂检测方法 |
CN111275082A (zh) * | 2020-01-14 | 2020-06-12 | 中国地质大学(武汉) | 一种基于改进端到端神经网络的室内物体目标检测方法 |
CN111289529A (zh) * | 2020-02-28 | 2020-06-16 | 瑞思特(珠海)科技有限责任公司 | 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 |
CN111325152A (zh) * | 2020-02-19 | 2020-06-23 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
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 |
CN111591715A (zh) * | 2020-05-28 | 2020-08-28 | 华中科技大学 | 一种皮带纵向撕裂检测方法及装置 |
-
2020
- 2020-09-15 CN CN202010965954.1A patent/CN112633052A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165318A (zh) * | 2018-08-13 | 2019-01-08 | 洛阳视距智能科技有限公司 | 一种面向智能巡检的防振锤数据集构建方法 |
CN109447033A (zh) * | 2018-11-14 | 2019-03-08 | 北京信息科技大学 | 基于yolo的车辆前方障碍物检测方法 |
CN110163246A (zh) * | 2019-04-08 | 2019-08-23 | 杭州电子科技大学 | 基于卷积神经网络的单目光场图像无监督深度估计方法 |
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 |
CN110942144A (zh) * | 2019-12-05 | 2020-03-31 | 深圳牛图科技有限公司 | 集自动化训练、校验、重构于一体的神经网络构建方法 |
CN110980192A (zh) * | 2019-12-10 | 2020-04-10 | 安徽银河物联通信技术有限公司 | 一种皮带撕裂检测方法 |
CN111275082A (zh) * | 2020-01-14 | 2020-06-12 | 中国地质大学(武汉) | 一种基于改进端到端神经网络的室内物体目标检测方法 |
CN111325152A (zh) * | 2020-02-19 | 2020-06-23 | 北京工业大学 | 一种基于深度学习的交通标志识别方法 |
CN111401148A (zh) * | 2020-02-27 | 2020-07-10 | 江苏大学 | 一种基于改进的多级YOLOv3的道路多目标检测方法 |
CN111289529A (zh) * | 2020-02-28 | 2020-06-16 | 瑞思特(珠海)科技有限责任公司 | 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 |
CN111591715A (zh) * | 2020-05-28 | 2020-08-28 | 华中科技大学 | 一种皮带纵向撕裂检测方法及装置 |
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 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113682762A (zh) * | 2021-08-27 | 2021-11-23 | 中国矿业大学 | 基于机器视觉和深度学习的皮带撕裂检测的方法与系统 |
CN113989546A (zh) * | 2021-10-11 | 2022-01-28 | 中冶南方工程技术有限公司 | 一种基于神经网络的料场皮带运输监控方法 |
CN114359779A (zh) * | 2021-12-01 | 2022-04-15 | 国家能源集团宿迁发电有限公司 | 一种基于深度学习的皮带撕裂检测方法 |
CN114275483A (zh) * | 2021-12-31 | 2022-04-05 | 无锡物联网创新中心有限公司 | 一种带式输送机的智能在线监测系统 |
CN114275483B (zh) * | 2021-12-31 | 2023-12-19 | 无锡物联网创新中心有限公司 | 一种带式输送机的智能在线监测系统 |
CN114612403A (zh) * | 2022-03-04 | 2022-06-10 | 中南大学 | 一种上料皮带破损缺陷智能检测方法及系统 |
CN114612403B (zh) * | 2022-03-04 | 2024-08-02 | 中南大学 | 一种上料皮带破损缺陷智能检测方法及系统 |
CN116002319A (zh) * | 2023-02-13 | 2023-04-25 | 山东超晟光电科技有限公司 | 一种基于改进YOLOv5的皮带撕裂及使用寿命检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112633052A (zh) | 一种皮带撕裂检测方法 | |
US11488294B2 (en) | Method for detecting display screen quality, apparatus, electronic device and storage medium | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
CN111881730A (zh) | 一种火电厂现场安全帽佩戴检测方法 | |
CN108647652A (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
CN104992449A (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN112906769A (zh) | 一种基于CycleGAN的输变电设备图像缺陷样本增广方法 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN112560816A (zh) | 一种基于YOLOv4的设备指示灯识别方法及系统 | |
CN113642474A (zh) | 一种基于yolov5的危险区域人员监控方法 | |
CN112633308A (zh) | 一种电厂作业人员是否佩戴安全带的检测方法及检测系统 | |
CN111767831B (zh) | 用于处理图像的方法、装置、设备及存储介质 | |
CN114240939A (zh) | 一种主板元器件外观缺陷检测方法、系统、设备及介质 | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
CN116052082A (zh) | 一种基于深度学习算法的配电站房异常检测方法及装置 | |
CN116846059A (zh) | 一种用于电网巡检和监控的边缘检测系统 | |
Choi et al. | Deep learning based defect inspection using the intersection over minimum between search and abnormal regions | |
Zhang et al. | A novel image detection method for internal cracks in corn seeds in an industrial inspection line | |
CN111310837A (zh) | 车辆改装识别方法、装置、系统、介质和设备 | |
CN112784675B (zh) | 目标检测方法及装置、存储介质、终端 | |
CN114529906A (zh) | 基于字符识别的输电设备数字仪表异常检测方法及系统 | |
CN117670755B (zh) | 一种吊钩防脱装置检测方法、装置、存储介质及电子设备 | |
CN117876932B (zh) | 基于低照度环境的运动物体识别系统 | |
CN115407800B (zh) | 一种农产品仓储保鲜库内无人机巡检方法 |
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 |