CN112991292A - 输送带纵向撕裂的检测方法和装置 - Google Patents
输送带纵向撕裂的检测方法和装置 Download PDFInfo
- Publication number
- CN112991292A CN112991292A CN202110268358.2A CN202110268358A CN112991292A CN 112991292 A CN112991292 A CN 112991292A CN 202110268358 A CN202110268358 A CN 202110268358A CN 112991292 A CN112991292 A CN 112991292A
- Authority
- CN
- China
- Prior art keywords
- image
- conveyor belt
- detection
- frame
- images
- 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
- 238000000034 method Methods 0.000 title claims description 28
- 238000001514 detection method Methods 0.000 claims abstract description 175
- 238000004140 cleaning Methods 0.000 claims abstract description 64
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000007906 compression Methods 0.000 claims description 42
- 230000006835 compression Effects 0.000 claims description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 40
- 238000005286 illumination Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 238000002347 injection Methods 0.000 claims description 11
- 239000007924 injection Substances 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 description 9
- 238000005507 spraying Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000012937 correction Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B3/00—Cleaning by methods involving the use or presence of liquid or steam
- B08B3/02—Cleaning by the force of jets or sprays
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B08—CLEANING
- B08B—CLEANING IN GENERAL; PREVENTION OF FOULING IN GENERAL
- B08B5/00—Cleaning by methods involving the use of air flow or gas flow
- B08B5/02—Cleaning by the force of jets, e.g. blowing-out cavities
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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]
-
- 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
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Control Of Conveyors (AREA)
Abstract
本申请提供一种输送带纵向撕裂的检测方法和装置,适用于输送带纵向撕裂的检测系统,检测系统包括用于拍摄输送带的图像采集装置,检测方法包括:获得输送带图像;若图像采集装置符合图像质量检测条件,检测每一帧输送带图像是否存在图像模糊现象;若存在图像模糊现象,控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗;对输送带图像进行矫正,拼接和压缩,得到压缩后的输送带图像;利用用于纵向撕裂检测的神经网络检测压缩后的输送带图像是否存在纵向撕裂;若存在纵向撕裂,输出纵向撕裂报警信号。本方案在输送带图像存在图像模糊现象时及时清洗摄像装置,确保拍摄的输送带图像具有较高的图像质量,从而提高检测结果的准确度。
Description
技术领域
本发明涉及图像检测技术领域,特别涉及一种输送带纵向撕裂的检测方法和装置。
背景技术
带式输送机是一种现代化生产中连续运输设备,具有运量大、运距远、能耗小、运费低、效率高、运行平稳、装卸方便、适合于散料运输等优点,已广泛应用煤炭、矿山、港口、电力、冶金、化工等领域。输送带是带式输送机的牵引和承载的关键部件。
大运量带式输送机在使用中经常产生纵向撕裂等故障。由于输送带纵向撕裂故障得不到及时检测和处理,会造成停产、运输物料的损耗、设备的损坏和人员伤亡、巨大经济损失,严重影响安全生产。因此有必要实时检测运行中的输送带是否发生纵向撕裂。
目前的检测方法一般是采用各类摄像机拍摄输送带的图像,然后采用图像检测算法对图像进行检测,得到输送带是否发生纵向撕裂的检测结果。
然而输送带的工作环境一般较为恶劣,导致摄像机拍摄得到的图像质量较差,使得检测结果的准确度较低。
发明内容
针对上述问题,本申请提供一种输送带纵向撕裂的检测方法和装置,以提高对输送带纵向撕裂的检测的准确度。
本申请提供一种输送带纵向撕裂的检测方法,适用于输送带纵向撕裂的检测系统,所述检测系统包括用于拍摄输送带的图像采集装置,所述检测方法包括:
获得所述图像采集装置拍摄得到的至少一帧输送带图像;其中,所述图像采集装置包括至少一个本安线阵电荷耦合器件相机;
若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象;
若至少一帧所述输送带图像存在图像模糊现象,控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗;
针对每一帧所述输送带图像,根据所述输送带图像的灰度,计算得到所述输送带图像的光照分布,并根据所述输送带图像的光照分布矫正所述输送带图像;
当所述输送带图像的数量大于1时,基于每一帧所述输送带图像的关键像素点拼接每一帧所述输送带图像,得到全局输送带图像,并对所述全局输送带图像进行压缩,得到压缩后的输送带图像;
当所述输送带图像的数量为1时,对所述输送带图像进行压缩,得到压缩后的输送带图像;
利用用于纵向撕裂检测的神经网络检测所述压缩后的输送带图像是否存在纵向撕裂;其中,所述用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;所述纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像;
若所述压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。
可选的,所述若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象,包括:
若前一次执行图像质量检测的时刻至当前时刻之间的时长大于质量检测阈值,确定所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象;
可选的,所述清洗装置包括喷气装置和喷水装置;
其中,所述控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗,包括:
控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制所述喷气装置停止喷射气流,并控制所述喷水装置向所述摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制所述喷水装置停止喷射水流,并再次控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制所述喷气装置停止喷射气流,完成对所述摄像装置的清洗。
可选的,所述执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象,包括:
针对每一帧所述输送带图像,提取所述输送带图像中目标物体的边界,并计算所述输送带图像的清晰度;
针对每一帧所述输送带图像,若所述输送带图像中目标物体的边界不完整,或者所述输送带图像的清晰度小于清晰度阈值,检测出所述输送带图像存在图像模糊现象。
可选的,所述对所述全局输送带图像进行压缩,得到压缩后的输送带图像,包括:
从所述全局输送带图像中删除图像重叠区域的冗余数据;
识别出所述全局输送带图像中的目标区域和非目标区域;其中,所述目标区域指代所述全局输送带图像中可能存在纵向撕裂的区域;所述非目标区域指代所述全局输送图像中除所述目标区域以外的区域;
基于第一压缩比率压缩所述目标区域内的数据,并基于第二压缩比率压缩所述非目标区域的数据;其中,所述第一压缩比率小于所述第二压缩比率。
本申请还提供一种输送带纵向撕裂的检测装置,适用于输送带纵向撕裂的检测系统,所述检测系统包括用于拍摄输送带的图像采集装置,所述检测方法包括:
通信单元,用于获得所述图像采集装置拍摄得到的至少一帧输送带图像;其中,所述图像采集装置包括至少一个本安线阵电荷耦合器件相机;
第一检测单元,用于若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象;
清洗单元,用于若至少一帧所述输送带图像存在图像模糊现象,控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗;
矫正单元,用于针对每一帧所述输送带图像,根据所述输送带图像的灰度,计算得到所述输送带图像的光照分布,并根据所述输送带图像的光照分布矫正所述输送带图像;
拼接单元,用于当所述输送带图像的数量大于1时,基于每一帧所述输送带图像的关键像素点拼接每一帧所述输送带图像,得到全局输送带图像;
压缩单元,用于当所述输送带图像的数量大于1时,对所述全局输送带图像进行压缩,得到压缩后的输送带图像;
所述压缩单元,用于当所述输送带图像的数量为1时,对所述输送带图像进行压缩,得到压缩后的输送带图像;
第二检测单元,用于利用用于纵向撕裂检测的神经网络检测所述压缩后的输送带图像是否存在纵向撕裂;其中,所述用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;所述纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像;
报警单元,用于若所述压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。
可选的,所述第一检测单元若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象时,具体用于:
若前一次执行图像质量检测的时刻至当前时刻之间的时长大于质量检测阈值,确定所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象。
可选的,所述清洗装置包括喷气装置和喷水装置;
其中,所述清洗单元控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗时,具体用于:
控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制所述喷气装置停止喷射气流,并控制所述喷水装置向所述摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制所述喷水装置停止喷射水流,并再次控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制所述喷气装置停止喷射气流,完成对所述摄像装置的清洗。
可选的,所述第一检测单元执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象时,具体用于:
针对每一帧所述输送带图像,提取所述输送带图像中目标物体的边界,并计算所述输送带图像的清晰度;
针对每一帧所述输送带图像,若所述输送带图像中目标物体的边界不完整,或者所述输送带图像的清晰度小于清晰度阈值,检测出所述输送带图像存在图像模糊现象。
可选的,所述压缩单元对所述全局输送带图像进行压缩,得到压缩后的输送带图像时,具体用于:
从所述全局输送带图像中删除图像重叠区域的冗余数据;
识别出所述全局输送带图像中的目标区域和非目标区域;其中,所述目标区域指代所述全局输送带图像中可能存在纵向撕裂的区域;所述非目标区域指代所述全局输送图像中除所述目标区域以外的区域;
基于第一压缩比率压缩所述目标区域内的数据,并基于第二压缩比率压缩所述非目标区域的数据;其中,所述第一压缩比率小于所述第二压缩比率。
本申请提供一种输送带纵向撕裂的检测方法和装置,适用于输送带纵向撕裂的检测系统,检测系统包括用于拍摄输送带的图像采集装置,检测方法包括:获得输送带图像;若图像采集装置符合图像质量检测条件,检测每一帧输送带图像是否存在图像模糊现象;若存在图像模糊现象,控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗;对输送带图像进行矫正,拼接和压缩,得到压缩后的输送带图像;利用用于纵向撕裂检测的神经网络检测压缩后的输送带图像是否存在纵向撕裂;若存在纵向撕裂,输出纵向撕裂报警信号。本方案在输送带图像存在图像模糊现象时及时清洗摄像装置,确保拍摄的输送带图像具有较高的图像质量,从而提高检测结果的准确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种输送带纵向撕裂的检测系统的结构示意图;
图2为本申请实施例提供的一种输送带纵向撕裂的检测方法的流程图;
图3为本申请实施例提供的一种输送带纵向撕裂的检测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,输送带纵向撕裂可通过电磁传感器进行检测,还可以通过压力、激光光幕、红外温度传感器等进行检测。通过检测输送带的物料泄露、橡胶脱落或温度变化等状态,判断纵向撕裂故障,目前主要的检测设备包括漏料检测装置、渔线式检测装置、测振式检测装置、金属线圈检测器、磁性橡胶检测器、压辊式检测器、激光光幕检测器、红外测温仪等。这些方法或者存在准确性和可靠性差,或者具有易损坏等缺点。迄今为止,还没有一种准确、可靠的纵向撕裂检测系统和方法能在实际生产中得到有效应用。
本发明的目的是为解决现有输送带纵向撕裂检测实用性差的问题,提供一种基于线阵相机和LED光源的输送带纵向撕裂检测方法及系统,用于输送带纵向撕裂故障的在线检测。
本申请所提供的输送带纵向撕裂的检测方法,可以适用于如图1所示的输送带纵向撕裂的检测系统,请参考图1,该检测系统包括:
本安线阵CCD(charge coupled device,电荷耦合器件)相机1至3,每一个本安线阵CCD相机均对应的配置有一个本安LED光源和一个隔爆清洗装置(即图1所示的隔爆清洗装置1至3)。
上述三个隔爆清洗装置(以下简称清洗装置)均与隔爆控制器连接,隔爆控制器,和每一个本安线阵CCD相机(以下简称摄像机)均与本安交换机连接,本安交换机和图像处理器连接,并且通过以太网接入纵向撕裂检测器,纵向撕裂检测器又和报警器连接。
其中,本安LED光源用于为对应的摄像机提供拍摄所需的光照。当环境中光照充足时,光源可以保持关闭,由摄像机直接对输送带进行拍摄,得到输送带图像,当环境中光照不足时,光源可以打开,照射相应位置的输送带,以便为摄像机提供足够的光照强度,实现补光。
上述输送带纵向撕裂的检测系统中的所有器件,均由图1所示的本安兼隔爆电源供电。
该检测系统中,本安和隔爆是指各个器件所具有的特性。
本安,是本质安全型的简称,若通过设计等手段使一个器件本身具有安全性,即使在误操作或发生故障的情况下也不会造成事故,则该器件就称为本质安全型器件,简称本安器件。
隔爆,是指一种防爆电气设备结构,具体来说,若把一个器件中可能点燃爆炸性气体混合物的部件全部封闭在一个外壳内,且该外壳能够承受内部发生爆炸而不损坏,则称该器件为隔爆型器件,简称隔爆器件。
需要说明的是,图1所示的系统仅仅是本申请提供的输送带纵向撕裂的检测系统的一个具体实例,在本申请其他实施例中,系统中设置的摄像机的数量可以根据具体情况进行调整,而不限制于3个,例如检测系统中可以只设置一个摄像机,也可以设置5个或更多摄像机,同时,由于光源和清洗装置均是和摄像机对应配置的,即每有一个摄像机,就为该摄像机配置一个光源和一个清洗装置,所以光源和清洗装置的数量也可以对应调整,而不限于3个。
上述检测系统中,所有摄像机,以及摄像机配套的光源和清洗装置,构成该系统的图像采集装置,交换机和以太网构成该系统的通信链路,隔爆控制器,纵向撕裂检测器和图像处理器,则构成该系统的输送带纵向撕裂的检测装置(以下简称检测装置)。
本安线阵CCD相机用于采集输送带运行的图像信息;
隔爆清洗装置用于对本安LED光源和本安线阵CCD相机进行清洗,该装置包括喷气装置和喷水装置,先用喷气装置喷出一定速度的气流,吹走本安LED光源装置和本安线阵CCD相机装置上面的灰尘,然后用喷水装置喷出一定速度的水流对本安LED光源装置和本安线阵CCD相机装置进行清洗,再用喷气装置喷出一定速度的气流,将本安LED光源装置和本安线阵CCD相机装置吹洗干净;
隔爆控制器用于控制本安兼隔爆电源和隔爆清洗装置的开启与关闭,并与本安交换机进行通信,接收来自本安交换机的信号;
本安兼隔爆电源用于为本安LED光源、本安线阵CCD相机和本安交换机提供电源,所述的本安兼隔爆电源可以为本安LED光源、本安线阵CCD相机和本安交换机供电。
图像处理器用于对本安线阵CCD相机采集的输送带图像进行处理,所述的图像处理包括矫正、拼接、增强和压缩;
本安交换机用于连接本安线阵CCD相机、隔爆控制器、图像处理器和以太网,实现隔爆控制器、本安线阵CCD相机和图像处理器和以太网的通信和数据传输,还可以实现本安线阵CCD相机和图像处理器之间进行通信和数据传输,通过本安交换机可以将图像处理器处理后的图像经以太网传输到纵向撕裂检测器;
以太网用于连接纵向撕裂检测器和本安交换机,实现纵向撕裂检测器和本安交换机之间的通信和数据传输;
纵向撕裂检测器用于从采集的图像中检测输送带是否发生纵向撕裂,当检测到输送带发生纵向撕裂后,向报警器发出报警信号,当检测到输送带图像模糊后,向隔爆清洗装置发送清洗信号;
报警器用于当纵向撕裂检测器检测到输送带发生纵向撕裂时,接收到向撕裂检测器的报警信号后进行报警。
上述检测系统的工作原理简述如下:
在隔爆控制器的控制下开启本安兼隔爆电源和隔爆清洗装置,本安兼隔爆电源为本安LED光源、本安线阵CCD相机和本安交换机提供电源,在本安LED光源的照射下,本安线阵CCD相机实时采集输送带运行的图像信息;采集的图像经交换机传送到图像处理器,图像处理器进行矫正、拼接、增强和压缩处理后,通过以太网传输到纵向撕裂检测器进行故障检测;纵向撕裂检测器对纵向撕裂故障进行识别,当检测到输送带发生纵向撕裂后,向报警器发出报警信号,报警器报警,纵向撕裂检测器还对图像质量进行评估,当纵向撕裂检测器检测到输送带图像模糊后,向隔爆控制器发送清洗信号用隔爆清洗装置对本安LED光源和本安线阵CCD相机进行清洗,以保证采集图像的质量。
请参考图2,结合前述输送带纵向撕裂的检测系统,本申请实施例提供一种输送带纵向撕裂的检测方法,下述方法,也可以理解为图1所示的输送带纵向撕裂的检测系统的工作原理,该方法可以包括如下步骤:
S201、获得图像采集装置拍摄得到的至少一帧输送带图像。
如前文所述,图像采集装置可以包含一个或多个摄像机,步骤S201中获得的输送带图像的数量,就等于图像采集装置包含的摄像机的数量,以图1中的三个摄像机为例,每次执行步骤S201时,就可以分别获得三个摄像机拍摄得到的三帧输送带图像,这三帧输送带图像由三个摄像机对输送带的三个不同位置拍摄得到。
步骤S201可以理解为,图1所示的纵向撕裂检测器通过以太网和本安交换机接收各个摄像机拍摄得到的输送带图像。
S202、判断图像采集装置是否符合图像质量检测条件。
若图像采集装置符合图像质量检测条件,则执行步骤S203,反之,若图像采集装置不符合图像质量检测条件,则执行步骤S205。
其中,图像质量检测条件,可以是,每经过一个质量检测阈值的时长,就执行一次图像质量检测,质量检测阈值可以根据实际情况设定,如可以设定为3秒,相应的,图像质量检测条件就是每经过3秒需要执行一次图像质量检测。
基于上述图像质量检测条件,步骤S202具体可以包括:
判断前一次执行图像质量检测的时刻至当前时刻之间的时长是否大于质量检测阈值,若时长大于质量检测阈值,则判断出图像采集装置符合图像质量检测条件,反之,若时长不大于质量检测阈值,则判断出图像采集装置不符合图像质量检测条件,因此不需要对本次获得的输送带图像执行图像质量检测。
可选的,图像质量检测条件也可以是,每次拍摄得到新的输送带图像,就需要执行一次图像质量检测,也就是说,本实施例每次执行时,均需要对本次获得的输送带图像执行图像质量检测。
S203、执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象。
若检测出至少一帧输送带图像存在图像模糊现象,则执行步骤S204,若检测出本次拍摄得到的每一帧输送带图像均不存在图像模糊现象,则执行步骤S205。
步骤S203中具体的图像质量检测方法可以是:
针对每一帧输送带图像,提取输送带图像中目标物体的边界,并计算输送带图像的清晰度;
针对每一帧输送带图像,若输送带图像中目标物体的边界不完整,或者输送带图像的清晰度小于清晰度阈值,检测出输送带图像存在图像模糊现象。
相对的,对于一帧输送带图像,若其中目标物体的边界完整,并且该输送带图像的清晰度大于清晰度阈值,则检测出这一帧输送带图像不存在图像模糊现象。
上述目标物体,可以是输送带本身,也可以是输送带上运载的货物,还可以是输送带上附属的零部件等。
步骤S202和步骤S203均可以由图1所示的纵向撕裂检测器执行。
可选的,当步骤S203中判断出有一帧或多帧输送带图像存在图像模糊现象时,可以直接删除本次获取到的所有输送带图像,并结束本实施例,等待下一次从图像采集装置获得输送带图像,以避免利用这些模糊的输送带图像进行纵向撕裂检测时发生误判。
S204、控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗。
步骤S204,可以是,纵向撕裂检测器在发现本次获取到的一帧或多帧输送带图像存在图像模糊现象之后,向图1所示的隔爆控制器发送清洗信号,隔爆控制器收到清洗信号后,可以计时控制图1中的清洗装置对摄像装置进行清洗,即执行步骤S204。
可选的,步骤S204中的对摄像装置进行清洗,可以是仅清洗摄像机(即图1所示的本安线阵CCD相机),也可以是清洗摄像机和光源(即图1所示的本安LED光源)。
需要说明的是,步骤S204中的清洗,是对拍摄得到的输送带图像存在图像模糊现象的那些摄像装置进行清洗,对于拍摄的输送带图像不存在图像模糊现象的摄像装置则不需要清洗。
以图1为例,图1的三个摄像机分别拍摄得到三帧输送带图像并发送给纵向撕裂检测器,经图像质量检测,发现其中摄像机1和3拍摄的输送带图像存在图像模糊现象,而摄像机2拍摄的输送带图像不存在图像模糊现象,那么步骤S204可以是,控制摄像机1对应的清洗装置1对摄像机1进行清洗,并控制摄像机3对应的清洗装置3对摄像机3进行清洗。
具体的,图1所示的每一个清洗装置均可以包括喷气装置和喷水装置。
在此基础上,控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗,具体可以包括:
控制喷气装置向摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制喷气装置停止喷射气流,并控制喷水装置向摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制喷水装置停止喷射水流,并再次控制喷气装置向摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制喷气装置停止喷射气流,完成对摄像装置的清洗。
可选的,上述对摄像机喷射气流和水流,具体可以是对摄像机的镜头喷射气流和水流。
上述第一时长,第二时长和第三时长可以相等,也可以不等,例如,第一时长,第二时长和第三时长可以均设置为1秒,相应的,步骤S204中对摄像装置的清洗,可以是,向摄像机的镜头喷射气流1秒,然后喷射水流1秒,最后再喷射气流1秒,然后完成对该摄像机的清洗。
可选的,当一个摄像机在被清洗时,该摄像机可以暂停拍摄输送带图像,直至清洗完成后再继续拍摄输送带图像。
S205、针对每一帧输送带图像,根据输送带图像的灰度,计算得到输送带图像的光照分布,并根据输送带图像的光照分布矫正输送带图像。
对于一帧输送带图像,可以先求出这一输送带图像的灰度列均值,然后对列均值数据进行分析,从中找到各列均值数据变化的趋势,进而统计生成拟合曲线,以拟合曲线作为光照分布曲线,近似估计光照分布情况,拟合过程可以采用多项式最小二乘法等方法。
请参考下述公式,输送带图像中每一列像素j均可以计算得到这一列的一个灰度列均值b(j):
上述公式中,f(i,j)表示输送带图像中第i行第j列的像素的灰度值,N2表示输送带图像中的终止行,也就是最后一行,N1表示输送带图像的起始行,也就是第一行,(N2-N1+1)表示输送带图像的总行数,m表示输送带图像的总列数。
在计算得到每一列的灰度列均值b(j)后,可以据此估计出每一列的光照强度g(j),并利用每一列的光照强度g(j)矫正输送带图像中每一个像素点的像素值f(i,j):
f(i,j)1=k×f(i,j)×g(j)
上述公式中,k是预设的调整系数,f(i,j)表示输送带图像中第i行第j列的像素点原本的灰度值,f(i,j)1表示输送带图像中第i行第j列的像素点被矫正后的灰度值,其中,k的取值需要满足矫正后的像素值不大于255的条件,可以通过k的取值对输送带图像整体亮度进行灵活调整。
当一个输送带图像中的所有像素的灰度值均按照上述公式矫正之后,就完成了对这个输送带图像的矫正。
可选的,在完成对输送带图像的矫正之后,还可以采用图像增强算法对输送带图像进行增强,以进一步提高输送带图像的质量。
S206、对输送带图像进行拼接和压缩,得到压缩后的输送带图像。
如前文所述,本申请所提供的输送带纵向撕裂的检测系统中,图像采集装置可以包括一个或多个摄像机,当仅包括一个摄像机时,在每一个采样时刻拍摄得到的输送带图像就只有一帧,即步骤S201中获得的输送带图像的数量为一帧,这种情况下,步骤S206中就不需要执行拼接的步骤,直接对这一帧输送带图像进行压缩即可。
相对的,若图像采集装置包括多个摄像机,则每一个采样时刻多个摄像机可以拍摄得到多帧输送带图像,此时,步骤S206中就需要依次执行拼接和压缩两个动作,得到压缩后的输送带图像。
也就是说,步骤S206具体可以包括:
当输送带图像的数量大于1时,基于每一帧输送带图像的关键像素点拼接每一帧输送带图像,得到全局输送带图像,并对全局输送带图像进行压缩,得到压缩后的输送带图像;
当输送带图像的数量为1时,对输送带图像进行压缩,得到压缩后的输送带图像。
当图像采集装置中有多个摄像机时,可以基于尺度不变特征点方法将多个摄像头采集的多帧输送带图像进行拼接,得到全局输送带图像。
具体的拼接过程可以是:采用加速稳健特征(Speeded Up RobustFeatures,Surf)算法从每一帧输送带图像中提取出这一帧图像的多个关键点和每一个关键点的特征向量。提取关键点和关键点的特征向量可以通过如下四个步骤实现:检测图像的尺度空间极值;精炼关键点位置;计算关键点的描述信息;根据关键点的描述信息,生成描述关键点的特征向量。
在获得关键点的特征向量之后,可以采用随机抽样一致(Random sampleconsensus,RANSAC)算法,基于各个关键点的特征向量对本次获得的多帧输送带图像进行图像配准,通过在各个输送带图像的关键点之间建立匹配关系,对各个输送带图像构建变换矩阵,然后基于变换矩阵将本次获得的多帧输送带图像合并,最后采用快速简单的加权平滑算法处理合并后的图像中拼接缝问题,最终获得多帧输送带图像拼接得到的全局输送带图像。
步骤S206中,对全局输送带图像进行压缩,得到压缩后的输送带图像,可以包括:
从全局输送带图像中删除图像重叠区域的冗余数据;
识别出全局输送带图像中的目标区域(即感兴趣部分)和非目标区域(即不感兴趣部分);其中,目标区域指代全局输送带图像中可能存在纵向撕裂的区域;非目标区域指代全局输送图像中除目标区域以外的区域;
基于第一压缩比率压缩目标区域内的数据,并基于第二压缩比率压缩非目标区域的数据;其中,第一压缩比率小于第二压缩比率。通过对目标区域和非目标区域采用不同的压缩比率,可以达到最大程度压缩的目的。
当检测系统中仅设置一个摄像机时,步骤S206就是直接对一帧输送带图像进行压缩,此时不需要执行前述对全局输送带图像的压缩过程中,删除图像重叠区域的冗余数据的步骤,只需要在这一帧输送带图像中识别出目标区域和非目标区域,然后按不同压缩比率进行压缩即可。
输送带图像中的目标区域和非目标区域可以根据输送带图像特点进行判断,具体来说,可以先计算出某一区域内每一行像素点的像素均值,然后对多个像素均值求均方差,根据均方差大小进行判断。
对于某一区域,若按上述方法计算得到的均方差大于设定的均方差阈值T,就认为该区域疑似存在故障,将该区域表示为目标区域,反之,若该区域的均方差不大于均方差阈值,就将该区域标识为非目标区域。
步骤S205和步骤S206可以由图1所示的系统中的图像处理器执行。
S207、利用用于纵向撕裂检测的神经网络检测压缩后的输送带图像是否存在纵向撕裂。
其中,用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像。
若检测出压缩后的输送带图像存在纵向撕裂,则执行步骤S208,反之,若检测出压缩后的输送带图像不存在纵向撕裂,则本次检测结束。
步骤S207中的用于纵向撕裂检测的神经网络可以通过如下方式构建:
首先构建纵向撕裂样本库,该纵向撕裂样本库即包括纵向撕裂图像,即存在纵向撕裂的输送带的图像,也包括不存在纵向撕裂的输送带的图像,然后搭建深层卷积神经网络;用纵向撕裂样本库对搭建的深层卷积神经网络进行训练,即利用搭建的深层卷积神经网络学习纵向撕裂样本库中的知识,学习输送带图像中纵向撕裂的特征规律,训练结束后,该深层卷积神经网络,就成为前述用于纵向撕裂检测的神经网络,最后在步骤S207中,就可以利用训练好的用于纵向撕裂检测的神经网络对压缩后的输送带图像进行处理,自动识别纵向撕裂故障。
在实际的应用场景中,图1所示的纵向撕裂检测器,可以认为是一个能够运行计算机程序的一个处理器,而步骤S207中提及的用于纵向撕裂检测的神经网络,可以视为一个在纵向撕裂检测器上运行的,可以用于处理输送带图像的计算机程序。该程序中的各项参数可以在前述训练过程中确定,对神经网络的训练结束,就相当于为这一程序确定并设置了一组较优的参数。
由此,纵向撕裂检测器在收到压缩后的输送带图像后,可以将压缩后的输送带图像输入至自身运行的计算机程序,即输入至用于纵向撕裂检测的神经网络中,经过处理后,用于纵向撕裂检测的神经网络就会输出一个检测结果,该检测结果用于指示输入的输送带图像中是否存在纵向撕裂。
例如,输出的检测结果可以是一个0到1范围内的数值,数值越大,表示输入的输送带图像存在纵向撕裂的概率越大,当这一数值超过一定的报警阈值时,纵向撕裂检测器就认为输入的输送带图像存在纵向撕裂,进而执行步骤S208。
S208、输出纵向撕裂报警信号。
步骤S207和步骤S208均可以由图1所示的纵向撕裂检测器执行,具体的,纵向撕裂检测器可以在发现纵向撕裂后,控制图1所示的报警器输出报警信号。
需要说明的是,图2所示的流程仅仅是在输送带运行过程中,针对某一个采样时刻执行的一次检测流程,在实际应用场景中,如前文所述,可以每隔一定时间(如每隔0.5s)设置一个采样时刻,在对当前采样时刻拍摄得到的输送带图像检测结束后,可以进入下一个采样时刻,然后重复如图2所示的实施例的流程,检测下一个采样时刻拍摄得到的输送带图像是否存在纵向撕裂,也就是说,图2所示的流程可以在输送带运行过程中每隔一定时间执行一次,从而在输送带运行过程中实时的检测输送带是否发生纵向撕裂。
可选的,若从本次获得的输送带图像中检测出存在纵向撕裂,可以立即控制输送带停止工作,待维护人员完成相应的维护后再重启输送带。
在本安LED光源的照射下,利用若干个本安线阵CCD相机实时采集输送带运行的图像信息;每个本安线阵CCD相机采集的图像汇集到图像处理器,经图像处理器进行矫正、增强后,再进行拼接处理,拼接后在压缩处理,最后通过以太网络传输到纵向撕裂检测器进行故障检测;纵向撕裂检测器对纵向撕裂故障进行识别,当检测到输送带发生纵向撕裂后,向报警器发出报警信号,报警器报警,纵向撕裂检测器还对图像质量进行评估,当纵向撕裂检测器检测到输送带图像模糊后,向隔爆控制器发送清洗信号用隔爆清洗装置对本安LED光源和本安线阵CCD相机进行清洗,以保证采集图像的质量。
本发明利用机器视觉技术在线检测输送带的纵向撕裂故障,可以实现输送带纵向撕裂故障的无接触、实时检测。本发明的纵向撕裂检测系统具有智能化、自动化水平高、操作简单等特点,能够及时发现输送带出现的纵向撕裂故障,及时制止故障的蔓延,有助于输送带的及时维修,具有广阔的应用前景。
结合前述实施例提供的输送带纵向撕裂的检测方法,本申请实施例还提供一种纵向输送带撕裂的检测装置,如前文所述,该检测装置可以包括图1所示的隔爆控制器,纵向撕裂检测器和图像处理器,请参考图3,该检测装置可以划分为如下单元:
通信单元301,用于获得图像采集装置拍摄得到的至少一帧输送带图像。
其中,图像采集装置包括至少一个本安线阵电荷耦合器件相机。
第一检测单元302,用于若图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象。
清洗单元303,用于若至少一帧输送带图像存在图像模糊现象,控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗。
矫正单元304,用于针对每一帧输送带图像,根据输送带图像的灰度,计算得到输送带图像的光照分布,并根据输送带图像的光照分布矫正输送带图像。
拼接单元305,用于当输送带图像的数量大于1时,基于每一帧输送带图像的关键像素点拼接每一帧输送带图像,得到全局输送带图像;
压缩单元306,用于:
当输送带图像的数量大于1时,对全局输送带图像进行压缩,得到压缩后的输送带图像;
当输送带图像的数量为1时,对输送带图像进行压缩,得到压缩后的输送带图像。
第二检测单元307,用于利用用于纵向撕裂检测的神经网络检测压缩后的输送带图像是否存在纵向撕裂。
其中,用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像。
报警单元308,用于若压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。
可选的,第一检测单元302若图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象时,具体用于:
若前一次执行图像质量检测的时刻至当前时刻之间的时长大于质量检测阈值,确定图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象。
可选的,清洗装置包括喷气装置和喷水装置;
其中,清洗单元303控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗时,具体用于:
控制喷气装置向摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制喷气装置停止喷射气流,并控制喷水装置向摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制喷水装置停止喷射水流,并再次控制喷气装置向摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制喷气装置停止喷射气流,完成对摄像装置的清洗。
可选的,第一检测单元302执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象时,具体用于:
针对每一帧输送带图像,提取输送带图像中目标物体的边界,并计算输送带图像的清晰度;
针对每一帧输送带图像,若输送带图像中目标物体的边界不完整,或者输送带图像的清晰度小于清晰度阈值,检测出输送带图像存在图像模糊现象。
可选的,压缩单元306对全局输送带图像进行压缩,得到压缩后的输送带图像时,具体用于:
从全局输送带图像中删除图像重叠区域的冗余数据;
识别出全局输送带图像中的目标区域和非目标区域;其中,目标区域指代全局输送带图像中可能存在纵向撕裂的区域;非目标区域指代全局输送图像中除目标区域以外的区域;
基于第一压缩比率压缩目标区域内的数据,并基于第二压缩比率压缩非目标区域的数据;其中,第一压缩比率小于第二压缩比率。
上述各个单元中,通信单元,第一检测单元,第二检测单元和报警单元可以认为是图1所示的纵向撕裂检测器中用于执行对应功能的虚拟单元,清洗单元可以认为是图1所示的隔爆控制装置,矫正单元,拼接单元和压缩单元可以认为是图1所示的图像处理器中用于执行对应功能的虚拟单元。
本申请实施例所提供的输送带纵向撕裂的检测装置的具体工作原理,可以参考本申请所提供的输送带纵向撕裂的检测方法中的相关步骤,此处不再赘述。
本申请提供一种输送带纵向撕裂的检测装置,其中,通信单元301用于获得图像采集装置拍摄得到的至少一帧输送带图像;其中,图像采集装置包括至少一个本安线阵电荷耦合器件相机;第一检测单元302,用于若图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧输送带图像是否存在图像模糊现象;清洗单元303,用于若至少一帧输送带图像存在图像模糊现象,控制图像采集装置中的清洗装置对图像采集装置的摄像装置进行清洗;矫正单元304,用于针对每一帧输送带图像,根据输送带图像的灰度,计算得到输送带图像的光照分布,并根据输送带图像的光照分布矫正输送带图像;拼接单元305,用于当输送带图像的数量大于1时,基于每一帧输送带图像的关键像素点拼接每一帧输送带图像,得到全局输送带图像;压缩单元306,用于当输送带图像的数量大于1时,对全局输送带图像进行压缩,得到压缩后的输送带图像;压缩单元306,用于当输送带图像的数量为1时,对输送带图像进行压缩,得到压缩后的输送带图像;第二检测单元307,用于利用用于纵向撕裂检测的神经网络检测压缩后的输送带图像是否存在纵向撕裂;其中,用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像;报警单元308,用于若压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。本方案在输送带图像存在图像模糊现象时及时清洗摄像装置,确保拍摄的输送带图像具有较高的图像质量,从而提高检测结果的准确度。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
需要注意,本发明中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种输送带纵向撕裂的检测方法,其特征在于,适用于输送带纵向撕裂的检测系统,所述检测系统包括用于拍摄输送带的图像采集装置,所述检测方法包括:
获得所述图像采集装置拍摄得到的至少一帧输送带图像;其中,所述图像采集装置包括至少一个本安线阵电荷耦合器件相机;
若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象;
若至少一帧所述输送带图像存在图像模糊现象,控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗;
针对每一帧所述输送带图像,根据所述输送带图像的灰度,计算得到所述输送带图像的光照分布,并根据所述输送带图像的光照分布矫正所述输送带图像;
当所述输送带图像的数量大于1时,基于每一帧所述输送带图像的关键像素点拼接每一帧所述输送带图像,得到全局输送带图像,并对所述全局输送带图像进行压缩,得到压缩后的输送带图像;
当所述输送带图像的数量为1时,对所述输送带图像进行压缩,得到压缩后的输送带图像;
利用用于纵向撕裂检测的神经网络检测所述压缩后的输送带图像是否存在纵向撕裂;其中,所述用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;所述纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像;
若所述压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。
2.根据权利要求1所述的检测方法,其特征在于,所述若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象,包括:
若前一次执行图像质量检测的时刻至当前时刻之间的时长大于质量检测阈值,确定所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象。
3.根据权利要求1或2所述的检测方法,其特征在于,所述清洗装置包括喷气装置和喷水装置;
其中,所述控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗,包括:
控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制所述喷气装置停止喷射气流,并控制所述喷水装置向所述摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制所述喷水装置停止喷射水流,并再次控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制所述喷气装置停止喷射气流,完成对所述摄像装置的清洗。
4.根据权利要求3所述的检测方法,其特征在于,所述执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象,包括:
针对每一帧所述输送带图像,提取所述输送带图像中目标物体的边界,并计算所述输送带图像的清晰度;
针对每一帧所述输送带图像,若所述输送带图像中目标物体的边界不完整,或者所述输送带图像的清晰度小于清晰度阈值,检测出所述输送带图像存在图像模糊现象。
5.根据权利要求1所述的检测方法,其特征在于,所述对所述全局输送带图像进行压缩,得到压缩后的输送带图像,包括:
从所述全局输送带图像中删除图像重叠区域的冗余数据;
识别出所述全局输送带图像中的目标区域和非目标区域;其中,所述目标区域指代所述全局输送带图像中可能存在纵向撕裂的区域;所述非目标区域指代所述全局输送图像中除所述目标区域以外的区域;
基于第一压缩比率压缩所述目标区域内的数据,并基于第二压缩比率压缩所述非目标区域的数据;其中,所述第一压缩比率小于所述第二压缩比率。
6.一种输送带纵向撕裂的检测装置,其特征在于,适用于输送带纵向撕裂的检测系统,所述检测系统包括用于拍摄输送带的图像采集装置,所述检测方法包括:
通信单元,用于获得所述图像采集装置拍摄得到的至少一帧输送带图像;其中,所述图像采集装置包括至少一个本安线阵电荷耦合器件相机;
第一检测单元,用于若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象;
清洗单元,用于若至少一帧所述输送带图像存在图像模糊现象,控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗;
矫正单元,用于针对每一帧所述输送带图像,根据所述输送带图像的灰度,计算得到所述输送带图像的光照分布,并根据所述输送带图像的光照分布矫正所述输送带图像;
拼接单元,用于当所述输送带图像的数量大于1时,基于每一帧所述输送带图像的关键像素点拼接每一帧所述输送带图像,得到全局输送带图像;
压缩单元,用于当所述输送带图像的数量大于1时,对所述全局输送带图像进行压缩,得到压缩后的输送带图像;
所述压缩单元,用于当所述输送带图像的数量为1时,对所述输送带图像进行压缩,得到压缩后的输送带图像;
第二检测单元,用于利用用于纵向撕裂检测的神经网络检测所述压缩后的输送带图像是否存在纵向撕裂;其中,所述用于纵向撕裂检测的神经网络是利用纵向撕裂样本库训练得到的卷积神经网络;所述纵向撕裂样本库包括多张存在纵向撕裂的输送带图像,和多张不存在纵向撕裂的输送带图像;
报警单元,用于若所述压缩后的输送带图像存在纵向撕裂,输出纵向撕裂报警信号。
7.根据权利要求6所述的检测装置,其特征在于,所述第一检测单元若所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象时,具体用于:
若前一次执行图像质量检测的时刻至当前时刻之间的时长大于质量检测阈值,确定所述图像采集装置符合图像质量检测条件,执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象。
8.根据权利要求6或7所述的检测装置,其特征在于,所述清洗装置包括喷气装置和喷水装置;
其中,所述清洗单元控制所述图像采集装置中的清洗装置对所述图像采集装置的摄像装置进行清洗时,具体用于:
控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第一时长后,控制所述喷气装置停止喷射气流,并控制所述喷水装置向所述摄像装置喷射水流;
在喷射水流的时长达到预设的第二时长后,控制所述喷水装置停止喷射水流,并再次控制所述喷气装置向所述摄像装置喷射气流;
在喷射气流的时长达到预设的第三时长后,控制所述喷气装置停止喷射气流,完成对所述摄像装置的清洗。
9.根据权利要求8所述的检测装置,其特征在于,所述第一检测单元执行图像质量检测,以检测每一帧所述输送带图像是否存在图像模糊现象时,具体用于:
针对每一帧所述输送带图像,提取所述输送带图像中目标物体的边界,并计算所述输送带图像的清晰度;
针对每一帧所述输送带图像,若所述输送带图像中目标物体的边界不完整,或者所述输送带图像的清晰度小于清晰度阈值,检测出所述输送带图像存在图像模糊现象。
10.根据权利要求6所述的检测装置,其特征在于,所述压缩单元对所述全局输送带图像进行压缩,得到压缩后的输送带图像时,具体用于:
从所述全局输送带图像中删除图像重叠区域的冗余数据;
识别出所述全局输送带图像中的目标区域和非目标区域;其中,所述目标区域指代所述全局输送带图像中可能存在纵向撕裂的区域;所述非目标区域指代所述全局输送图像中除所述目标区域以外的区域;
基于第一压缩比率压缩所述目标区域内的数据,并基于第二压缩比率压缩所述非目标区域的数据;其中,所述第一压缩比率小于所述第二压缩比率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268358.2A CN112991292A (zh) | 2021-03-12 | 2021-03-12 | 输送带纵向撕裂的检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268358.2A CN112991292A (zh) | 2021-03-12 | 2021-03-12 | 输送带纵向撕裂的检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112991292A true CN112991292A (zh) | 2021-06-18 |
Family
ID=76335053
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268358.2A Pending CN112991292A (zh) | 2021-03-12 | 2021-03-12 | 输送带纵向撕裂的检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112991292A (zh) |
Citations (8)
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 |
CN106315162A (zh) * | 2016-10-24 | 2017-01-11 | 天津工业大学 | 一种输送带纵向撕裂检测装置 |
CN107610116A (zh) * | 2017-09-15 | 2018-01-19 | 天津工业大学 | 输送带故障在线检测非均匀光照图像校正方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109335575A (zh) * | 2018-11-23 | 2019-02-15 | 河北省机电体化中试基地 | 一种用于大型输送皮带纵向撕裂检测装置及方法 |
CN109409368A (zh) * | 2018-11-06 | 2019-03-01 | 天地(常州)自动化股份有限公司 | 矿用皮带纵撕检测装置及检测方法 |
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 |
CN111064870A (zh) * | 2019-12-13 | 2020-04-24 | 深圳拓邦股份有限公司 | 视觉机器人的镜头清洁方法、控制装置及存储介质 |
-
2021
- 2021-03-12 CN CN202110268358.2A patent/CN112991292A/zh active Pending
Patent Citations (8)
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 |
CN106315162A (zh) * | 2016-10-24 | 2017-01-11 | 天津工业大学 | 一种输送带纵向撕裂检测装置 |
CN107610116A (zh) * | 2017-09-15 | 2018-01-19 | 天津工业大学 | 输送带故障在线检测非均匀光照图像校正方法 |
CN109305534A (zh) * | 2018-10-25 | 2019-02-05 | 安徽理工大学 | 基于计算机视觉的煤码头带式输送机自适应控制方法 |
CN109409368A (zh) * | 2018-11-06 | 2019-03-01 | 天地(常州)自动化股份有限公司 | 矿用皮带纵撕检测装置及检测方法 |
CN109335575A (zh) * | 2018-11-23 | 2019-02-15 | 河北省机电体化中试基地 | 一种用于大型输送皮带纵向撕裂检测装置及方法 |
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 |
CN111064870A (zh) * | 2019-12-13 | 2020-04-24 | 深圳拓邦股份有限公司 | 视觉机器人的镜头清洁方法、控制装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Li et al. | Foreground object detection in changing background based on color co-occurrence statistics | |
CN106695792A (zh) | 基于机器视觉的码垛机器人跟踪监控系统及方法 | |
CN113658136B (zh) | 一种基于深度学习的传送带缺陷检测方法 | |
US9098748B2 (en) | Object detection apparatus, object detection method, monitoring camera system and storage medium | |
LU502731B1 (en) | Method for monitoring abnormality of power production, apparatus, computer device, and storage medium therefor | |
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 | |
CN110015553B (zh) | 基于视频分析的运输皮带系统异物检测保护方法 | |
EP3733876B1 (en) | System and method for evaluating operational conditions of blast furnace | |
CN115131937A (zh) | 一种基于传感器与深度学习的森林火情预警方法 | |
CN113688820A (zh) | 频闪条带信息识别方法、装置和电子设备 | |
CN116977907A (zh) | 基于图像识别的电力巡检故障诊断方法及系统 | |
Li et al. | Intelligent monitoring system of coal conveyor belt based on computer vision technology | |
CN112991292A (zh) | 输送带纵向撕裂的检测方法和装置 | |
CN113469974B (zh) | 球团链篦机篦板状态监测方法及其监测系统 | |
CN114140684A (zh) | 堵煤漏煤检测方法、装置、设备及存储介质 | |
KR930008281B1 (ko) | 쓰레기의 유무 · 체류검출장치 및 쓰레기의 체류방지장치 | |
JPH06119454A (ja) | 異常検出方法および装置 | |
CN111935458A (zh) | 皮带机的控制方法、装置和系统 | |
CN115035443A (zh) | 基于图片拍摄的落地垃圾检测方法、系统及装置 | |
CN115546825A (zh) | 一种安检规范性自动监测方法 | |
CN112950545A (zh) | 一种棒材钢料弯曲检测方法 | |
CN111598085A (zh) | 玻璃面板定位方法、装置、设备和存储介质 | |
CN112693810B (zh) | 输送带运动控制方法和系统 | |
CN113787007B (zh) | 智能干选机执行精度智能实时检测方法、电子设备及存储介质 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210618 |