CN113184483A - 一种输送带防撕裂系统及预警方法 - Google Patents
一种输送带防撕裂系统及预警方法 Download PDFInfo
- Publication number
- CN113184483A CN113184483A CN202110433264.6A CN202110433264A CN113184483A CN 113184483 A CN113184483 A CN 113184483A CN 202110433264 A CN202110433264 A CN 202110433264A CN 113184483 A CN113184483 A CN 113184483A
- Authority
- CN
- China
- Prior art keywords
- conveyor belt
- metal detection
- tearing
- detection device
- metal
- 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 33
- 238000001514 detection method Methods 0.000 claims abstract description 89
- 239000002184 metal Substances 0.000 claims abstract description 58
- 229910052751 metal Inorganic materials 0.000 claims abstract description 58
- 239000000126 substance Substances 0.000 claims abstract description 10
- 230000002265 prevention Effects 0.000 claims abstract description 7
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 description 18
- 230000011218 segmentation Effects 0.000 description 15
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000003066 decision tree Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 8
- 229910052742 iron Inorganic materials 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000011897 real-time detection Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000012850 discrimination method Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004575 stone Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000013598 vector Substances 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
- B65G11/00—Chutes
- B65G11/20—Auxiliary devices, e.g. for deflecting, controlling speed of, or agitating articles or solids
- B65G11/206—Auxiliary devices, e.g. for deflecting, controlling speed of, or agitating articles or solids for bulk
-
- 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
- B65G43/08—Control devices operated by article or material being fed, conveyed or discharged
-
- 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
- B65G47/00—Article or material-handling devices associated with conveyors; Methods employing such devices
- B65G47/02—Devices for feeding articles or materials to conveyors
- B65G47/16—Devices for feeding articles or materials to conveyors for feeding materials in bulk
- B65G47/18—Arrangements or applications of hoppers or chutes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06T7/13—Edge detection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G2201/00—Indexing codes relating to handling devices, e.g. conveyors, characterised by the type of product or load being conveyed or handled
- B65G2201/04—Bulk
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明提供一种输送带防撕裂系统及预警方法。该输送带防撕裂系统包括溜槽装置、输送带装置、金属探测装置、压力感应装置；所述金属探测装置设置于所述溜槽装置上，所述压力感应装置设置于所述输送带装置上；所述金属探测装置用于检测落料中是否存在金属物质，所述压力感应装置用于检测落料与输送带碰撞的压力。通过金属探测装置和压力感应装置精准感应大块物体和金属，防止划伤输送带，有效预防撕裂。
Description
技术领域
本发明属于智能控制技术领域，尤其涉及一种输送带防撕裂系统及预警方法。
背景技术
大型带式输送机，多用于煤矿，钢厂、码头，带式输送机是工业生产传送运输的重要设备，在输送物料的过程中，因为输送距离远，物料杂质、落料耐磨衬板脱落等因素都能造成输送带撕裂，由于运行距离长，监护人员不能及时发现，输送带的损失较大，导致重大的事故。因此，带式输送机安全防护研究要解决的首要问题便是异物检测和输送带裂痕的检测，如能早期检测出导致输送带撕裂的异物，并作出响应，就能在很大程度上减小输送带撕裂对矿业生产过程的影响。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供一种输送带防撕裂系统，在一个实施例中，所述输送带防撕裂系统包括溜槽装置、输送带装置、金属探测装置、压力感应装置；所述金属探测装置设置于所述溜槽装置上，所述压力感应装置设置于所述输送带装置上；所述金属探测装置用于检测落料中是否存在金属物质，所述压力感应装置用于检测落料与输送带碰撞的压力。
在一个实施例中，所述金属检测装置至少具有两组，包括第一金属检测装置和第二金属检测装置，第一金属检测装置和第二金属检测装置上下间隔设置。
在一个实施例中，所述压力感应装置包括压电传感器，所述压电传感器设置在溜槽装置的落料口正下方，位于输送带下方18-22cm处。
在一个实施例中，所述输送带防撕裂系统还包括落料口开关，所述落料口开关为电动或液压驱动装置。
在一个实施例中，所述输送带防撕裂系统还包括激光雷达，所述激光雷达用于检测是否有大块物体挡住落料口。
在一个实施例中，所述输送带防撕裂系统还包括视觉装置，所述视觉装置包括第一视觉摄像机，用于获取输送带的图像。
在一个实施例中，所述视觉装置还包括第二视觉摄像机，用于获取落料图像。
在一个实施例中，所述输送带防撕裂系统还包括铁石感应装置。
在一个实施例中，所述铁石感应装置包括永磁铁。
本发明还提供一种输送带防撕裂预警方法，采用上述任一项所述的输送带防撕裂系统进行预警。
本发明提供一种输送带防撕裂系统及输送带防撕裂预警方法，本申请一方面，输送带防撕裂系统包括溜槽装置、输送带装置、金属探测装置、压力感应装置；所述金属探测装置设置于所述溜槽装置上，所述压力感应装置设置于所述输送带装置上；所述金属探测装置用于检测落料中是否存在金属物质，所述压力感应装置用于检测落料与输送带碰撞的压力。通过金属探测装置和压力感应装置精准感应大块物体和金属，防止划伤输送带，有效预防撕裂。
本发明另一方面，输送带防撕裂系统包括视觉装置，通过两路视频图像分别检测输送带输送过程中的划痕和破裂、散落异物，并引入机器学习决策树算法对上述划痕和破裂检测结果、散落异物检测结果进行传送机输送带防撕裂的实时检测和预警，及时输出输送带的缺陷检测结果并使输送机及时停机，从而防止输送带更严重的撕裂，大大降低了经济损失。同时，分别对语义分割算法模型和yolov4-tiny网络模型进行了改进，有效提高了模型训练和图像检测的准确性，从而提高了输送带防撕裂的检测和预警的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例和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一些实施例，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，还可以根据这些附图获得其它的附图。
图1是本发明一个实施例的输送带防撕裂系统的结构示意图。
图2是本发明一个实施例的输送带防撕裂系统的结构示意图。
图3是本发明一个实施例的输送带防撕裂系统的部分结构示意图。
图4是本发明一个实施例的输送带防撕裂系统的结构框图。
图5是本发明一个实施例的输送带防撕裂预警方法的步骤示意图。
图6是本发明一个实施例的FCN语义分割的上下文先验层结构示意图。
图7是本发明一个实施例的yolov4-tiny算法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参考图1，本发明一个实施例中，提供一种输送带防撕裂系统，该输送带防撕裂系统包括：
视觉装置100，在溜槽装置1000的溜槽落料口下方，视觉装置安装在输送带2000下方的横杆上，视觉装置与控制装置连接。可以理解的是，视觉装置包括视觉摄像机，在溜槽落料口输送带下方的横杆上安装视觉摄像机，镜头对准输送带方向。
压力感应装置200，压力感应装置安装在溜槽落料口正下方，安装在输送带下方18-22cm处，压力感应装置与控制装置连接，所述压力感应装置用于检测落料与输送带碰撞的压力。优选的，安装在20cm处。在一个实施例中，压力感应装置为压电传感器，压电传感器的安装距离可根据输送带的材料和结构参数设置。
金属探测器300，安装在溜槽落料口处。金属检测装置与控制装置连接，所述金属探测装置用于检测落料中是否存在金属物质。
参考图2，在一个实施例中，金属检测装置300具有两组，分别为第一金属检测装置301和第二金属检测装置303，分别设置在溜槽装置的上方和下方。第一金属检测装置和第二金属检测装置上下间隔设置。具体的，第一金属检测装置设置在靠近溜槽装置的锥形口处，第二金属检测装置设置在溜槽装置的最下端，即靠近落料口。通过上下设置的第一金属检测装置和第二金属检测装置，可以检测金属的长度和体积大小，为溜槽开合装置的运动提供判断基础。对于金属检测装置的具体选型，本申请不做限定，在可选实施例中，金属检测装置可以为射频金属检测装置、电磁感应金属检测装置。
落料口开关400，安装在溜槽落料口处，即溜槽装置最下端。通过落料口开关，可以打开或关闭落料口。落料口开关与控制装置连接，当金属检测装置检测到大块金属或者细长金属时，控制装置控制落料口开关关闭，防止直接落下损伤输送带。对于落料口开关的具体结构和驱动方式，本申请不做限定。可以为四个扇形伸缩结构，通过液压驱动或者电机驱动伸缩，从而打开或者关闭落料口。
激光雷达500，安装在溜槽落料口处，激光雷达与控制装置连接，利用激光雷达探测是否有大块物体挡住落料口。对于激光雷达的具体结构和选型，本申请不做限定。
参考图3，所述输送带防撕裂系统的视觉装置100包括第一视觉摄像机3001，用于获取输送带的图像，即第一视频图像。第一视觉摄像机的镜头对准输送带方向。视觉装置还包括第二视觉摄像机3002，用于获取落料图像，即第二视频图像。所述输送带防撕裂系统还包括控制装置3003、天线模块3004。控制装置包括计算处理模块和指令发送接收模块，天线模块可以包括wifi模块和/或5G模块。
本申请的一个实施例中，参考图4，输送带防撕裂系统包括视觉装置100、压力感应装置200、金属探测器300、落料口开关400、激光雷达500和控制装置3003。视觉装置100、压力感应装置200、金属探测器300、落料口开关400、激光雷达500都与控制装置3003连接。基于视觉装置的图像分析结果、金属探测器探测结果、压电传感器检测结果、激光雷达检测结果，采用所述机器学习决策树方法训练的模型实时检测和预警输送带撕裂。
可见，本发明提供的带式输送机输送带防撕裂装置，通过两路视频图像分别检测输送带输送过程中的划痕和破裂、散落异物，并引入机器学习决策树算法对上述划痕和破裂检测结果、散落异物检测结果进行传送机输送带防撕裂的实时检测和预警，及时输出输送带的缺陷检测结果并使输送机及时停机，从而防止输送带更严重的撕裂，大大降低了经济损失。同时，分别对语义分割算法模型和yolov4-tiny网络模型进行了改进，有效提高了模型训练和图像检测的准确性，从而提高了输送带防撕裂的检测和预警的准确性。
在一个实施例中，输送带防撕裂系统还包括铁石感应装置。铁石感应装置包括永磁铁601和压电感应薄膜602，永磁铁601和压电感应薄膜602贴合，永磁铁可上下移动。铁石感应装置用于检测铁物质，当有铁物质落下时，永磁铁对其产生吸引力，永磁铁产生位移，压电感应薄膜受到永磁铁位移产生的压力，从而检测铁物质。
作为一种实施例，本发明提供一种输送带防撕裂预警方法，参考图4，所述方法包括如下步骤：
S1，采集所述输送机输送带的第一视频图像，基于所述第一视频图像建立输送带划痕和破裂样本图像，利用语义分割算法训练输送带划痕和破裂模型；需要说明的是，优选的，使用第一视觉摄像机采集所述第一视频图像。示例性的，在溜槽落料口输送带下方的横杆上安装第一视觉摄像机，镜头对准输送带方向。
S2，采集所述输送机输送带下方散落异物的第二视频图像，基于所述第二视频图像建立散落异物样本图像，利用yolov4-tiny网络算法训练散落异物检测模型；需要说明的是，优选的，使用第二视觉摄像机采集所述第二视频图像。示例性的，所述第二视觉摄像机安装在输送机输送带下方可以采集散落异物的位置处。
S3，利用所述输送带划痕和破裂模型实时分析所述第一视频图像得到第一分析结果，利用所述散落异物检测模型实时分析所述第二视频图像得到第二分析结果；需要说明的是，优选的，利用改进的FCN实义分割算法对所述第一视觉摄像机的摄像头获取的上方传送输送带图像即第一视频图像进行分析，获取上方语义分割图像，得到第一分析结果。优选的，利用yolov4-tiny轻量化目标检测算法训练落料检测模型，实现对第二视觉摄像机的摄像头获取的下方图像进行检测，检测是否有从上方输送带落下的物料，得到第二分析结果。
S4，基于机器学习决策树方法训练的模型根据所述第一分析结果和所述第二分析结果实时检测和预警传送机的输送带撕裂。需要说明的是，优选的，利用决策树判别方法训练模型，对上述获取的数据即所述第一分析结果和所述第二分析结果进行分析，判断和预测出料口异物导致输送带撕裂。同时，由于引入了机器学习决策树方法对最终的模型进行训练和结果分析，从而大大提高了根据划痕和破裂检测结果、散落异物检测结果对传送机输送带防撕裂的实时检测和预警的效率和准确性。
可见，本发明提供的输送带防撕裂预警方法，通过两路视频图像分别检测输送带输送过程中的划痕和破裂、散落异物，并引入机器学习决策树算法对上述划痕和破裂检测结果、散落异物检测结果进行传送机输送带防撕裂的实时检测和预警，及时输出输送带的缺陷检测结果并使输送机及时停机，从而防止输送带更严重的撕裂，大大降低了经济损失。
作为一种优选的实施方式，还包括：
所述语义分割算法为FCN语义分割算法。需要说明的是，FCN将传统卷积网络后面的全连接层换成了卷积层，这样网络输出不再是类别而是heatmap；同时为了解决因为卷积和池化对图像尺寸的影响，提出使用上采样的方式恢复。FCN对图像进行像素级的分类，从而解决了语义级别的图像分割(semantic segmentation)问题。与经典的CNN在卷积层之后使用全连接层得到固定长度的特征向量进行分类不同，FCN可以接受任意尺寸的输入图像，采用反卷积层对最后一个卷积层的feature map进行上采样,使它恢复到输入图像相同的尺寸，从而可以对每个像素都产生了一个预测,同时保留了原始输入图像中的空间信息,最后在上采样的特征图上进行逐像素分类。
作为一种优选的实施方式，结合图2所示，所述利用语义分割算法训练输送带划痕和破裂模型，还包括：
所述FCN语义分割包括上下文先验层，所述上下文先验层包括聚合模块和由亲和损失监督的上下文先验特征图先验映射；所述上下文先验层在主干网络的最后插入以进行语义分割。
由于卷积层结构的限制，FCN语义分割提供的上下文信息不足，引入上下文先验层，上下文先验层包含一个聚合模块和一个由亲和损失监督的上下文先验特征图先验映射。
参考图5，上下文先验层它可以在任何主干网络的最后插入以进行语义分割的任务。上下文先验层使用主干网络如resnet50输出的特征图(图中最左边的立体)作为输入。经过聚合模块聚合局部上下文信息之后，送入一个卷积层与sigmoid层进行处理，最后进行reshape得到了上下文先验特征图。Ideal Affinity Map进行监督，学习得到了类内的上下文信息。将他与经过聚合后的特征图相乘后得到富含类内上下文信息的特征图。与此同时，用1-P得到可以得到类间上下文，同样的操作可以得到富含类间上下文信息的特征图。将类间、类内、原图进行连接后上采样，便得到了预测图。
作为一种优选的实施方式，参考图6，所述利用yolov4-tiny网络算法训练散落异物检测模型，还包括：
所述yolov4-tiny网络具有空间旋转对齐网络，所述yolov4-tiny网络为能适应各个方向目标检测的目标检测网络。
本发明对yolov4-tiny目标检测网络增加空间旋转对齐网络，得到能适应各个方向目标检测的目标检测网络，具体为：
设计旋转对齐网络，用X表示yolov4-tiny输出的定向检测边框，边界框X由下式定义：
其中(cx,cy)和(δx,δy)是中心点和偏移量预测；(w,h)是尺寸预测；Mr是旋转矩阵；Plt,Prt,Plb和Prb是定向边界框的四个角点。
使用CenterNet作为基准，按照CenterNet的回归任务，使用L1损失进行旋转角度的回归：
其中θ和
分别是目标旋转角和预测旋转角；N是正确样本数。
S203：模型的总体训练目标函数是：
Ldet＝Lk+λsizeLsize+λoffLoff+λangLang， (3)
其中Lk,Lsize和Loff是中心点识别，尺度回归和偏移回归的损失，与CenterNet相同；λsize，λoff和λang是常量，优选的，实验中都设为0.1。
此外，图像的清晰度是衡量图像质量优劣的重要指标，本发明对无参考图像质量评价采用Tenengrad梯度函数。
通过Sobel算子分别提取水平和垂直方向的梯度值，基与Tenengrad梯度函数的图像清晰度定义如下：
D(f)＝∑y∑x|G(x，y)|(G(x，y)＞T) (4)
G(x,y)的形式如下：
其中：T是给定的边缘检测阈值，Gx和Gy分别是像素点(x,y)处Sobel水平和垂直方向边缘检测算子的卷积，优选的，使用以下的Sobel算子模板来检测边缘：
作为一种优选的实施方式，还包括：
将所述yolov4-tiny网络的目标检测算法移植到英伟达NX计算模块，实现所述第二视频图像中异物的检测。需要说明的是，将改进的yolov4-tiny目标检测算法移植到英伟达NX计算模块，实现对摄像机获取视频图像中异物的检测和输送带撕裂痕迹的检测。
作为一种优选的实施方式，还包括：
利用金属探测器探测溜槽落料口是否有大于磁通值的金属落到输送带，得到金属探测器探测结果。
利用压电传感器检测出料口是否有重物落入输送带，得到压电传感器检测结果。
利用激光雷达探测是否有大面积物体挡住出料口，得到激光雷达检测结果。
作为一种优选的实施方式，所述步骤S4还包括：
基于所述第一分析结果、所述第二分析结果、所述金属探测器探测结果、所述压电传感器检测结果、所述激光雷达检测结果，采用所述机器学习决策树方法训练的模型实时检测和预警输送带撕裂。需要说明的是，利用决策树判别方法训练模型，对上述获取的所述第一分析结果、所述第二分析结果、所述金属探测器探测结果、所述压电传感器检测结果、所述激光雷达检测结果数据进行分析，判断和预测出料口异物导致输送带撕裂。
作为一种优选的实施方式，还包括：
将所述传送机输送带撕裂的检测和预警信息通过天线模块传到显示终端。需要说明的是，可以采用无线传输的方法将各种传感器采集的数据传输到服务器及其显示终端，在此不做赘述。
可见，本发明提供的输送带防撕裂预警方法，通过两路视频图像分别检测输送带输送过程中的划痕和破裂、散落异物，并引入机器学习决策树算法对上述划痕和破裂检测结果、散落异物检测结果进行传送机输送带防撕裂的实时检测和预警，及时输出输送带的缺陷检测结果并使输送机及时停机，从而防止输送带更严重的撕裂，大大降低了经济损失。同时，分别对语义分割算法模型和yolov4-tiny网络模型进行了改进，有效提高了模型训练和图像检测的准确性，从而提高了输送带防撕裂的检测和预警的准确性。
本技术领域技术人员可以理解，本发明包括涉及用于执行本申请中所述操作中的一项或多项的设备。这些设备可以为所需的目的而专门设计和制造，或者也可以包括通用计算机中的已知设备。这些设备具有存储在其内的计算机程序，这些计算机程序选择性地激活或重构。这样的计算机程序可以被存储在设备(例如，计算机)可读介质中或者存储在适于存储电子指令并分别耦联到总线的任何类型的介质中，所述计算机可读介质包括但不限于任何类型的盘(包括软盘、硬盘、光盘、CD-ROM、和磁光盘)、ROM(Read-Only Memory，只读存储器)、RAM(Random Access Memory，随即存储器)、EPROM(Erasable ProgrammableRead-Only Memory，可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory，电可擦可编程只读存储器)、闪存、磁性卡片或光线卡片。也就是，可读介质包括由设备(例如，计算机)以能够读的形式存储或传输信息的任何介质。
本技术领域技术人员可以理解，可以用计算机程序指令来实现这些结构图和/或框图和/或流图中的每个框以及这些结构图和/或框图和/或流图中的框的组合。本技术领域技术人员可以理解，可以将这些计算机程序指令提供给通用计算机、专业计算机或其他可编程数据处理方法的处理器来实现，从而通过计算机或其他可编程数据处理方法的处理器来执行本发明公开的结构图和/或框图和/或流图的框或多个框中指定的方案。
本技术领域技术人员可以理解，本发明中已经讨论过的各种操作、方法、流程中的步骤、措施、方案可以被交替、更改、组合或删除。进一步地，具有本发明中已经讨论过的各种操作、方法、流程中的其他步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。进一步地，现有技术中的具有与本发明中公开的各种操作、方法、流程中的步骤、措施、方案也可以被交替、更改、重排、分解、组合或删除。
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种输送带防撕裂系统，其特征在于，所述输送带防撕裂系统包括溜槽装置、输送带装置、金属探测装置、压力感应装置；所述金属探测装置设置于所述溜槽装置上，所述压力感应装置设置于所述输送带装置上；所述金属探测装置用于检测落料中是否存在金属物质，所述压力感应装置用于检测落料与输送带碰撞的压力。
2.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述金属检测装置至少具有两组，包括第一金属检测装置和第二金属检测装置，第一金属检测装置和第二金属检测装置上下间隔设置。
3.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述压力感应装置包括压电传感器，所述压电传感器设置在溜槽装置的落料口正下方，位于输送带下方18-22cm处。
4.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述输送带防撕裂系统还包括落料口开关，所述落料口开关为电动或液压驱动装置。
5.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述输送带防撕裂系统还包括激光雷达，所述激光雷达用于检测是否有大块物体挡住落料口。
6.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述输送带防撕裂系统还包括视觉装置，所述视觉装置包括第一视觉摄像机，用于获取输送带的图像。
7.根据权利要求6所述的输送带防撕裂系统，其特征在于，所述视觉装置还包括第二视觉摄像机，用于获取落料图像。
8.根据权利要求1所述的输送带防撕裂系统，其特征在于，所述输送带防撕裂系统还包括铁石感应装置。
9.根据权利要求8所述的输送带防撕裂系统，其特征在于，所述铁石感应装置包括永磁铁。
10.一种输送带防撕裂预警方法，其特征在于：采用权利要求1-9任一项所述的输送带防撕裂系统进行预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110433264.6A CN113184483B (zh) | 2021-04-22 | 2021-04-22 | 一种输送带防撕裂系统及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110433264.6A CN113184483B (zh) | 2021-04-22 | 2021-04-22 | 一种输送带防撕裂系统及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113184483A true CN113184483A (zh) | 2021-07-30 |
| CN113184483B CN113184483B (zh) | 2023-06-23 |
Family
ID=76978638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110433264.6A Active CN113184483B (zh) | 2021-04-22 | 2021-04-22 | 一种输送带防撕裂系统及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113184483B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114955449A (zh) * | 2022-05-19 | 2022-08-30 | 华能曲阜热电有限公司 | 一种给煤机皮带撕裂预警装置 |
| CN117142009A (zh) * | 2023-10-30 | 2023-12-01 | 山西海诚智能制造有限公司 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006282319A (ja) * | 2005-03-31 | 2006-10-19 | Jfe Steel Kk | コンベアベルトの縦裂き検知方法および装置 |
| CN201321277Y (zh) * | 2008-09-23 | 2009-10-07 | 安徽理工大学 | 胶带超前防纵撕监测保护装置 |
| CN109398833A (zh) * | 2018-11-08 | 2019-03-01 | 中北大学 | 人工输送乳化炸药包装中金属渣滓的电磁感应检测装置 |
| CN211056075U (zh) * | 2019-05-14 | 2020-07-21 | 孙雷 | 一种运输皮带纵向撕裂主动防护装置 |
| CN111537225A (zh) * | 2020-05-21 | 2020-08-14 | 煤炭科学研究总院 | 一种自供能皮带输送机的皮带状态监测装置和方法 |
-
2021
- 2021-04-22 CN CN202110433264.6A patent/CN113184483B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006282319A (ja) * | 2005-03-31 | 2006-10-19 | Jfe Steel Kk | コンベアベルトの縦裂き検知方法および装置 |
| CN201321277Y (zh) * | 2008-09-23 | 2009-10-07 | 安徽理工大学 | 胶带超前防纵撕监测保护装置 |
| CN109398833A (zh) * | 2018-11-08 | 2019-03-01 | 中北大学 | 人工输送乳化炸药包装中金属渣滓的电磁感应检测装置 |
| CN211056075U (zh) * | 2019-05-14 | 2020-07-21 | 孙雷 | 一种运输皮带纵向撕裂主动防护装置 |
| CN111537225A (zh) * | 2020-05-21 | 2020-08-14 | 煤炭科学研究总院 | 一种自供能皮带输送机的皮带状态监测装置和方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114955449A (zh) * | 2022-05-19 | 2022-08-30 | 华能曲阜热电有限公司 | 一种给煤机皮带撕裂预警装置 |
| CN114955449B (zh) * | 2022-05-19 | 2023-11-03 | 华能曲阜热电有限公司 | 一种给煤机皮带撕裂预警装置 |
| CN117142009A (zh) * | 2023-10-30 | 2023-12-01 | 山西海诚智能制造有限公司 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
| CN117142009B (zh) * | 2023-10-30 | 2024-03-15 | 西安重装蒲白煤矿机械有限公司 | 一种基于图卷积网络的刮板输送机健康状态评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113184483B (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390691B (zh) | 一种基于深度学习的矿石尺度测量方法及应用系统 | |
| Akagic et al. | Pavement crack detection using Otsu thresholding for image segmentation | |
| CN106373430B (zh) | 一种基于计算机视觉的交叉路口通行预警方法 | |
| Zheng et al. | Extracting roadway background image: Mode-based approach | |
| CN113184483B (zh) | 一种输送带防撕裂系统及预警方法 | |
| KR20190094005A (ko) | 도로 노면 손상 탐지를 위한 영상 처리 및 딥러닝 이미지 분류 장치 및 방법 | |
| CN104240239B (zh) | 一种基于道路图像探测局域路段雾霾天气的检测方法 | |
| CN111161292B (zh) | 一种矿石尺度测量方法及应用系统 | |
| CN112001878A (zh) | 基于二值化神经网络的深度学习矿石尺度测量方法及应用系统 | |
| CN113283395B (zh) | 一种运煤皮带转接处堵塞异物的视频检测方法 | |
| US8718329B2 (en) | Top-down view classification in clear path detection | |
| CN102509087A (zh) | 一种基于图像灰度共生矩阵的煤岩识别方法 | |
| CN106503627A (zh) | 一种基于视频分析的车辆避让行人检测方法 | |
| CN102930253A (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
| Houshmand et al. | Rock type classification based on petrophysical, geochemical, and core imaging data using machine and deep learning techniques | |
| CN111723708A (zh) | 一种基于深度学习的厢式货车厢门状态识别装置与系统 | |
| CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
| CN113408361B (zh) | 一种基于深度学习的矿用输送带大块物料检测方法及系统 | |
| CN115641555B (zh) | 一种基于ai视觉的货车超载超限预警方法 | |
| CN109117702A (zh) | 目标车辆的检测与跟踪计数方法及系统 | |
| CN115082850A (zh) | 基于计算机视觉的模板支架安全风险识别方法 | |
| CN116152730A (zh) | 一种基于深度学习的带式输送机多运行状态检测方法及装置 | |
| CN115082849A (zh) | 基于深度学习的模板支架安全智能监测方法 | |
| CN110909599A (zh) | 一种渣土车苫盖的检测方法、装置及系统 | |
| CN113191234A (zh) | 一种基于机器视觉的带式输送机输送带防撕裂方法及装置 |
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 | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240918 Address after: 430074 Room 502, Building 7, Gezhouba Sun City, No. 40 Gaoxin Fourth Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province (Wuhan Free Trade Zone) Patentee after: Wuhan Feishe Intelligent Equipment Co.,Ltd. Country or region after: China Address before: 430000 Room 502, building 7, Gezhouba Sun City, Gaoxin 4th Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province Patentee before: WUHAN FISCHER CONTROL TECHNOLOGY CO.,LTD. Country or region before: China |