CN113192037A - 一种皮带机监测方法、系统、介质及电子终端 - Google Patents

一种皮带机监测方法、系统、介质及电子终端 Download PDF

Info

Publication number
CN113192037A
CN113192037A CN202110490390.5A CN202110490390A CN113192037A CN 113192037 A CN113192037 A CN 113192037A CN 202110490390 A CN202110490390 A CN 202110490390A CN 113192037 A CN113192037 A CN 113192037A
Authority
CN
China
Prior art keywords
detection
particle
belt conveyor
real
time image
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
Application number
CN202110490390.5A
Other languages
English (en)
Other versions
CN113192037B (zh
Inventor
冯远航
刘斌
庞殊杨
贾鸿盛
毛尚伟
杜一杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CISDI Chongqing Information Technology Co Ltd
Original Assignee
CISDI Chongqing Information Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CISDI Chongqing Information Technology Co Ltd filed Critical CISDI Chongqing Information Technology Co Ltd
Priority to CN202110490390.5A priority Critical patent/CN113192037B/zh
Publication of CN113192037A publication Critical patent/CN113192037A/zh
Application granted granted Critical
Publication of CN113192037B publication Critical patent/CN113192037B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30242—Counting objects in image
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Control Of Conveyors (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种皮带机监测方法、系统、介质及电子终端，皮带机监测方法包括：采集皮带机的实时图像；根据实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；根据实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；根据第一检测结果和/或第二检测结果，进行皮带机监测；本发明中的皮带机监测方法，通过对皮带机的状态进行第一检测和第二检测，根据第一检测结果和/或第二检测结果，进行皮带机监测，便于对皮带机可能出现的异常状态及物料状态进行智能化、可视化的监控。

Description

一种皮带机监测方法、系统、介质及电子终端
技术领域
本发明涉及图像检测领域，尤其涉及一种皮带机监测方法、系统、介质及电子终端。
背景技术
目前，在皮带机巡检过程中，主要通过技术人员观察来确定皮带机运行状况及物料状态，容易造成以下问题：
1、对皮带撕裂、打滑、跑偏、异物等异常状况难以进行较即时、较准确的识别与监测；
2、无法较好地对物料状态进行较好地监测；
3、物料运输完后没有较有效的方法对历史结果进行追溯，缺乏较客观的数据依据。
发明内容
本发明提供一种皮带机监测方法、系统、介质及电子终端，以解决现有技术中不便于对皮带机可能出现的异常状态及物料状态进行监控，且不便于对物料运输的历史结果进行追溯的问题。
本发明提供的皮带机监测方法，包括：
采集皮带机的实时图像；
根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；
根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；
根据所述第一检测结果和/或第二检测结果，进行皮带机监测。
可选的，所述撕裂检测的步骤包括：
沿皮带机运行方向在皮带机的任一侧设置光线发射器，控制所述光线发射器沿垂直于皮带机运行的方向发射光线；
采集皮带机原始图像；
将所述皮带机原始图像输入撕裂检测网络进行训练，获取撕裂检测模型，训练步骤包括：光线特征提取和撕裂识别，所述撕裂识别的步骤包括：当所述皮带机原始图像中的光线不连续时，则判定所述皮带机原始图像出现撕裂；
将所述实时图像输入所述撕裂检测模型进行撕裂检测，完成撕裂检测。
可选的，所述异物检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第一轮廓分割网络进行训练，获取第一轮廓分割模型；
将所述实时图像输入第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒关联信息，所述颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
根据所述颗粒关联信息，进行异物检测。
可选的，获取所述实时图像中的颗粒关联信息的步骤包括：
将所述实时图像输入所述第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒轮廓信息，所述颗粒轮廓信息包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述实时图像中的异物。
可选的，获取颗粒颜色RGB像素值的步骤包括：
在所述实时图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052221580000021
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
可选的，获取颗粒表面线条数量的步骤包括：
构建第一边缘检测网络；
将第一训练集输入所述第一边缘检测网络进行训练，获取第一边缘检测模型；
将所述实时图像输入所述第一边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
可选的，根据所述颗粒表面信息，确定所述实时图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
可选的，所述打滑检测的步骤包括：
采集第二训练集；
将所述第二训练集输入目标检测网络进行训练，获取目标检测模型；
将所述实时图像输入所述目标检测模型进行目标检测，获取第一目标检测结果；
根据预设的图像采集周期进行实时图像二次采集；
将二次采集的实时图像输入目标检测网络进行目标检测，获取第二目标检测结果；
根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测。
可选的，根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测的步骤包括：
根据所述第一目标检测结果和第二目标检测结果，获取所述实时图像中的实时目标的运动距离；
根据所述运动距离和所述图像采集周期，获取皮带的运行速度；
判断所述皮带的运行速度是否超出速度阈值范围，获取判断结果，进而完成打滑检测；判断所述皮带的运行速度是否超出速度阈值范围的数学表达为：
a％*V<v<b％*V
其中，v为皮带的运行速度，a％为预设的第一速度阈值参数，V为皮带机的驱动轮的运行速度，b％为预设的第二速度阈值参数。
可选的，所述偏移检测的步骤包括：
采集第三训练集；
将所述第三训练集输入第二边缘检测网络进行训练，获取第二边缘检测模型；
将所述实时图像输入所述第二边缘检测模型进行边缘检测，获取皮带边缘位置；
根据所述皮带边缘位置和预设的托辊中心线的位置，判断皮带是否发生偏移，完成偏移检测。
可选的，所述物料颗粒度检测和料流强度检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第二轮廓分割网络进行训练，获取第二轮廓分割模型；
将所述实时图像输入第二轮廓分割模型进行轮廓分割，获取物料颗粒信息和/或物料轮廓信息，所述物料颗粒度信息包括：物料平均粒度、颗粒度分布比例；
根据所述物料颗粒度信息，进行物料颗粒度检测；
根据所述物料轮廓信息中物料轮廓的分布区域，获取料流强度，进而进行料流强度检测。
本发明还提供一种皮带机监测系统，包括：
采集模块，用于采集皮带机的实时图像；
第一检测模块，用于根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；
第二检测模块，用于根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；
监测模块，用于根据所述第一检测结果和/或第二检测结果，进行皮带机监测；所述采集模块、第一检测模块、第二检测模块和监测模块连接。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法。
本发明还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如上述任一项所述方法。
本发明的有益效果：本发明中的皮带机监测方法、系统、介质及电子终端，通过采集皮带机的实时图像；根据所述实时图像，对皮带机的状态进行第一检测，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；根据所述第一检测结果和/或第二检测结果，进行皮带机监测，便于对皮带机可能出现的异常状态及物料状态进行智能化、可视化的监控，能够较好地对物料运输的历史结果进行追溯。
附图说明
图1是本发明实施例中皮带机监测方法的流程示意图；
图2是本发明实施例中皮带机监测方法的撕裂检测的流程示意图；
图3是本发明实施例中皮带机监测方法的异物检测的流程示意图一；
图4是本发明实施例中皮带机监测方法的异物检测的流程示意图二；
图5是本发明实施例中皮带机监测方法的打滑检测的流程示意图；
图6是本发明实施例中皮带机监测方法的偏移检测的流程示意图；
图7是本发明实施例中皮带机监测方法的物料颗粒度检测的流程示意图；
图8是本发明实施例中皮带机监测方法的料流强度检测的流程示意图；
图9是本发明实施例中皮带机监测系统的结构示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
发明人发现，目前，在钢铁企业的皮带机巡检过程中，主要通过技术人员观察来确定皮带机运行状况及物料状态，容易造成以下问题：对皮带撕裂、打滑、跑偏、异物等异常状况难以进行较即时、较准确的识别与监测；无法较好地对物料状态进行较好地监测，对料流强度的判断标准也较为模糊，极大程度上依赖技术人员的过往经验；物料运输完后没有较有效的方法对历史结果进行追溯，缺乏较客观的数据依据，无法较好地对皮带机进行可视化、智能化的操作，因此，发明人提出一种皮带机监测方法、系统、介质及电子终端，通过采集皮带机的实时图像；根据所述实时图像，对皮带机的状态进行第一检测，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；根据所述第一检测结果和/或第二检测结果，进行皮带机监测，便于对皮带机可能出现的异常状态及物料状态进行智能化、可视化的监控，能够较好地对物料运输的历史结果进行追溯，可实施性较强，自动化程度较高，成本较低。
如图1所示，本实施例中的皮带机监测方法，包括：
S1：采集皮带机的实时图像；例如：在皮带机周围设置图像采集装置，所述图像采集装置可以设置与皮带上方、皮带正下方等位置，所述图像采集装置可以为工业摄像头或网络高清摄像机等，可以根据实际情况进行操作，此处不再赘述；
S2：根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；通过对实时图像进行识别与分析，对皮带机的状态进行第一检测，能够较好地对皮带机是否发生撕裂、异物、打滑、偏移等状态进行实时监测，避免造成不必要的损失，进一步地，还可以通过对所述实时图像进行识别与分析，对皮带机是否发生设备故障进行检测，实现对皮带机的状态的可视化、自动化的实时监测；
S3：根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；通过对所述实时图像识别与分析，对皮带机上的物料状态进行第二检测，能够获取皮带机上的物料的料流颗粒度和料流强度，便于对料流颗粒度和料流强度进行实时记录与统计，可实施性较强；
S4：根据所述第一检测结果和/或第二检测结果，进行皮带机监测。可以理解的，当所述第一检测结果和/或第二检测结果为异常时，则发出警示，其中，可以设置不同的预警阈值，进行分级预警，当所述第一检测结果和/或所述第二检测结果的异常程度超出预设的第一预警阈值范围时，则进行一级预警，当所述第一检测结果和/或第二检测结果的异常程度超出预设的第二预警阈值范围时，则进行二级预警，通过分级预警，能够便于相关人员获取检测结果的紧急程度，考虑是否需要优先处理。
如图2所示，对皮带机进行撕裂检测的步骤包括：
S211：沿皮带机运行方向在皮带机的任一侧设置光线发射器，控制所述光线发射器沿垂直于皮带机运行的方向发射光线；所述光线发射器位于皮带机靠近地面的一面和/或皮带机远离地面的一面；
S212：采集皮带机原始图像；所述皮带机原始图像包括：撕裂标注信息；
S213：将所述皮带机原始图像输入撕裂检测网络进行训练，获取撕裂检测模型，训练步骤包括：光线特征提取和撕裂识别，所述撕裂识别的步骤包括：当所述皮带机原始图像中的光线不连续时，则判定所述皮带机原始图像出现撕裂；例如：将皮带机原始图像输入撕裂检测网络进行光线特征提取，获取所述皮带机原始图像中的光线特征，根据所述光线特征，判断所述皮带机原始图像中的每条光线是否连续，即判断所述皮带机原始图像中的光线沿光线延伸方向是否连续，若不连续，则判断出现撕裂异常。通过将皮带机原始图像输入撕裂检测网络进行迭代训练，能够提高撕裂检测模型的检测精确度。
S214：将所述实时图像输入所述撕裂检测模型进行撕裂检测，完成撕裂检测。例如：将所述实时图像输入撕裂检测模型进行撕裂检测，获取撕裂检测结果，当所述撕裂检测结果为异常时，则发出警示。
如图3所示，对皮带机进行异物检测的步骤包括：
S221：采集原始原料图像；所述原始原料图像包括：标注颗粒信息；
S222：将所述原始原料图像输入第一轮廓分割网络进行训练，获取第一轮廓分割模型；训练过程包括：物料分类、边缘提取和颗粒分割；
S223：将所述实时图像输入第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒关联信息，所述颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
S224：根据所述颗粒关联信息，进行异物检测。例如：当所述颗粒关联信息超出预设的阈值范围时，则判定出现异物异常并发出警示。
请参照图4，在一些实施例中，对皮带机进行异物检测的步骤包括：
S231：采集原始原料图像；所述原始原料图像包括：标注颗粒信息；
S232：将所述原始原料图像输入第一轮廓分割网络进行训练，获取第一轮廓分割模型；
S233：将所述实时图像输入第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒轮廓信息，所述颗粒轮廓信息为所述实时图像中的封闭原料轮廓中非封闭的原料颗粒轮廓的信息，即封闭获得的原料轮廓图像中的非封闭的原料颗粒轮廓的信息，所述颗粒轮廓信息包括：颗粒面积和颗粒周长；根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径；
S234：判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；例如：当所述待识别颗粒的等效直径超出预设的尺寸阈值时，则判定该待识别颗粒为异物候选颗粒。
获取异物候选颗粒的数学表达为：
D-Daverage≥ThresholdD
Figure BDA0003052221580000071
其中，D为待识别颗粒的等效直径，Daverage为预先设置的正常物料颗粒等效直径平均值，ThresholdD为预先设置的尺寸阈值，P为颗粒周长，S为颗粒面积，k为预设系数。当待识别颗粒的等效直径与预先设置的正常物料颗粒等效直径平均值之间的差值大于或等于预设的尺寸阈值时，则判定该待识别颗粒为异物候选颗粒。
S235：获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
进一步地，获取颗粒颜色RGB像素值的步骤包括：
在所述实时图像中建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052221580000081
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
获取颗粒表面线条数量的步骤包括：
构建第一边缘检测网络；
将第一训练集输入所述第一边缘检测网络进行训练，获取第一边缘检测模型；
将所述实时图像输入所述第一边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
S236：根据所述颗粒表面信息，确定所述实时图像中的异物，完成异物检测。
其中，根据所述颗粒表面信息，确定所述实时图像中的异物的步骤包括：
当所述异物候选颗粒的颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。通过对实时图像中的待识别颗粒的等效直径进行判断，确定异物候选颗粒，并根据异物候选颗粒的颗粒颜色RGB像素值和颗粒表面线条数量，对实时图像中的异物进行进一步确定，以此提高异物识别的精确度。
在一些实施例中，还可以单独利用待识别颗粒的颗粒表面信息或颗粒轮廓信息进行异物检测，如当所述待识别颗粒的颗粒表面信息异常时，则判定该待识别颗粒为异物，或当所述颗粒轮廓信息异常时，则判定对应的待识别颗粒为异物，完成异物检测。
如图5所示，对皮带机进行打滑检测的步骤包括：
S241：采集第二训练集；所述第二训练集包括：一个或多个皮带机图像，所述皮带机图像包括：目标标注信息；
S242：将所述第二训练集输入目标检测网络进行训练，获取目标检测模型；
S243：将实时图像输入所述目标检测模型进行目标检测，获取第一目标检测结果；
S244：根据预设的图像采集周期进行实时图像二次采集；
S245：将二次采集的实时图像输入目标检测网络进行目标检测，获取第二目标检测结果；
S246：根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测。
在一些实施例中，根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测的步骤包括：
根据所述第一目标检测结果和第二目标检测结果，获取所述实时图像中的实时目标的运动距离；
根据所述运动距离和所述图像采集周期，获取皮带的运行速度；
判断所述皮带的运行速度是否超出速度阈值范围，获取判断结果，进而完成打滑检测；判断所述皮带的运行速度是否超出速度阈值范围的数学表达为：
a％*V<v<b％*V
其中，v为皮带的运行速度，a％为预设的第一速度阈值参数，V为皮带机的驱动轮的运行速度，b％为预设的第二速度阈值参数。通过对比第一目标检测结果和第二目标检测结果中的实时目标的位置，获取实时目标的运动距离，进而获取皮带的运动速度，进而确定皮带机是否打滑，提高打滑检测的精确度。
如图6所示，对皮带机进行偏移检测的步骤包括：
S251：采集第三训练集；所述第三训练集包括：一个或多个训练图像，所述训练图像包括：边缘标注信息；
S252：将所述第三训练集输入第二边缘检测网络进行训练，获取第二边缘检测模型；
S253：将所述实时图像输入所述第二边缘检测模型进行边缘检测，获取皮带边缘位置；
S254：根据所述皮带边缘位置和预设的托辊中心线的位置，判断皮带是否发生偏移，完成偏移检测。例如：当皮带边缘位置和预设的托辊中心线的位置之间的距离超出预设的偏移距离时，则判定皮带发生打滑异常并发出警示，能够对皮带是否打滑进行有效的检测。
如图7所示，对皮带机的物料进行物料颗粒度检测的步骤包括：
S311：采集原始原料图像；所述原始原料图像包括：标注颗粒信息；
S312：将所述原始原料图像输入第二轮廓分割网络进行训练，获取第二轮廓分割模型；
S313：将所述实时图像输入第二轮廓分割模型进行轮廓分割，获取物料颗粒信息，所述物料颗粒度信息包括：物料平均粒度、颗粒度分布比例；
S314：根据所述物料颗粒度信息，进行物料颗粒度检测。通过对皮带机的物料颗粒度进行实时检测，能够对皮带机上的物料状态进行实时监测及预警，同时，便于对物料颗粒度进行实时统计分析，提供数据分析基础。
如图8所示，对皮带机的物料进行料流强度检测的步骤包括：
S321：采集原始原料图像；所述原始原料图像包括：标注颗粒信息；
S322：将所述原始原料图像输入第二轮廓分割网络进行训练，获取第二轮廓分割模型；
S323：将所述实时图像输入第二轮廓分割模型进行轮廓分割，获取物料轮廓信息；
S324：根据所述物料轮廓信息中物料轮廓的分布区域，获取料流强度，进而进行料流强度检测。所述料流强度包括：有料、无料、物料过满，通过判断所述物料轮廓信息中物料轮廓的分布区域是否超出预设的分布区域范围，确定料流强度，避免人为判断出现误差，造成不必要的损失。
如图9所示，本实施例还提供一种皮带机监测系统，包括：
采集模块，用于采集皮带机的实时图像；
第一检测模块，用于根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；
第二检测模块，用于根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；
监测模块，用于根据所述第一检测结果和/或第二检测结果，进行皮带机监测；所述采集模块、第一检测模块、第二检测模块和监测模块依次连接。通过采集皮带机的实时图像；根据所述实时图像，对皮带机的状态进行第一检测，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；根据所述第一检测结果和/或第二检测结果，进行皮带机监测，便于对皮带机可能出现的异常状态及物料状态进行智能化、可视化的监控，能够较好地对物料运输的历史结果进行追溯。相关人员可以对皮带机的监测信息进行查看，同时，可以调取历史监测信息，当出现报警或警示信息时，则选择是否对该信息进行处理，并形成记录。
在一些实施例中，所述撕裂检测的步骤包括：
沿皮带机运行方向在皮带机的任一侧设置光线发射器，控制所述光线发射器沿垂直于皮带机运行的方向发射光线；
采集皮带机原始图像；
将所述皮带机原始图像输入撕裂检测网络进行训练，获取撕裂检测模型，训练步骤包括：光线特征提取和撕裂识别，所述撕裂识别的步骤包括：当所述皮带机原始图像中的光线不连续时，则判定所述皮带机原始图像出现撕裂；
将所述实时图像输入所述撕裂检测模型进行撕裂检测，完成撕裂检测。
在一些实施例中，所述异物检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第一轮廓分割网络进行训练，获取第一轮廓分割模型；
将所述实时图像输入第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒关联信息，所述颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
根据所述颗粒关联信息，进行异物检测。
在一些实施例中，获取所述实时图像中的颗粒关联信息的步骤包括：
将所述实时图像输入所述第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒轮廓信息，所述颗粒轮廓信息包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述实时图像中的异物。
在一些实施例中，获取颗粒颜色RGB像素值的步骤包括：
在所述实时图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure BDA0003052221580000111
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
在一些实施例中，获取颗粒表面线条数量的步骤包括：
构建第一边缘检测网络；
将第一训练集输入所述第一边缘检测网络进行训练，获取第一边缘检测模型；
将所述实时图像输入所述第一边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
在一些实施例中，根据所述颗粒表面信息，确定所述实时图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
在一些实施例中，所述打滑检测的步骤包括：
采集第二训练集；
将所述第二训练集输入目标检测网络进行训练，获取目标检测模型；
将所述实时图像输入所述目标检测模型进行目标检测，获取第一目标检测结果；
根据预设的图像采集周期进行实时图像二次采集；
将二次采集的实时图像输入目标检测网络进行目标检测，获取第二目标检测结果；
根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测。
在一些实施例中，根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测的步骤包括：
根据所述第一目标检测结果和第二目标检测结果，获取所述实时图像中的实时目标的运动距离；
根据所述运动距离和所述图像采集周期，获取皮带的运行速度；
判断所述皮带的运行速度是否超出速度阈值范围，获取判断结果，进而完成打滑检测；判断所述皮带的运行速度是否超出速度阈值范围的数学表达为：
a％*V<v<b％*V
其中，v为皮带的运行速度，a％为预设的第一速度阈值参数，V为皮带机的驱动轮的运行速度，b％为预设的第二速度阈值参数。
在一些实施例中，所述偏移检测的步骤包括：
采集第三训练集；
将所述第三训练集输入第二边缘检测网络进行训练，获取第二边缘检测模型；
将所述实时图像输入所述第二边缘检测模型进行边缘检测，获取皮带边缘位置；
根据所述皮带边缘位置和预设的托辊中心线的位置，判断皮带是否发生偏移，完成偏移检测。
在一些实施例中，所述物料颗粒度检测和料流强度检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第二轮廓分割网络进行训练，获取第二轮廓分割模型；
将所述实时图像输入第二轮廓分割模型进行轮廓分割，获取物料颗粒信息和/或物料轮廓信息，所述物料颗粒度信息包括：物料平均粒度、颗粒度分布比例；
根据所述物料颗粒度信息，进行物料颗粒度检测；
根据所述物料轮廓信息中物料轮廓的分布区域，获取料流强度，进而进行料流强度检测。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本实施例中的任一项方法。
本实施例还提供一种电子终端，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行本实施例中任一项方法。
本实施例中的计算机可读存储介质，本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本实施例提供的电子终端，包括处理器、存储器、收发器和通信接口，存储器和通信接口与处理器和收发器连接并完成相互间的通信，存储器用于存储计算机程序，通信接口用于进行通信，处理器和收发器用于运行计算机程序，使电子终端执行如上方法的各个步骤。
在本实施例中，存储器可能包含随机存取存储器(Random Access Memory，简称RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
上述的处理器可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processing，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field－Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (14)

1.一种皮带机监测方法，其特征在于，包括：
采集皮带机的实时图像；
根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；
根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；
根据所述第一检测结果和/或第二检测结果，进行皮带机监测。
2.根据权利要求1所述的皮带机监测方法，其特征在于，所述撕裂检测的步骤包括：
沿皮带机运行方向在皮带机的任一侧设置光线发射器，控制所述光线发射器沿垂直于皮带机运行的方向发射光线；
采集皮带机原始图像；
将所述皮带机原始图像输入撕裂检测网络进行训练，获取撕裂检测模型，训练步骤包括：光线特征提取和撕裂识别，所述撕裂识别的步骤包括：当所述皮带机原始图像中的光线不连续时，则判定所述皮带机原始图像出现撕裂；
将所述实时图像输入所述撕裂检测模型进行撕裂检测，完成撕裂检测。
3.根据权利要求1所述的皮带机监测方法，其特征在于，所述异物检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第一轮廓分割网络进行训练，获取第一轮廓分割模型；
将所述实时图像输入第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒关联信息，所述颗粒关联信息至少包括以下之一：颗粒轮廓信息和颗粒表面信息；
根据所述颗粒关联信息，进行异物检测。
4.根据权利要求3所述的皮带机监测方法，其特征在于，获取所述实时图像中的颗粒关联信息的步骤包括：
将所述实时图像输入所述第一轮廓分割模型进行轮廓分割，获取所述实时图像中的颗粒轮廓信息，所述颗粒轮廓信息包括：颗粒面积和颗粒周长；
根据所述颗粒面积和颗粒周长，获取待识别颗粒的等效直径；
判断所述待识别颗粒的等效直径是否超出预设的尺寸阈值，获取异物候选颗粒；
获取所述异物候选颗粒的颗粒表面信息，所述颗粒表面信息至少包括以下之一：颗粒颜色RGB像素值、颗粒表面线条数量；
根据所述颗粒表面信息，确定所述实时图像中的异物。
5.根据权利要求4所述的皮带机监测方法，其特征在于，获取颗粒颜色RGB像素值的步骤包括：
在所述实时图像建立参考坐标系，进而确定所述异物候选颗粒在所述参考坐标系的位置信息；
根据所述位置信息，获取所述异物候选颗粒的颗粒颜色RGB像素值；
获取所述异物候选颗粒的颗粒颜色RGB像素值的数学表达为：
Figure FDA0003052221570000021
其中，S是颗粒面积，C(i,j)是颗粒轮廓范围内坐标为(i,j)的RGB中任一通道像素值，C1是异物候选颗粒的颗粒颜色RGB像素值。
6.根据权利要求4所述的皮带机监测方法，其特征在于，获取颗粒表面线条数量的步骤包括：
构建第一边缘检测网络；
将第一训练集输入所述第一边缘检测网络进行训练，获取第一边缘检测模型；
将所述实时图像输入所述第一边缘检测模型进行边缘检测，获取所述异物候选颗粒的颗粒表面线条数量。
7.根据权利要求3所述的皮带机监测方法，其特征在于，根据所述颗粒表面信息，确定所述实时图像中的异物的步骤包括：
当所述颗粒颜色RGB像素值超出预设的颜色阈值范围，和/或所述颗粒表面线条数量超出预设的线条数量阈值范围时，则判定对应的所述异物候选颗粒为异物并发出警示；
判断所述异物候选颗粒是否为异物的数学表达为：
|C1-Caverage|>ThresholdC
|CountourNum-CountourNumaverage|>ThresholdN
其中，C1为异物候选颗粒的颗粒颜色RGB像素值，Caverage为预设的正常原料颗粒颜色的平均值，ThresholdC为所述颜色阈值范围，CountourNum为颗粒表面线条数量，CountourNumaverage为预设的正常原料颗粒的表面线条数量的平均值，ThresholdN为所述线条数量阈值范围。
8.根据权利要求1所述的皮带机监测方法，其特征在于，所述打滑检测的步骤包括：
采集第二训练集；
将所述第二训练集输入目标检测网络进行训练，获取目标检测模型；
将所述实时图像输入所述目标检测模型进行目标检测，获取第一目标检测结果；
根据预设的图像采集周期进行实时图像二次采集；
将二次采集的实时图像输入目标检测网络进行目标检测，获取第二目标检测结果；
根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测。
9.根据权利要求8所述的皮带机监测方法，其特征在于，根据所述第一目标检测结果和所述第二目标检测结果，进行打滑检测的步骤包括：
根据所述第一目标检测结果和第二目标检测结果，获取所述实时图像中的实时目标的运动距离；
根据所述运动距离和所述图像采集周期，获取皮带的运行速度；
判断所述皮带的运行速度是否超出速度阈值范围，获取判断结果，进而完成打滑检测；判断所述皮带的运行速度是否超出速度阈值范围的数学表达为：
a％*V<v<b％*V
其中，v为皮带的运行速度，a％为预设的第一速度阈值参数，V为皮带机的驱动轮的运行速度，b％为预设的第二速度阈值参数。
10.根据权利要求1所述的皮带机监测方法，其特征在于，所述偏移检测的步骤包括：
采集第三训练集；
将所述第三训练集输入第二边缘检测网络进行训练，获取第二边缘检测模型；
将所述实时图像输入所述第二边缘检测模型进行边缘检测，获取皮带边缘位置；
根据所述皮带边缘位置和预设的托辊中心线的位置，判断皮带是否发生偏移，完成偏移检测。
11.根据权利要求1所述的皮带机监测方法，其特征在于，所述物料颗粒度检测和料流强度检测的步骤包括：
采集原始原料图像；
将所述原始原料图像输入第二轮廓分割网络进行训练，获取第二轮廓分割模型；
将所述实时图像输入第二轮廓分割模型进行轮廓分割，获取物料颗粒信息和/或物料轮廓信息，所述物料颗粒度信息包括：物料平均粒度、颗粒度分布比例；
根据所述物料颗粒度信息，进行物料颗粒度检测；
根据所述物料轮廓信息中物料轮廓的分布区域，获取料流强度，进而进行料流强度检测。
12.一种皮带机监测系统，其特征在于，包括：
采集模块，用于采集皮带机的实时图像；
第一检测模块，用于根据所述实时图像，对皮带机的状态进行第一检测，获取第一检测结果，第一检测的步骤至少包括以下之一：撕裂检测、异物检测、打滑检测和偏移检测；
第二检测模块，用于根据所述实时图像，对皮带机上的物料状态进行第二检测，获取第二检测结果，第二检测的步骤至少包括以下之一：物料颗粒度检测和料流强度检测；
监测模块，用于根据所述第一检测结果和/或第二检测结果，进行皮带机监测；所述采集模块、第一检测模块、第二检测模块和监测模块连接。
13.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1至11中任一项所述方法。
14.一种电子终端，其特征在于，包括：处理器及存储器；
所述存储器用于存储计算机程序，所述处理器用于执行所述存储器存储的计算机程序，以使所述终端执行如权利要求1至11中任一项所述方法。
CN202110490390.5A 2021-05-06 2021-05-06 一种皮带机监测方法、系统、介质及电子终端 Active CN113192037B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110490390.5A CN113192037B (zh) 2021-05-06 2021-05-06 一种皮带机监测方法、系统、介质及电子终端

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110490390.5A CN113192037B (zh) 2021-05-06 2021-05-06 一种皮带机监测方法、系统、介质及电子终端

Publications (2)

Publication Number Publication Date
CN113192037A true CN113192037A (zh) 2021-07-30
CN113192037B CN113192037B (zh) 2023-05-02

Family

ID=76983725

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110490390.5A Active CN113192037B (zh) 2021-05-06 2021-05-06 一种皮带机监测方法、系统、介质及电子终端

Country Status (1)

Country Link
CN (1) CN113192037B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674259A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN113674301A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种料流强度的识别方法、系统、电子设备及介质
CN114476579A (zh) * 2022-03-07 2022-05-13 郑州职业技术学院 一种煤矿皮带智能监测系统及其监测方法
CN114998256A (zh) * 2022-05-31 2022-09-02 点昀技术(南通)有限公司 物料附着颗粒度检测方法、装置、设备及存储介质
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002076902A1 (en) * 2001-03-27 2002-10-03 Showa Denko K.K. Composition for texturing process
CN103824304A (zh) * 2014-03-18 2014-05-28 中国矿业大学(北京) 传送带上矿石传送过程中故障诊断方法
CN110171691A (zh) * 2019-06-20 2019-08-27 天津市三特电子有限公司 带式传输机皮带撕裂状态检测方法及检测系统
CN112027565A (zh) * 2020-09-28 2020-12-04 武汉科技大学 一种皮带边缘检测的皮带跑偏报警急停的方法
CN112154324A (zh) * 2018-04-27 2020-12-29 雪佛龙美国公司 使用多模声学信号来检测、监控和确定金属结构中变化的位置
CN112329782A (zh) * 2020-11-04 2021-02-05 中冶赛迪重庆信息技术有限公司 一种原料粒度确定方法、系统、终端及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2002076902A1 (en) * 2001-03-27 2002-10-03 Showa Denko K.K. Composition for texturing process
CN103824304A (zh) * 2014-03-18 2014-05-28 中国矿业大学(北京) 传送带上矿石传送过程中故障诊断方法
CN112154324A (zh) * 2018-04-27 2020-12-29 雪佛龙美国公司 使用多模声学信号来检测、监控和确定金属结构中变化的位置
CN110171691A (zh) * 2019-06-20 2019-08-27 天津市三特电子有限公司 带式传输机皮带撕裂状态检测方法及检测系统
CN112027565A (zh) * 2020-09-28 2020-12-04 武汉科技大学 一种皮带边缘检测的皮带跑偏报警急停的方法
CN112329782A (zh) * 2020-11-04 2021-02-05 中冶赛迪重庆信息技术有限公司 一种原料粒度确定方法、系统、终端及介质

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
SEYED MEHDI MOGHADAS等: "Detection and classification of foreign substances in medical vials using MLP neural network and SVM" *
廖婷婷等: "基于图像测速的烧结皮带机故障诊断方法", 《烧结球团》 *
张新天: "图像识别技术在炼铁原燃料粒度检测中的应用", 《现代冶金》 *
杨振: "黄玉川煤矿皮带智能管理调速系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
滕 悦等: "基于图像处理技术的皮带跑偏监测系统设计", 《烧结球团》 *
苏强: "矿用带式输送机智能物料超限识别及安全防护系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》 *
谭铁君等: "高速钢麻花钻金属钻屑痕迹的实验研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113674259A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN113674301A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种料流强度的识别方法、系统、电子设备及介质
CN113674259B (zh) * 2021-08-26 2024-03-05 中冶赛迪信息技术(重庆)有限公司 一种皮带机打滑检测方法、系统、电子设备及介质
CN114476579A (zh) * 2022-03-07 2022-05-13 郑州职业技术学院 一种煤矿皮带智能监测系统及其监测方法
CN114476579B (zh) * 2022-03-07 2023-07-18 郑州职业技术学院 一种煤矿皮带智能监测系统及其监测方法
CN114998256A (zh) * 2022-05-31 2022-09-02 点昀技术(南通)有限公司 物料附着颗粒度检测方法、装置、设备及存储介质
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

Also Published As

Publication number Publication date
CN113192037B (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN113192037A (zh) 一种皮带机监测方法、系统、介质及电子终端
CN110930357B (zh) 一种基于深度学习的在役钢丝绳表面缺陷检测方法与系统
Sinha et al. Segmentation of buried concrete pipe images
CN117115147B (zh) 一种基于机器视觉的纺织品检测方法及系统
CN107437243B (zh) 基于x光图像的轮胎杂质检测方法及装置
CN110414320B (zh) 一种安全生产监管的方法及系统
CN111591715A (zh) 一种皮带纵向撕裂检测方法及装置
KR20210122429A (ko) 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템
CN113962951B (zh) 检测分割模型的训练方法及装置、目标检测方法及装置
CN113436157A (zh) 一种用于受电弓故障的车载图像识别方法
CN113706523A (zh) 基于人工智能技术的皮带跑偏及异常运行状态的监测方法
CN117723739B (zh) 一种低碳润滑油的质量分析方法及系统
CN113160220A (zh) 一种基于深度学习的检测门把手归位和弯曲的方法
Wu et al. Automatic gear sorting system based on monocular vision
CN114219753A (zh) 一种基于深度学习的电力设备表面缺陷检测方法及终端
JPH0694643A (ja) 表面欠陥検出方法
CN117330582A (zh) 一种高分子pe薄膜表面晶点检测系统
CN115984759A (zh) 变电站开关状态识别方法、装置、计算机设备和存储介质
Feng et al. Liquid surface location of milk bottle based on digital image processing
CN109214390B (zh) 基于机器视觉原理的栅栏状态检测方法及系统
CN115082722B (zh) 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN108181315B (zh) 一种基于图像处理的饼干损伤检测装置及检测方法
Lan et al. Weld Recognition of Pressure Vessel Based on Texture Feature
CN118397316B (zh) 一种轨道列车项点的缺失检测方法
Jia et al. Liquid Level Line Recognition Method Based on UNet Semantic Segmentation Network

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
CB02 Change of applicant information

Address after: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

Applicant after: MCC CCID information technology (Chongqing) Co.,Ltd.

Address before: 20-24 / F, No.7 Longjing Road, North New District, Yubei District, Chongqing

Applicant before: CISDI CHONGQING INFORMATION TECHNOLOGY Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant