CN113588659A - 基于视频图像的带式输送机纵撕检测方法、装置及系统 - Google Patents
基于视频图像的带式输送机纵撕检测方法、装置及系统 Download PDFInfo
- Publication number
- CN113588659A CN113588659A CN202110839599.8A CN202110839599A CN113588659A CN 113588659 A CN113588659 A CN 113588659A CN 202110839599 A CN202110839599 A CN 202110839599A CN 113588659 A CN113588659 A CN 113588659A
- Authority
- CN
- China
- Prior art keywords
- belt
- belt surface
- belt conveyor
- obtaining
- video 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 144
- 230000005856 abnormality Effects 0.000 claims abstract description 79
- 238000000034 method Methods 0.000 claims abstract description 55
- 230000002159 abnormal effect Effects 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims description 47
- 238000012549 training Methods 0.000 claims description 41
- 238000012545 processing Methods 0.000 claims description 24
- 238000013135 deep learning Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 7
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 14
- 239000003245 coal Substances 0.000 description 11
- 238000004590 computer program Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 6
- 238000001914 filtration Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 4
- 239000010883 coal ash Substances 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- AYFVYJQAPQTCCC-GBXIJSLDSA-N L-threonine Chemical compound C[C@@H](O)[C@H](N)C(O)=O AYFVYJQAPQTCCC-GBXIJSLDSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 210000004544 dc2 Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000004190 ion pair chromatography Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- 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
- 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)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Control Of Conveyors (AREA)
Abstract
本发明属于带式输送机领域，公开了一种基于视频图像的带式输送机纵撕检测方法、装置及系统，通过获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。满足现有纵撕检测的实时性和准确性的需求。
Description
技术领域
本发明属于带式输送机领域，涉及一种基于视频图像的带式输送机纵撕检测方法、装置及系统。
背景技术
输送带是带式输送机的关键组成部分，由于受外力以及自身内部的影响会引起纵撕事故，虽然纵撕事故不常发生，但是，一旦发生就需要投入大量人力物力才能完成事故处理，给煤炭企业带来了严重的经济损失。
为了及时发现纵撕事故，降低带式输送机纵撕事故带来的影响，人们提出了多种防纵撕装置及方法，常见的接触式包括棒形检测装置、秤重式和漏料检测装置，以及非接触式的X光透射检测、电磁传感器以及视觉检测法等。其中，接触式漏料检测是根据输送带发生纵撕产生的掉煤现象进行检测，物料(煤)落到下带面上，与物理检测器碰撞从而触发报警信号，但由于物料(煤)掉落情况复杂，很容易引起误报。非接触式中的X光透射检测和电磁传感器在精度上相对于接触式较高，但不足之处是安装复杂，成本高。
非接触式视觉检测在经济性、复用性及稳定性上有很大优势。目前，有通过摄像机采集视频图像，计算纵向长度、横向宽度以及长宽比等特征参数，当检测的特征参数超过一定的阈值，则判定纵撕故障，该方法简单明确，但是算法过于简单，包容性差，检测精度较低。还有一些是结合线性激光器，通过视觉分析技术提取激光中心线，观察激光线的畸变情况判断是否发生撕裂，该方法可检测小型纵撕情况，但不足之处激光器寿命短，并容易受现场环境损坏。
发明内容
本发明的目的在于克服上述现有技术中的缺点，提供一种基于视频图像的带式输送机纵撕检测方法、装置及系统。
为达到上述目的，本发明采用以下技术方案予以实现：
本发明第一方面，一种基于视频图像的带式输送机纵撕检测方法，包括以下步骤：
获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；
根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；
获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；
根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；
根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；
根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
本发明基于视频图像的带式输送机纵撕检测方法进一步的改进在于：
所述上带面带宽检测模型通过如下方式构建：获取若干上带面视频图像，并进行带面边缘标记，得到第一数据样本；并将第一数据样本分为第一训练数据样本和第一测试数据样本；通过第一训练数据样本训练预设的深度学习算法模型，并通过第一测试数据样本测试训练后的深度学习网络模型，当满足第一预设测试要求时，得到上带面带宽检测模型；所述下带面异物检测模型通过如下方式构建：获取若干下带面视频图像，并进行异物标记，得到第二数据样本；并将第二数据样本分为第二训练数据样本和第二测试数据样本；通过第二训练数据样本训练预设的深度学习算法模型，并通过第二测试数据样本测试训练后的深度学习网络模型，当满足第二预设测试要求时，得到下带面异物检测模型；
所述侧带面裂痕检测模型通过如下方式构建：获取若干侧带面视频图像，并进行侧带面裂痕标记，得到第三数据样本；并将第三数据样本分为第三训练数据样本和第三测试数据样本；通过第三训练数据样本训练预设的深度学习算法模型，并通过第三测试数据样本测试训练后的深度学习网络模型，当满足第三预设测试要求时，得到侧带面裂痕检测模型。
所述深度学习网络模型为YOLOv3网络模型。
所述获取若干侧带面视频图像的具体方法为：获取若干历史侧带面视频图像；选取带有裂痕的历史侧带面视频图像，通过预设的扩增方法进行扩增，得到若干扩增历史侧带面裂痕视频图像；组合若干历史侧带面视频图像以及若干扩增历史侧带面裂痕视频图像，得到若干侧带面视频图像。
所述根据上带面当前带面载荷，得到上带面当前带宽阈值的具体方法为：根据上带面当前带面载荷，通过预设的载荷-带宽阈值范围对应关系，得到上带面当前带宽阈值；所述根据上带面宽度及上带面当前带宽阈值，得到上带面异常度的具体方法为：
根据上带面宽度及上带面当前带宽阈值，通过下式得到上带面异常度Y1：
其中，Vwidth为上带面宽度，Twidth，weight为上带面当前带宽阈值，Twidth，max是带式输送机带宽最大偏差阈值，abs()为绝对值计算函数。
所述根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果的具体方法为：将上带面异常度、下带面异常度以及侧带面异常度根据预设的权重，进行加权求和得到综合异常度；获取预设的综合异常度阈值，当综合异常度大于综合异常度阈值时，带式输送机发生纵撕故障，否则，带式输送机正常运行。
还包括：当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至带式输送机；还生成报警信息，并显示报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像。
本发明第二方面，一种基于视频图像的带式输送机纵撕检测装置，包括：
获取模块，用于获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；
上带面宽度确定模块，用于根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；
上带面异常度确定模块，用于获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；
下带面异常度确定模块，用于根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；
侧带面异常度确定模块，用于根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；
检测结果确定模块，用于根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
本发明第三方面，一种基于视频图像的带式输送机纵撕检测系统，包括用于拍摄带式输送机上带面视频图像的第一摄像机、用于拍摄带式输送机下带面视频图像的第二摄像机、分别用于拍摄带式输送机两侧带面视频图像的第三摄像机和第四摄像机、交换机以及数据处理装置；
第一摄像机、第二摄像机、第三摄像机和第四摄像机通过交换机连接数据处理装置，数据处理装置内部设置权利要求8所述的基于视频图像的带式输送机纵撕检测装置。
进一步的，还包括控制系统以及显示装置；控制系统以及显示装置均与数据处理装置连接，控制系统与带式输送机连接；数据处理装置内还设置后处理模块，后处理模块用于当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至控制系统，通过控制系统控制带式输送机停机；还用于生成报警信息，并将报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像发送至显示装置显示。
与现有技术相比，本发明具有以下有益效果：
本发明基于视频图像的带式输送机纵撕检测方法，基于带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像，结合深度学习方法和信号处理方法，通过上带面带宽检测模型、下带面异物检测模型以及侧带面裂痕检测模型，得到上带面异常度、下带面异常度以及侧带面异常度，然后根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。融合三种检测结果，不仅解决了防纵撕保护装置存在的“单点”判别局限性和误动作率比较高的问题，而且满足小(窄)、中大裂缝纵撕检测的判断，极大的提高了带式输送机纵撕检测的准确性，能够满足现有纵撕检测的实时性和准确性的需求，并且稳定性高，不会受到环境影响。相对于现有技术，具有使用灵活，性能优良及成本低的优势。
本发明基于视频图像的带式输送机纵撕检测系统，应用范围广，不仅可以应用于选煤厂，也可以应用于矿井，安装简单方便，并且摄像头可以进行多级应用，减少成本，提高效率。
附图说明
图1为本发明的基于视频图像的带式输送机纵撕检测方法流程图；
图2为本发明的模型构建和使用流程图；
图3为本发明的基于视频图像的带式输送机纵撕检测系统框架图；
图4为本发明的摄像机安装示意图。
其中：1-第一摄像机；2-第二摄像机；3-第三摄像机；4-第四摄像机；5-交换机；6-数据处理装置；7-控制系统；8-显示装置；9-设备启停键。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，而不是全部的实施例。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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明一实施例中，提供一种基于视频图像的带式输送机纵撕检测方法，包括以下步骤。
S1：获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像。具体的，本实施例中，通过在带式输送机的上带面、下带面以及两侧带面分别安装第一摄像头1、第二摄像头2、第三摄像头3和第四摄像头4。其中，第一摄像头1主要采集带式输送机的皮带的上带面画面，得到带式输送机上带面视频图像；第二摄像头2主要采集带式输送机的皮带的下带面画面，得到下带面视频图像；第三摄像头3和第四摄像头4分别采集带式输送机的皮带的两个侧带面的画面，得到两侧带面视频图像。
S2：根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度。
具体的，将上带面视频图像输入预设的上带面带宽检测模型。通过预设的上带面带宽检测模型检测上带面视频图像中上带面的两个边缘，并计算两个边缘的距离，得到上带面宽度。
优选的，将上带面视频图像输入预设的上带面带宽检测模型前，将上带面视频图像进行预处理，预处理过程中主要进行了均值过滤和图像增强，以改善图像的质量，进而提升上带面带宽检测模型结果的准确度。
S3：获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度。
其中，所述根据上带面当前带面载荷，得到上带面当前带宽阈值的具体方法为：根据上带面当前带面载荷，通过预设的载荷-带宽阈值范围对应关系，得到上带面当前带宽阈值。具体的，载荷-带宽阈值范围对应关系是根据累积的正常运行带宽数据与载荷数据，拟合带宽与载荷之间关系，形成不同载荷状态下对应不同带式输送机带宽的阈值范围，解决因带式输送机上载荷(煤量)多少而引起带宽自身变化的影响。
根据上带面宽度及上带面当前带宽阈值，得到上带面异常度的具体方法为：根据上带面宽度及上带面当前带宽阈值，通过下式得到上带面异常度Y1：
其中，Vwidth为上带面宽度，Twidth，weight为上带面当前带宽阈值，Twidth，max是带式输送机带宽最大偏差阈值，abs()为绝对值计算函数。
S4：根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度。具体的，将下带面视频图像输入预设的下带面异物检测模型。通过预设的下带面异物检测模型对下带面进行异物检测，判断检测到的异物的类别、大小和数量数据是否正常，当异物类别、大小和数量满足阈值时，下带面异常度为1；否则，下带面异常度为0。
优选的，将下带面视频图像输入预设的下带面异物检测模型前，将下带面视频图像进行预处理，预处理过程中主要进行了均值过滤和图像增强，以改善图像的质量，进而提升下带面异物检测模型结果的准确度。
S5：根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度。具体的，分别将两侧带面视频图像输入预设的侧带面裂痕检测模型。通过预设的侧带面裂痕检测模型对侧带面进行裂痕检测，实时检测当前侧带面视频图像中是否存在裂痕，当检测到裂痕时侧带面异常度为1；否则侧带面异常度为0。
优选的，将侧带面视频图像输入预设的侧带面裂痕检测模型前，将侧带面视频图像进行预处理，预处理过程中主要进行了均值过滤和图像增强，以改善图像的质量，进而提升侧带面裂痕检测模型结果的准确度。
S6：根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
所述根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果的具体方法为：将上带面异常度、下带面异常度以及侧带面异常度根据预设的权重，进行加权求和得到综合异常度；获取预设的综合异常度阈值，当综合异常度大于综合异常度阈值时，带式输送机发生纵撕故障，否则，带式输送机正常运行。
本实施例中，上带面异常度Y1、下带面异常度Y2以及侧带面异常度Y3，对应的系数分别为w1、w2、w3，通过加权累积求和获取综合异常值Y：
Y＝w1*Y1+w2*Y2+w3*Y3
其中，Y1的范围在[0，1]内，Y2、Y3的异常度不是0就是1。侧带面异常度Y3只要2个侧带面中的一个检测到裂痕，则侧带面异常度Y3就是为1。w1、w2、w3的权重系数分别为0.3、0.4、和0.3，当综合异常值Y大于综合异常度阈值Thre时候，则综合异常值为1，判断发生纵撕事故，否则，综合异常值为0，判断为没有发生纵撕。
本实施例中的综合异常度阈值设定为0.4。
上述过程中，需要用到上带面带宽检测模型、下带面异物检测模型以及侧带面裂痕检测模型，本实施例中，提供如下的构建方式。
其中，所述上带面带宽检测模型通过如下方式构建：获取若干上带面视频图像，并进行带面边缘标记，得到第一数据样本；并将第一数据样本分为第一训练数据样本和第一测试数据样本；通过第一训练数据样本训练预设的深度学习算法模型，并通过第一测试数据样本测试训练后的深度学习网络模型，当满足第一预设测试要求时，得到上带面带宽检测模型。其中，深度学习网络模型一般采用YOLOv3网络模型，但不以此为限。
具体的，参见图2，基于YOLOv3网络模型的上带面带宽检测模型应用过程分为离线训练和在线应用两大部分。在离线训练阶段，首先收集大量的训练数据，在该训练过程中，自制了24500张图像作为训练集，4900作为测试集，两个数据集不重复。在选择数据集素材时，主要考虑光照、干扰物等条件，目的让数据覆盖更全面。在图像预处理过程中主要进行了均值过滤和图像增强，改善图像的质量；在模型训练过程中，图像输入大小416*416，其他训练过程参数分别为每步训练的图片数量batch＝32，训练的初始学习率learning_rate＝0.001，迭代次数max_batches＝14000等，将训练好的模型进行保存，作为实时数据检测的输入，通过测试数据集测试，模型平均准确率96.2％。在线检测阶段，输入实时的上带面视频图像，并对上带面视频图像进行均值过滤和图像增强，调用离线训练好的模型进行实时检测皮带边缘，根据边缘检测结果计算皮带宽度。
其中，所述下带面异物检测模型通过如下方式构建：获取若干下带面视频图像，并进行异物标记，得到第二数据样本；并将第二数据样本分为第二训练数据样本和第二测试数据样本；通过第二训练数据样本训练预设的深度学习算法模型，并通过第二测试数据样本测试训练后的深度学习网络模型，当满足第二预设测试要求时，得到下带面异物检测模型。
具体的，下带面异物检测侧模型与上带面带宽模型基本一致。也分为离线训练和在线检测过程。在离线训练时，训练数据集有57600张图，有14400张测试集。在数据标记过程中，考虑洗选厂生产环境煤灰漂浮在网络摄像头附近会将部分煤灰检测为煤块问题，在进行数据标记时，则直接将煤灰作为一类干扰标签，形成煤块(coal)、网片(meshes)以及干扰物(distractors)三种类别，将干扰物(distractors)类别也拉入正常训练中，提高了模型检测精度。经过测试数据集测试，模型平均准确率95.3％。
其中，所述侧带面裂痕检测模型通过如下方式构建：获取若干侧带面视频图像，并进行侧带面裂痕标记，得到第三数据样本；并将第三数据样本分为第三训练数据样本和第三测试数据样本；通过第三训练数据样本训练预设的深度学习算法模型，并通过第三测试数据样本测试训练后的深度学习网络模型，当满足第三预设测试要求时，得到侧带面裂痕检测模型。
其中，所述获取若干侧带面视频图像的具体方法为：获取若干历史侧带面视频图像；选取带有裂痕的历史侧带面视频图像，通过预设的扩增方法进行扩增，得到若干扩增历史侧带面裂痕视频图像；组合若干历史侧带面视频图像以及若干扩增历史侧带面裂痕视频图像，得到若干侧带面视频图像。
具体的，侧带面裂痕检测模型与上带面带宽模型基本一致。也分为离线训练和在线检测过程。但是，由于侧带面裂痕收集的数据集较少，在进行整理数据集时，通过对原始侧带面裂痕图像增加噪声、旋转以及增加和降低亮度技术等扩增方法进行来增加样本数量，最终训练数据集3200张，测试集800张；同时，采用迁移学习方法提高算法精度，在YOLOv3迁移学习过程中冻结Darknet53前24层实现基于YOLOv3的侧带面裂痕检测模型。
所述深度学习的YOLOv3网络模型是以浪潮NF5280M5为硬件基础，搭建Ubuntu14.04+cuda8.0+cudnn+opencv的训练环境，采用Tensorflow-1.13.1架构和开发语言python3.6，采用LabelImg进行数据标注。
综上所述，本发明基于视频图像的带式输送机纵撕检测方法，基于带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像，结合深度学习方法和信号处理方法，通过上带面带宽检测模型、下带面异物检测模型以及侧带面裂痕检测模型，得到上带面异常度、下带面异常度以及侧带面异常度，然后根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。在上带面带宽检测模型中引入了煤量信息，一定程度上提高了带宽检测异常的准确性；在下带面异物检测模型中，对大量现场视频图像进行标注，结合下带面异物检测模型实时获取检测结果，解决防纵撕保护装置存在的“单点”判别局限性误动作率比较高的问题，侧带面裂痕检测模型解决了窄(小)裂缝纵撕检测。融合三种检测结果，不仅解决了防纵撕保护装置存在的“单点”判别局限性和误动作率比较高的问题，而且满足小(窄)、中大裂缝纵撕检测的判断，极大的提高了带式输送机纵撕检测的准确性，能够满足现有纵撕检测的实时性和准确性的需求，并且稳定性高，不会受到环境(温度、湿度及大块)影响。相对于现有技术，具有使用灵活，性能优良及成本低的优势。
优选的，本发明再一实施例中，基于视频图像的带式输送机纵撕检测方法，还包括以下步骤：当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至带式输送机。
具体的，当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，实时反馈给控制系统，控制系统可以是PLC，PLC与带式输送机的启停键结合，控制系统接收到控制信号后，控制启停键实现带式输送机及时停机，将纵撕事故的损害降低到最小。
优选的，本发明再一实施例中，基于视频图像的带式输送机纵撕检测方法，还包括以下步骤：当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时生成报警信息，并显示报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像。
具体的，当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成报警信息，将报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像发送至显示装置进行显示，完成纵撕检测结果的显示及报警提示，可通过PC、APP以及大屏显示及报警。显示内容还可以包括原始视频、纵撕各检测单元检测截图以及历史记录信息，报警的目的是一旦出现异常信息，立即提醒工作人员关注，以便及时处理。
下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。
本发明再一实施例中，提供一种基于视频图像的带式输送机纵撕检测装置，包括获取模块、上带面宽度确定模块、上带面异常度确定模块、下带面异常度确定模块、侧带面异常度确定模块以及检测结果确定模块。
其中，获取模块用于获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；上带面宽度确定模块用于根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；上带面异常度确定模块用于获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；下带面异常度确定模块用于根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；侧带面异常度确定模块用于根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；检测结果确定模块用于根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
参见图3和4，本发明再一实施例中，提供一种基于视频图像的带式输送机纵撕检测系统，包括用于拍摄带式输送机上带面视频图像的第一摄像机1、用于拍摄带式输送机下带面视频图像的第二摄像机2、分别用于拍摄带式输送机两侧带面视频图像的第三摄像机3和第四摄像机4、交换机5以及数据处理装置6；第一摄像机1、第二摄像机2、第三摄像机3和第四摄像机4通过交换机5连接数据处理装置6，数据处理装置6内部设置上述的基于视频图像的带式输送机纵撕检测装置。
具体的，第一摄像机1、第二摄像机2、第三摄像机3和第四摄像机4分别设置在带式输送机上带面上方、下带面上方以及皮带两侧，交换机5包括生产现场的交换机5与机房的交换机5，生产现场的交换机5与机房的交换机5相连接。第一摄像机1、第二摄像机2、第三摄像机3和第四摄像机4为网络摄像头(IPC)，采集的视频图像通过交换机5将传输到数据处理装置6，数据处理装置6可以是电子计算机、本地服务器或云服务器。
本发明基于视频图像的带式输送机纵撕检测系统，不仅可以应用于选煤厂，也可以应用于矿井，安装简单方便，并且摄像头可以进行多级应用，减少了成本，提高了效率。
优选的，本发明再一实施例中，上述基于视频图像的带式输送机纵撕检测系统还包括控制系统7以及显示装置8；控制系统7以及显示装置8均与数据处理装置6连接，控制系统7与带式输送机连接；数据处理装置6内还设置后处理模块，后处理模块用于当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至控制系统7，通过控制系统7控制带式输送机停机；还用于生成报警信息，并将报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像发送至显示装置9显示。其中，控制系统7可以基于PLC实现，通过交换机5，实现控制系统7与带式输送机的设备启停键9结合，实现通过控制系统7控制带式输送机停机；显示装置8可以为电子计算机、手机或显示屏。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于视频图像的带式输送机纵撕检测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于视频图像的带式输送机纵撕检测方法的相应步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于视频图像的带式输送机纵撕检测方法，其特征在于，包括以下步骤：
获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；
根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；
获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；
根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；
根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；
根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
2.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述上带面带宽检测模型通过如下方式构建：
获取若干上带面视频图像，并进行带面边缘标记，得到第一数据样本；并将第一数据样本分为第一训练数据样本和第一测试数据样本；
通过第一训练数据样本训练预设的深度学习算法模型，并通过第一测试数据样本测试训练后的深度学习网络模型，当满足第一预设测试要求时，得到上带面带宽检测模型；
所述下带面异物检测模型通过如下方式构建：
获取若干下带面视频图像，并进行异物标记，得到第二数据样本；并将第二数据样本分为第二训练数据样本和第二测试数据样本；
通过第二训练数据样本训练预设的深度学习算法模型，并通过第二测试数据样本测试训练后的深度学习网络模型，当满足第二预设测试要求时，得到下带面异物检测模型；
所述侧带面裂痕检测模型通过如下方式构建：
获取若干侧带面视频图像，并进行侧带面裂痕标记，得到第三数据样本；并将第三数据样本分为第三训练数据样本和第三测试数据样本；
通过第三训练数据样本训练预设的深度学习算法模型，并通过第三测试数据样本测试训练后的深度学习网络模型，当满足第三预设测试要求时，得到侧带面裂痕检测模型。
3.根据权利要求2所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述深度学习网络模型为YOLOv3网络模型。
4.根据权利要求2所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述获取若干侧带面视频图像的具体方法为：
获取若干历史侧带面视频图像；
选取带有裂痕的历史侧带面视频图像，通过预设的扩增方法进行扩增，得到若干扩增历史侧带面裂痕视频图像；
组合若干历史侧带面视频图像以及若干扩增历史侧带面裂痕视频图像，得到若干侧带面视频图像。
5.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述根据上带面当前带面载荷，得到上带面当前带宽阈值的具体方法为：根据上带面当前带面载荷，通过预设的载荷-带宽阈值范围对应关系，得到上带面当前带宽阈值；所述根据上带面宽度及上带面当前带宽阈值，得到上带面异常度的具体方法为：
根据上带面宽度及上带面当前带宽阈值，通过下式得到上带面异常度Y1：
其中，Vwidth为上带面宽度，Twidth，weight为上带面当前带宽阈值，Twidth，max是带式输送机带宽最大偏差阈值，abs()为绝对值计算函数。
6.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果的具体方法为：
将上带面异常度、下带面异常度以及侧带面异常度根据预设的权重，进行加权求和得到综合异常度；
获取预设的综合异常度阈值，当综合异常度大于综合异常度阈值时，带式输送机发生纵撕故障，否则，带式输送机正常运行。
7.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，还包括：
当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至带式输送机；
还生成报警信息，并显示报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像。
8.一种基于视频图像的带式输送机纵撕检测装置，其特征在于，包括：
获取模块，用于获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；
上带面宽度确定模块，用于根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；
上带面异常度确定模块，用于获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；
下带面异常度确定模块，用于根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；
侧带面异常度确定模块，用于根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；
检测结果确定模块，用于根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。
9.一种基于视频图像的带式输送机纵撕检测系统，其特征在于，包括用于拍摄带式输送机上带面视频图像的第一摄像机、用于拍摄带式输送机下带面视频图像的第二摄像机、分别用于拍摄带式输送机两侧带面视频图像的第三摄像机和第四摄像机、交换机以及数据处理装置；
第一摄像机、第二摄像机、第三摄像机和第四摄像机通过交换机连接数据处理装置，数据处理装置内部设置权利要求8所述的基于视频图像的带式输送机纵撕检测装置。
10.根据权利要求9所述的基于视频图像的带式输送机纵撕检测系统，其特征在于，还包括控制系统以及显示装置；控制系统以及显示装置均与数据处理装置连接，控制系统与带式输送机连接；数据处理装置内还设置后处理模块，后处理模块用于当带式输送机纵撕故障检测结果为带式输送机发生纵撕故障时，生成用于控制带式输送机停机的控制信号，并发送至控制系统，通过控制系统控制带式输送机停机；还用于生成报警信息，并将报警信息、当前的上带面视频图像、当前的下带面视频图像以及当前的两侧带面视频图像发送至显示装置显示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110839599.8A CN113588659B (zh) | 2021-07-23 | 2021-07-23 | 基于视频图像的带式输送机纵撕检测方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110839599.8A CN113588659B (zh) | 2021-07-23 | 2021-07-23 | 基于视频图像的带式输送机纵撕检测方法、装置及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113588659A true CN113588659A (zh) | 2021-11-02 |
| CN113588659B CN113588659B (zh) | 2024-09-06 |
Family
ID=78249395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110839599.8A Active CN113588659B (zh) | 2021-07-23 | 2021-07-23 | 基于视频图像的带式输送机纵撕检测方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113588659B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117228262A (zh) * | 2023-11-16 | 2023-12-15 | 徐州众图智控通信科技有限公司 | 基于激光检测的煤矿运输皮带纵撕检测系统和方法 |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003020107A (ja) * | 2001-07-11 | 2003-01-21 | Bando Chem Ind Ltd | コルゲートサイドコンベヤベルト |
| US20060114452A1 (en) * | 2003-09-03 | 2006-06-01 | Wolfgang Schnell | Control device for a conveyor |
| KR100934863B1 (ko) * | 2009-04-02 | 2009-12-31 | 포스낙(주) | 벨트 컨베이어용 벨트 사행방지장치의 벨트사행감지장치 |
| JP2012006703A (ja) * | 2010-06-24 | 2012-01-12 | Taisei Corp | ベルトコンベア監視システム |
| CN204078747U (zh) * | 2014-07-05 | 2015-01-07 | 华北电力大学（保定） | 一种基于超声波测距的防皮带撕裂装置 |
| CN105301005A (zh) * | 2015-11-11 | 2016-02-03 | 首钢总公司 | 一种预测热轧卷表面缺陷在铸坯厚度方向位置的方法 |
| CN108163576A (zh) * | 2018-01-30 | 2018-06-15 | 中建材（合肥）粉体科技装备有限公司 | 一种厂房内袋装物料装车机上的折叠式输送装置 |
| CN207810580U (zh) * | 2017-12-21 | 2018-09-04 | 安徽皖江物流（集团）股份有限公司裕溪口煤码头分公司 | 一种基于图像处理的皮带机皮带纵向撕裂检测系统 |
| CN108510488A (zh) * | 2018-03-30 | 2018-09-07 | 安徽理工大学 | 基于残差网络的输送带四种损伤检测方法 |
| US20180273303A1 (en) * | 2015-09-30 | 2018-09-27 | Contitech Transportbandsysteme Gmbh | Conveyor Belt Edge Detection System |
| CN208790552U (zh) * | 2018-07-26 | 2019-04-26 | 中国神华能源股份有限公司 | 带式输送机异物检测装置及带式输送机 |
| CN109682836A (zh) * | 2019-01-29 | 2019-04-26 | 安徽利珀科技有限公司 | 一种缺陷检测装置 |
| WO2019188718A1 (ja) * | 2018-03-28 | 2019-10-03 | バンドー化学株式会社 | 表面形状監視装置、摩耗量測定システム及び表面形状監視システム |
| US20190352097A1 (en) * | 2017-01-18 | 2019-11-21 | The Yokohama Rubber Co., Ltd. | Conveyor Belt Monitoring System |
| 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 |
| US20210009359A1 (en) * | 2019-07-11 | 2021-01-14 | SYNCRUDE CANADA LTD. in trust for the owners of the Syncrude Projects as such owners exist now and | Monitoring a transverse position of a conveyor belt and its material load by digital image analysis |
-
2021
- 2021-07-23 CN CN202110839599.8A patent/CN113588659B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003020107A (ja) * | 2001-07-11 | 2003-01-21 | Bando Chem Ind Ltd | コルゲートサイドコンベヤベルト |
| US20060114452A1 (en) * | 2003-09-03 | 2006-06-01 | Wolfgang Schnell | Control device for a conveyor |
| KR100934863B1 (ko) * | 2009-04-02 | 2009-12-31 | 포스낙(주) | 벨트 컨베이어용 벨트 사행방지장치의 벨트사행감지장치 |
| JP2012006703A (ja) * | 2010-06-24 | 2012-01-12 | Taisei Corp | ベルトコンベア監視システム |
| CN204078747U (zh) * | 2014-07-05 | 2015-01-07 | 华北电力大学（保定） | 一种基于超声波测距的防皮带撕裂装置 |
| US20180273303A1 (en) * | 2015-09-30 | 2018-09-27 | Contitech Transportbandsysteme Gmbh | Conveyor Belt Edge Detection System |
| CN105301005A (zh) * | 2015-11-11 | 2016-02-03 | 首钢总公司 | 一种预测热轧卷表面缺陷在铸坯厚度方向位置的方法 |
| US20190352097A1 (en) * | 2017-01-18 | 2019-11-21 | The Yokohama Rubber Co., Ltd. | Conveyor Belt Monitoring System |
| CN207810580U (zh) * | 2017-12-21 | 2018-09-04 | 安徽皖江物流（集团）股份有限公司裕溪口煤码头分公司 | 一种基于图像处理的皮带机皮带纵向撕裂检测系统 |
| CN108163576A (zh) * | 2018-01-30 | 2018-06-15 | 中建材（合肥）粉体科技装备有限公司 | 一种厂房内袋装物料装车机上的折叠式输送装置 |
| WO2019188718A1 (ja) * | 2018-03-28 | 2019-10-03 | バンドー化学株式会社 | 表面形状監視装置、摩耗量測定システム及び表面形状監視システム |
| CN108510488A (zh) * | 2018-03-30 | 2018-09-07 | 安徽理工大学 | 基于残差网络的输送带四种损伤检测方法 |
| CN208790552U (zh) * | 2018-07-26 | 2019-04-26 | 中国神华能源股份有限公司 | 带式输送机异物检测装置及带式输送机 |
| CN109682836A (zh) * | 2019-01-29 | 2019-04-26 | 安徽利珀科技有限公司 | 一种缺陷检测装置 |
| US20210009359A1 (en) * | 2019-07-11 | 2021-01-14 | SYNCRUDE CANADA LTD. in trust for the owners of the Syncrude Projects as such owners exist now and | Monitoring a transverse position of a conveyor belt and its material load by digital image analysis |
| 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 |
Non-Patent Citations (1)
| Title |
|---|
| 王建勋;: "煤矿输送带传输故障实时监测技术", 工矿自动化, no. 01, 31 January 2015 (2015-01-31), pages 49 - 52 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117228262A (zh) * | 2023-11-16 | 2023-12-15 | 徐州众图智控通信科技有限公司 | 基于激光检测的煤矿运输皮带纵撕检测系统和方法 |
| CN117228262B (zh) * | 2023-11-16 | 2024-03-08 | 徐州众图智控通信科技有限公司 | 基于激光检测的煤矿运输皮带纵撕检测系统和方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113588659B (zh) | 2024-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110171691A (zh) | 带式传输机皮带撕裂状态检测方法及检测系统 | |
| CN109305534A (zh) | 基于计算机视觉的煤码头带式输送机自适应控制方法 | |
| CN113283344A (zh) | 一种基于语义分割网络的矿用输送带跑偏检测方法 | |
| CN105791814A (zh) | 一种基于图像处理技术的监控视频质量检测方法及装置 | |
| CN113588659A (zh) | 基于视频图像的带式输送机纵撕检测方法、装置及系统 | |
| CN115914573B (zh) | 一种基于大数据的生产线用卷绕辊运行监测系统 | |
| CN114140733A (zh) | 一种基于视频的皮带运行状态检测方法 | |
| CN102984503A (zh) | 一种网络视频存储服务器系统 | |
| CN103994999B (zh) | 热轧百事泰表面检测系统花纹板破豆缺陷的检测装置及方法 | |
| CN102542673A (zh) | 基于计算机视觉的atm机预警方法及系统 | |
| CN118023777B (zh) | 基于数据分析的焊接机器人故障预警系统 | |
| CN115861294A (zh) | 一种基于计算机视觉的混凝土生产异常检测方法及装置 | |
| CN116244444A (zh) | 设备故障诊断方法和装置 | |
| CN117834821A (zh) | 一种智慧互动型安防监控系统 | |
| CN207992717U (zh) | 一种水电站闸门在线状态监测系统 | |
| CN116758060B (zh) | 一种电池片立式花篮视觉检测系统 | |
| CN110751055B (zh) | 一种智能制造系统 | |
| CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
| CN204759441U (zh) | 一种二维码检测设备及相应检测系统 | |
| CN116595657A (zh) | 一种发动机质量预测系统 | |
| CN115908272A (zh) | 一种基于视觉技术的皮带撕裂状态自动检测的方法和系统 | |
| CN115587984A (zh) | 一种传送带的工作状态检测方法、装置、设备及存储介质 | |
| KR20230072164A (ko) | 불량률 제로를 위한 제품의 품질 관리 시스템 | |
| CN114494313A (zh) | 一种基于边缘检测的输送机胶带跑偏检测方法 | |
| CN114359779A (zh) | 一种基于深度学习的皮带撕裂检测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |