CN113674259B - 一种皮带机打滑检测方法、系统、电子设备及介质 - Google Patents

一种皮带机打滑检测方法、系统、电子设备及介质 Download PDF

Info

Publication number
CN113674259B
CN113674259B CN202110989530.3A CN202110989530A CN113674259B CN 113674259 B CN113674259 B CN 113674259B CN 202110989530 A CN202110989530 A CN 202110989530A CN 113674259 B CN113674259 B CN 113674259B
Authority
CN
China
Prior art keywords
belt conveyor
image frame
acquiring
speed
distance
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.)
Active
Application number
CN202110989530.3A
Other languages
English (en)
Other versions
CN113674259A (zh
Inventor
庞殊杨
曹鑫
刘斌
姜剑
贾鸿盛
袁钰博
刘璇
田君仪
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 CN202110989530.3A priority Critical patent/CN113674259B/zh
Publication of CN113674259A publication Critical patent/CN113674259A/zh
Application granted granted Critical
Publication of CN113674259B publication Critical patent/CN113674259B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection

Landscapes

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

Abstract

本发明适用于图像处理与识别领域，提供了一种皮带机打滑检测方法、系统、电子设备及介质，其中，所述方法包括：获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；对所述第一图像帧和所述第二图像帧进行特征点提取和匹配；获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值；所述方法解决了现有技术中对皮带机打滑的检测准确率不高的问题。

Description

一种皮带机打滑检测方法、系统、电子设备及介质
在技术领域
本发明涉及图像处理与识别领域，尤其涉及一种皮带机打滑检测方法、系统、电子设备及介质。
背景技术
在钢铁冶炼工业中，皮带机是最常见的物料运输工具之一。在运输过程中，如果皮带机的张紧力不足，负荷较大，阻力较大，会引起皮带无法与主动轮同步转动的打滑问题，给生产过程带来不必要的损失。
在目前钢铁冶炼过程中，对皮带机打滑的检测方式主要为在皮带机上安装额外的打滑检测设备；在造成额外设备支出、需求设备安装的同时，不同品类检测设备的准确率、使用寿命也无法有效保障。
发明内容
本发明提供一种皮带机打滑检测方法、系统、电子设备及介质，以解决现有技术中对皮带机打滑的检测准确率不高的问题。
本发明提供的皮带机打滑检测方法，包括：
获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；
对所述第一图像帧和所述第二图像帧进行特征点提取和匹配；
获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；
根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值。
可选的，所述对所述第一图像帧和所述第二图像帧进行特征点提取和匹配的步骤之前，还包括：
对所述第一图像帧和所述第二图像帧进行图像处理，并获取物料边缘轮廓，所述图像处理包括：灰度图转化和图像对比度增强；
采用膨胀运算对所述物料边缘轮廓进行像素扩张，并获取物料区域；
获取物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度；
若所述料流强度符合预设强度阈值，则对所述第一图像帧和所述第二图像帧进行特征点的提取和匹配。
可选的，所述获取物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度的步骤，具体包括：
对所述物料边缘轮廓作最小外接矩形；
获取最大面积的外接矩形，并将其作为物料区域；
获取所述物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度。
可选的，所述皮带机打滑检测方法，还包括：
对所述第一图像帧和所述第二图像帧进行预处理，所述预处理包括：灰度图转化与高斯模糊处理；
所述高斯模糊处理的数学表达为：
其中，G(x,y,σ)为高斯算子，(x,y)为处理中心点，σ为可调参数，e为自然对数。
可选的，所述对所述第一图像帧和所述第二图像帧进行特征点提取的步骤，具体包括：
对所述经过高斯模糊处理后的图像进行隔点采样处理；
所述隔点采样处理的数学表达为：
其中，L(x,y,σ)为图像的尺度空间，G(x,y,σ)为高斯算子，I(x,y)为高斯模糊处理后的图像，为卷积运算，G(x,y,kσ)为高斯差分结果，k为正整数；
调整所述k值获取多张不同尺度的高斯差分结果图像；
获取所述高斯差分结果图像的像素，并根据所述高斯差分结果图像的像素获取特征点。
可选的，所述对所述第一图像帧和所述第二图像帧进行特征点匹配的步骤，具体包括：
获取所述第一图像帧的一个特征点s1(x1,y1)，获取所述第二图像帧的两个特征点s2(x2,y2)和s3(x3,y3)，其中，所述特征点s2和s3为所述第二图像帧中与s1距离最近的特征点；
获取所述特征点s1和s2的距离d1，获取所述特征点s1和s3的距离d2；
若所述距离d1与d2的比值小于预设匹配点距离阈值，则所述特征点s2为所述特征点s1的匹配点：
d1的数学表达为：
d2的数学表达为：
可选的，所述根据匹配的所述特征点和所述时序差值获取皮带机的第一速度的步骤，具体包括：
获取每对匹配的特征点的行进距离；
对所述特征点的行进距离进行排序后，获取所述皮带机的行进距离；
根据所述皮带机的行进距离和所述时序差值获取所述皮带机的第一速度。
本发明还提供一种皮带机打滑检测系统，包括：
图像获取模块，用于获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；
特征点处理模块，用于获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；
第一速度获取模块，用于获取所述第一图像帧和所述第二图像帧的时序差，根据匹配的所述特征点和所述时序差获取皮带机的第一速度；
检测结果获取模块，用于根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值；所述图像获取模块、特征点处理模块、第一速度获取模块和检测结果获取模块连接。
本发明还提供一种电子设备，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，以使所述电子设备执行所述皮带机打滑检测方法。
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所述皮带机打滑检测方法。
本发明的有益效果：本发明中的皮带机打滑检测方法，首先根据皮带机的工作视频获取不同时序下的第一图像帧和第二图像帧，其次提取和匹配第一图像帧和第二图像帧的特征点，再次根据第一图像帧和第二图像帧的时序差以及匹配的特征点获取皮带机的第一速度，最后根据第一速度和第二速度获取皮带机的打滑检测结果，从而能够较好的判定皮带机运输过程中是否发生打滑，解决了对皮带机打滑的检测准确率不高的问题，减少了由皮带机打滑所产生的生产作业损失。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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是本发明实施例中皮带机打滑方法的流程示意图；
图2是本发明实施例中料流强度的获取方法的流程示意图；
图3是本发明实施例中像素距离的获取方法的示意图；
图4是本发明实施例中皮带机打滑检测系统的模块图。
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。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
第一实施例
图1是本发明在一实施例中提供的皮带机打滑方法的流程示意图。
如图1所示，所述皮带机打滑检测方法，包括步骤S110-S140：
S110，获取皮带机的工作视频，并根据工作视频的时序变化获取第一图像帧和第二图像帧；
S120，对第一图像帧和第二图像帧进行特征点提取和匹配；
S130，获取第一图像帧和第二图像帧的时序差值，根据匹配的特征点和时序差值获取皮带机的第一速度；
S140，根据第一速度和第二速度获取皮带机的打滑检测结果。
在本实施例的步骤S110中，皮带机的工作视频可以是钢铁冶炼工业中皮带机的工作视频，第一图像帧和第二图像帧为不同时序下皮带机工作视频的图像帧。
为了更好的实现对所述第一图像帧和所述第二图像帧进行特征点提取和匹配，在步骤S120之前还包括：对第一图像帧和第二图像帧进行图像处理，并获取物料边缘轮廓，图像处理包括：灰度图转化和图像对比度增强；采用膨胀运算对所述物料边缘轮廓进行像素扩张，并获取物料区域；获取物料区域在图像中的宽度比例，并根据宽度比例获取料流强度；若所述料流强度符合预设强度阈值，则对第一图像帧和第二图像帧进行特征点的提取和匹配。
在一实施例中，物料边缘轮廓的获取方法包括：设定卷积核G，对卷积核G与经过图像处理后的第一图像帧进行卷积运算进而获取第一图像帧的物料边缘轮廓，对卷积核G与经过图像处理后的第二图像帧进行卷积运算进而获取第二图像帧的物料边缘轮廓。若皮带机工作视频中物料为不连续的物料，则第一图像帧的物料边缘轮廓与每堆物料相对应，第二图像帧的物料边缘轮廓与每堆物料相对应。
具体地，物料边缘轮廓获取过程中，卷积运算的数学表达为：
其中，A为图像帧，D为物料边缘轮廓，为卷积运算。
在一实施例中，物料边缘轮廓的获取方法还包括：根据皮带机工作视频获取样本图像，对样本图像进行物料边缘标注形成样本数据集，并采用样本数据集训练卷积神经网络；将经过图像处理后的图像帧输入卷积神经网络中，获取物料边缘轮廓。
在一实施例中，采用膨胀运算对所述物料边缘轮廓进行像素扩张，并获取物料区域的具体实现步骤为：采用膨胀运算处理所述物料边缘轮廓，在原有轮廓基础上向外扩张数个像素，将有间隙的边缘轮廓进行连接，进而获取物料区域。
在一实施例中，步骤获取物料区域在图像中的宽度比例，并根据宽度比例获取料流强度的具体实现方法请参见图2，图2是本发明在一实施例中料流强度的获取方法的流程示意图。
如图2所示，料流的获取方法可以包括以下步骤S210-S230：
S210，对物料边缘轮廓作最小外接矩形；
S220，获取最大面积的外接矩形，并将其作为物料区域；
S230，获取物料区域在图像中的宽度比例，并根据宽度比例获取料流强度。具体地，每段边缘轮廓最小外接矩形：
rect＝[ymin,xmin,ymax,xmax]；
rect-width＝xmax-xmin；
flow＝rect-width/img-width；
其中，rect为物料边缘轮廓的最小外接矩形，(xmin,ymin)为最小外接矩形的左上角坐标，(xmin,ymin)为最小外接矩形的右下角坐标，rect-width为最大矩形宽度(物料区域宽度)，img-width为图像宽度，flow为料流强度。
对物料边缘轮廓作最小外接矩形即是对获取的皮带机上物料的每一段连续轮廓，作其最小外接矩形，然后获取最大面积的外接矩形，并将其作为物料区域。
为了提高特征点提取和匹配的效率，获取到料流强度，判断料流强度是否符合预设强度阈值，若第一图像帧和第二图像帧的料流强度均符合预设强度阈值，则对经过图像处理后的第一图像帧和第二图像帧进行裁剪处理，裁剪处理包括：根据物料区域选取监测区域，并根据监测区域对图像帧进行裁剪处理。具体地，在裁剪处理中根据实际情况选取部分物料区域作为监测区域，在保证图像质量的前提下，缩小图像范围，去除了对特征点提取和匹配无用的图像片段，从而达到提高特征点提取和匹配效率的目的。
在本实施例的步骤S120中，步骤对第一图像帧和第二图像帧进行特征点提取和匹配包括：对经过步骤S110处理后的第一图像帧和第二图像帧进行预处理，然后提取第一图像帧和第二图像帧的特征点，并对提取到的特征点进行特征点匹配。
为了更好的提取第一步图像帧和第二图像帧的特征点，在提取特征点之前对图像帧进行平滑化处理，即步骤S120中的预处理。预处理包括：灰度图转化与高斯模糊处理；其中，高斯模糊处理的数学表达为：
其中，G(x,y,σ)为高斯算子，(x,y)为处理中心点，σ为可调参数，e为自然对数。
具体地，高斯模糊处理包括：设定m*m的卷积核kernel，(x,y)为处理中心点，采用高斯模糊处理获取图像位置的卷积核参数值，将卷积核参数值进行归一化处理，使得卷积核内所有参数和为一，再将得到的卷积核与图像帧进行卷积运算，得到平滑图像矩阵，从而实现对图像的平滑化处理。
高斯模糊处理过程中卷积运算的数学表达为：
其中，Gaussian为平滑图像矩阵，A(x,y)为卷积运算之前的图像，为卷积运算。
在一实施例中，步骤对第一图像帧和第二图像帧的特征点包括：对经过高斯模糊处理后的图像进行隔点采样处理；隔点采样处理的数学表达为：
其中，L(x,y,σ)为图像的尺度空间，G(x,y,σ)为高斯算子，I(x,y)为高斯模糊处理后的图像，为卷积运算，G(x,y,kσ)为高斯差分结果，k为正整数；
调整k值获取多张不同尺度的高斯差分结果图像；获取高斯差分结果图像的像素，并根据高斯差分结果图像的像素获取特征点。
k常以倍数形式(k＝ak)依次取值，a为正整数，通过选取不同k值，得到数张不同尺度的高斯差分结果图；获取每个像素在其相邻尺度间的局部最大值，若像素最大值超过预设像素阈值，则将其作为图像特征点。
在一实施例中，步骤对第一图像帧和第二图像帧进行特征点匹配包括：获取第一图像帧的一个特征点s1(x1,y1)，获取第二图像帧的两个特征点s2(x2,y2)和s3(x3,y3)，其中，s2和s3为所述第二图像帧中与s1距离最近的特征点；获取特征点s1和s2的距离d1，获取特征点s1和s3的距离d2；若距离d1与d2的比值小于预设匹配点距离阈值，则特征点s2为特征点s1的匹配点：
d1的数学表达为：
d2的数学表达为：
在本实施例的步骤S130中，第一速度的获取步骤包括：获取每对匹配的特征点的行进距离；对特征点的行进距离进行排序后，获取皮带机的行进距离；根据皮带机的行进距离和时序差值获取皮带机的第一速度。特征点的行进距离可以先获取每对匹配的特征点在皮带机运动方向的像素距离，然后再根据像素距离来获取。获取皮带机的行进距离包括：对特征点的行进距离进行排序后，取所有行进距离的中值作为皮带机前进距离，皮带机的行进距离的数学表达为：
Height(n)＝Height*k-pixel；
其中，Filter-Height为皮带机的行进距离，Height(n)为每对匹配的特征点在皮带机运动方向的行进距离，Height为匹配的特征点在皮带机运动方向的像素距离，k-pixel为图像像素距离与实际距离的缩放比例，n为匹配点的总个数与2的比值，n％2表示对n求2的余数，n％2＝1表示n为奇数，n％2＝1表示n为偶数。
在一实施例中，匹配的特征点在皮带机运动方向的像素距离Height请参见图3，图3是本发明在一实施例中像素距离的获取方法的示意图。
为了获取更准确的第一速度，因此根据第一图像帧和第二图像帧的时序差值以及皮带机的行进距离获取皮带机的第一速度，第一速度为皮带机的行进速度，第一速度的数学表达为：
其中，speed为第一速度，Filter-Height为皮带机的行进距离，t为第一图像帧与第二图像帧的时序差值，第一图像帧的时序在第二图像帧的时序之后。
通过两帧图像的实际时间差值获取皮带机行进速度，可以避免由于实际设备、网络延迟等引起的时间误差，从而使得以此方式获取到的第一速度(皮带机行进速度)更为准确。
在本实施例的步骤S140中，第二速度为预设速度阈值，预设速度阈值根据皮带机的实际情况可以分为轻度打滑速度阈值、重度打滑速度阈值。若第一速度大于等于轻度打滑速度阈值且小于重度打滑速度阈值，则皮带机的打滑检测结果为轻度打滑；若第一速度大于等于重度打滑速度阈值，则皮带机的打滑检测结果为重度打滑；若第一速度小于轻度打滑速度阈值，则皮带机的打滑检测结果为不打滑。
第二实施例
基于与第一实施例中方法相同的发明构思，相应的，本实施例还提供了一种皮带机打滑检测系统。
图4为本发明提供的皮带机打滑检测系统的模块图。
如图4所示，所示系统4包括：41图像获取模块、42特征点处理模块、43第一速度获取模块以及44检测结果获取模块。
其中，图像获取模块，用于获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；
特征点处理模块，用于获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；
第一速度获取模块，用于获取所述第一图像帧和所述第二图像帧的时序差，根据匹配的所述特征点和所述时序差获取皮带机的第一速度；
检测结果获取模块，用于根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值；所述图像获取模块、特征点处理模块、第一速度获取模块和检测结果获取模块连接。
在一些示例性实施例中，皮带机打滑检测系统包括：
图像处理模块，用于对所述第一图像帧和所述第二图像帧进行图像处理，并获取物料边缘轮廓，所述图像处理包括：灰度图转化和图像对比度增强；
物料区域获取模块，用于采用膨胀运算对所述物料边缘轮廓进行像素扩张，并获取物料区域；
料流强度获取模块，用于获取物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度；
执行模块，用于若所述料流强度符合预设强度阈值，则对所述第一图像帧和所述第二图像帧进行特征点的提取和匹配。
在一些示例性实施例中，料流强度获取模块包括：
外接矩形获取单元，用于对所述物料边缘轮廓作最小外接矩形；
物料区域获取单元，用于获取最大面积的外接矩形，并将其作为物料区域；
料流强度获取单元，用于获取所述物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度。
在一些示例性实施例中，皮带机打滑检测系统还包括：
预处理模块，用于对所述第一图像帧和所述第二图像帧进行预处理，所述预处理包括：灰度图转化与高斯模糊处理；
所述高斯模糊处理的数学表达为：
其中，G(x,y,σ)为高斯算子，(x,y)为处理中心点，σ为可调参数，e为自然对数。
在一些示例性实施例中，特征点处理模块包括：
采样处理单元，用于对所述经过高斯模糊处理后的图像进行隔点采样处理；
所述隔点采样处理的数学表达为：
其中，L(x,y,σ)为图像的尺度空间，G(x,y,σ)为高斯算子，I(x,y)为高斯模糊处理后的图像，为卷积运算，G(x,y,kσ)为高斯差分结果，k为正整数；
k值调整单元，用于调整所述k值获取多张不同尺度的高斯差分结果图像；
特征点提取单元，用于获取所述高斯差分结果图像的像素，并根据所述高斯差分结果图像的像素获取特征点。
在一些示例性实施例中，特征点处理模块还包括：
特征点获取单元，用于获取所述第一图像帧的一个特征点s1(x1,y1)，获取所述第二图像帧的两个特征点s2(x2,y2)和s3(x3,y3)，其中，所述特征点s2和s3为所述第二图像帧中与s1距离最近的特征点；
特征点的距离获取单元，用于获取所述特征点s1和s2的距离d1，获取所述特征点s1和s3的距离d2；
匹配点获取单元，用于若所述距离d1与d2的比值小于预设匹配点距离阈值，则所述特征点s2为所述特征点s1的匹配点：
d1的数学表达为：
d2的数学表达为：
在一些示例性实施例中，第一速度获取模块包括：
第一行进距离获取单元，用于获取每对匹配的特征点的行进距离；
第二行进距离获取单元，用于对所述特征点的行进距离进行排序后，获取所述皮带机的行进距离；
第一速度获取单元，用于根据所述皮带机的行进距离和所述时序差值获取所述皮带机的第一速度。
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设备，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，以使所述电子设备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设备，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，使电子设备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。
在上述实施例中，说明书对“本实施例”、“一实施例”、“另一实施例”、“在一些示例性实施例”或“其他实施例”的提及表示结合实施例说明的特定特征、结构或特性包括在至少一些实施例中，但不必是全部实施例。“本实施例”、“一实施例”、“另一实施例”的多次出现不一定全部都指代相同的实施例。
在上述实施例中，尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变形对本领域普通技术人员来说将是显而易见的。例如，其他存储结构(例如，动态RAM(DRAM))可以使用所讨论的实施例。本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
本发明可用于众多通用或专用的计算系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。
本发明可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本发明，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
上述实施例仅示例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，但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 (9)

1.一种皮带机打滑检测方法，其特征在于，所述皮带机打滑检测方法包括：
获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；
对所述第一图像帧和所述第二图像帧进行特征点提取和匹配；
获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；
根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值；
所述根据匹配的所述特征点和所述时序差值获取皮带机的第一速度的步骤，具体包括：
获取每对匹配的特征点的行进距离；所述特征点的行进距离先获取每对匹配的特征点在皮带机运动方向的像素距离，然后再根据像素距离来获取；
对所述特征点的行进距离进行排序后，获取所述皮带机的行进距离；包括：对特征点的行进距离进行排序后，取所有行进距离的中值作为皮带机前进距离，皮带机的行进距离的数学表达为：
，
Height(n)＝Height*k-pixel；其中，Filter-Height为皮带机的行进距离，Height(n)为每对匹配的特征点在皮带机运动方向的行进距离，Height为匹配的特征点在皮带机运动方向的像素距离，k-pixel为图像像素距离与实际距离的缩放比例，n为匹配点的总个数与2的比值，n％2表示对n求2的余数，n％2＝1表示n为奇数，n％2＝1表示n为偶数；
根据所述皮带机的行进距离和所述时序差值获取所述皮带机的第一速度；其中，第一速度的数学表达为：其中，speed为第一速度，Filter-Height为皮带机的行进距离，t为第一图像帧与第二图像帧的时序差值，第一图像帧的时序在第二图像帧的时序之后。
2.根据权利要求1所述的皮带机打滑检测方法，其特征在于，所述对所述第一图像帧和所述第二图像帧进行特征点提取和匹配的步骤之前，还包括：
对所述第一图像帧和所述第二图像帧进行图像处理，并获取物料边缘轮廓，所述图像处理包括：灰度图转化和图像对比度增强；
采用膨胀运算对所述物料边缘轮廓进行像素扩张，并获取物料区域；
获取物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度；
若所述料流强度符合预设强度阈值，则对所述第一图像帧和所述第二图像帧进行特征点的提取和匹配。
3.根据权利要求2所述的皮带机打滑检测方法，其特征在于，所述获取物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度的步骤，具体包括：
对所述物料边缘轮廓作最小外接矩形；
获取最大面积的外接矩形，并将其作为物料区域；
获取所述物料区域在图像中的宽度比例，并根据所述宽度比例获取料流强度。
4.根据权利要求1所述的皮带机打滑检测方法，其特征在于，所述皮带机打滑检测方法，还包括：
对所述第一图像帧和所述第二图像帧进行预处理，所述预处理包括：灰度图转化与高斯模糊处理；
所述高斯模糊处理的数学表达为：
其中，G(x,y,σ)为高斯算子，(x,y)为处理中心点，σ为可调参数，e为自然对数。
5.根据权利要求4所述的皮带机打滑检测方法，其特征在于，所述对所述第一图像帧和所述第二图像帧进行特征点提取的步骤，具体包括：
对经过高斯模糊处理后的图像进行隔点采样处理；
所述隔点采样处理的数学表达为：
其中，L(x,y,σ)为图像的尺度空间，G(x,y,σ)为高斯算子，I(x,y)为高斯模糊处理后的图像，为卷积运算，G(x,y,kσ)为高斯差分结果，k为正整数；
调整k值获取多张不同尺度的高斯差分结果图像；
获取所述高斯差分结果图像的像素，并根据所述高斯差分结果图像的像素获取特征点。
6.根据权利要求5所述的皮带机打滑检测方法，其特征在于，所述对所述第一图像帧和所述第二图像帧进行特征点匹配的步骤，具体包括：
获取所述第一图像帧的一个特征点s1(x1,y1)，获取所述第二图像帧的两个特征点s2(x2,y2)和s3(x3,y3)，其中，所述特征点s2和s3为所述第二图像帧中与s1距离最近的特征点；
获取所述特征点s1和s2的距离d1，获取所述特征点s1和s3的距离d2；
若所述距离d1与d2的比值小于预设匹配点距离阈值，则所述特征点s2为所述特征点s1的匹配点：
d1的数学表达为：
d2的数学表达为：
7.一种皮带机打滑检测系统，其特征在于，所述皮带机打滑检测系统包括：
图像获取模块，用于获取皮带机的工作视频，并根据所述工作视频的时序变化获取第一图像帧和第二图像帧；
特征点处理模块，用于获取所述第一图像帧和所述第二图像帧的时序差值，根据匹配的所述特征点和所述时序差值获取皮带机的第一速度；
第一速度获取模块，用于获取所述第一图像帧和所述第二图像帧的时序差，根据匹配的所述特征点和所述时序差获取皮带机的第一速度；
检测结果获取模块，用于根据所述第一速度和第二速度获取所述皮带机的打滑检测结果，所述第二速度为预设速度阈值；所述图像获取模块、特征点处理模块、第一速度获取模块和检测结果获取模块连接；
所述根据匹配的所述特征点和所述时序差值获取皮带机的第一速度的步骤，具体包括：
获取每对匹配的特征点的行进距离；所述特征点的行进距离先获取每对匹配的特征点在皮带机运动方向的像素距离，然后再根据像素距离来获取；
对所述特征点的行进距离进行排序后，获取所述皮带机的行进距离；包括：对特征点的行进距离进行排序后，取所有行进距离的中值作为皮带机前进距离，皮带机的行进距离的数学表达为：
，
Height(n)＝Height*k-pixel；其中，Filter-Height为皮带机的行进距离，Height(n)为每对匹配的特征点在皮带机运动方向的行进距离，Height为匹配的特征点在皮带机运动方向的像素距离，k-pixel为图像像素距离与实际距离的缩放比例，n为匹配点的总个数与2的比值，n％2表示对n求2的余数，n％2＝1表示n为奇数，n％2＝1表示n为偶数；
根据所述皮带机的行进距离和所述时序差值获取所述皮带机的第一速度；其中，第一速度的数学表达为：其中，speed为第一速度，Filter-Height为皮带机的行进距离，t为第一图像帧与第二图像帧的时序差值，第一图像帧的时序在第二图像帧的时序之后。
8.一种电子设备，其特征在于，包括处理器、存储器和通信总线；
所述通信总线用于将所述处理器和存储器连接；
所述处理器用于执行所述存储器中存储的计算机程序，以实现如权利要求1-6中任一项所述的皮带机打滑检测方法。
9.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序用于使所述计算机执行如权利要求1-6中任一项所述的皮带机打滑检测方法。
CN202110989530.3A 2021-08-26 2021-08-26 一种皮带机打滑检测方法、系统、电子设备及介质 Active CN113674259B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110989530.3A CN113674259B (zh) 2021-08-26 2021-08-26 一种皮带机打滑检测方法、系统、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110989530.3A CN113674259B (zh) 2021-08-26 2021-08-26 一种皮带机打滑检测方法、系统、电子设备及介质

Publications (2)

Publication Number Publication Date
CN113674259A CN113674259A (zh) 2021-11-19
CN113674259B true CN113674259B (zh) 2024-03-05

Family

ID=78546830

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110989530.3A Active CN113674259B (zh) 2021-08-26 2021-08-26 一种皮带机打滑检测方法、系统、电子设备及介质

Country Status (1)

Country Link
CN (1) CN113674259B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114323638A (zh) * 2022-01-05 2022-04-12 山东工大中能科技有限公司 基于计算机视觉的输送带打滑检测方法、系统及装置

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006171029A (ja) * 2004-12-10 2006-06-29 Ricoh Co Ltd ベルトスリップ計測方法、ベルトスリップ計測装置、画像形成装置、プログラム、及び記録媒体
CN101383899A (zh) * 2008-09-28 2009-03-11 北京航空航天大学 一种空基平台悬停视频稳像方法
JP2014016886A (ja) * 2012-07-10 2014-01-30 Furyu Kk 画像処理装置および画像処理方法
CN105488816A (zh) * 2015-11-27 2016-04-13 中南大学 一种基于三维视觉信息的矿物浮选泡沫流速在线检测装置及方法
WO2018010391A1 (zh) * 2016-07-13 2018-01-18 广州视源电子科技股份有限公司 一种板卡的检测方法及装置
CN109230353A (zh) * 2018-08-30 2019-01-18 山西精英科技股份有限公司 一种皮带输送机的皮带打滑检测系统
CN109230351A (zh) * 2018-08-30 2019-01-18 山西精英科技股份有限公司 一种皮带输送机运行异常的识别方法
CN111252497A (zh) * 2020-01-21 2020-06-09 上海肇观电子科技有限公司 传送带的出料检测方法及设备、电路和介质
CN112131963A (zh) * 2020-08-31 2020-12-25 青岛秀山移动测量有限公司 一种基于行驶方向结构特征约束的道路标识线提取方法
WO2021012757A1 (zh) * 2019-07-23 2021-01-28 南京莱斯电子设备有限公司 基于全景多路4k视频图像的实时目标检测跟踪方法
CN112862806A (zh) * 2021-03-05 2021-05-28 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、介质及电子终端
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、系统、设备和介质
CN113192037A (zh) * 2021-05-06 2021-07-30 中冶赛迪重庆信息技术有限公司 一种皮带机监测方法、系统、介质及电子终端

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006171029A (ja) * 2004-12-10 2006-06-29 Ricoh Co Ltd ベルトスリップ計測方法、ベルトスリップ計測装置、画像形成装置、プログラム、及び記録媒体
CN101383899A (zh) * 2008-09-28 2009-03-11 北京航空航天大学 一种空基平台悬停视频稳像方法
JP2014016886A (ja) * 2012-07-10 2014-01-30 Furyu Kk 画像処理装置および画像処理方法
CN105488816A (zh) * 2015-11-27 2016-04-13 中南大学 一种基于三维视觉信息的矿物浮选泡沫流速在线检测装置及方法
WO2018010391A1 (zh) * 2016-07-13 2018-01-18 广州视源电子科技股份有限公司 一种板卡的检测方法及装置
CN109230351A (zh) * 2018-08-30 2019-01-18 山西精英科技股份有限公司 一种皮带输送机运行异常的识别方法
CN109230353A (zh) * 2018-08-30 2019-01-18 山西精英科技股份有限公司 一种皮带输送机的皮带打滑检测系统
WO2021012757A1 (zh) * 2019-07-23 2021-01-28 南京莱斯电子设备有限公司 基于全景多路4k视频图像的实时目标检测跟踪方法
CN111252497A (zh) * 2020-01-21 2020-06-09 上海肇观电子科技有限公司 传送带的出料检测方法及设备、电路和介质
CN112131963A (zh) * 2020-08-31 2020-12-25 青岛秀山移动测量有限公司 一种基于行驶方向结构特征约束的道路标识线提取方法
CN112862806A (zh) * 2021-03-05 2021-05-28 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、介质及电子终端
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、系统、设备和介质
CN113192037A (zh) * 2021-05-06 2021-07-30 中冶赛迪重庆信息技术有限公司 一种皮带机监测方法、系统、介质及电子终端

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
PCB检测中圆Mark的快速精确定位;熊光洁;马树元;刘瑞祯;;计算机工程(第11期);全文 *
一种快速精确的瞳孔和角膜反射光斑中心定位算法的研究;余罗;刘洪英;许帅;蔡金芷;皮喜田;;中国生物医学工程学报(第04期);全文 *
余罗 ; 刘洪英 ; 许帅 ; 蔡金芷 ; 皮喜田 ; .一种快速精确的瞳孔和角膜反射光斑中心定位算法的研究.中国生物医学工程学报.2017,(第04期),全文. *
基于图像测速的烧结皮带机故障诊断方法;廖婷婷;李宗平;李曦;曾辉;孙英;;烧结球团(第06期);全文 *
基于机器视觉的交通事件检测方法的研究;苑玮琦;谢昌隆;;计算机仿真(第10期);全文 *
廖婷婷 ; 李宗平 ; 李曦 ; 曾辉 ; 孙英 ; .基于图像测速的烧结皮带机故障诊断方法.烧结球团.2018,(第06期),全文. *
熊光洁 ; 马树元 ; 刘瑞祯 ; .PCB检测中圆Mark的快速精确定位.计算机工程.2012,(第11期),全文. *
苑玮琦 ; 谢昌隆 ; .基于机器视觉的交通事件检测方法的研究.计算机仿真.2013,(第10期),全文. *

Also Published As

Publication number Publication date
CN113674259A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN114820773B (zh) 基于计算机视觉的筒仓运输车辆车厢位置检测方法
WO2013148566A1 (en) Image blur detection
CN105374015A (zh) 基于局部对比度和笔画宽度估计的低质量文档图像二值化方法
CN112052782B (zh) 基于环视的停车位识别方法、装置、设备及存储介质
CN107004137B (zh) 用于目标检测的系统和方法
CN113674259B (zh) 一种皮带机打滑检测方法、系统、电子设备及介质
CN109934077B (zh) 一种图像识别方法和电子设备
CN116309565B (zh) 基于计算机视觉的高强传送带跑偏检测方法
US20190108642A1 (en) Surveillance video based video foreground extraction method
Ramírez-Ortegón et al. An optimization for binarization methods by removing binary artifacts
CN112907523A (zh) 一种基于轻量化网络的工业产品表面缺陷检测方法
CN116342586A (zh) 基于机器视觉的路面质量检测方法
CN106663212B (zh) 文字识别装置、文字识别方法以及计算机可读存储介质
CN104657972A (zh) 一种图像块的模糊度判断方法及系统
CN110705568B (zh) 一种图像特征点提取的优化方法
Huang et al. A real-time algorithm for aluminum surface defect extraction on non-uniform image from CCD camera
CN110458004B (zh) 一种目标对象识别方法、装置、设备以及存储介质
CN105844651A (zh) 一种图像分析装置
CN105844260A (zh) 一种多功能智能清洁机器人装置
CN113139488B (zh) 训练分割神经网络的方法及装置
Sada et al. A dataflow pipelining architecture for tile segmentation with a sparse MobileNet on an FPGA
CN115376106A (zh) 基于雷达图的车型识别方法、装置、设备及介质
CN115170527A (zh) 输送带跑偏视觉检测方法、装置、电子设备及存储介质
CN114445623A (zh) 一种食品杂质检测方法、装置、电子设备及存储介质
CN113989286A (zh) 深度学习的皮带撕裂度量方法、装置、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
CB02 Change of applicant information
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: 401329 No. 5-6, building 2, No. 66, Nongke Avenue, Baishiyi Town, Jiulongpo District, Chongqing

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

GR01 Patent grant
GR01 Patent grant