CN113702393B - 一种本安型矿用输送带表面损伤检测系统及检测方法 - Google Patents
一种本安型矿用输送带表面损伤检测系统及检测方法 Download PDFInfo
- Publication number
- CN113702393B CN113702393B CN202111149815.2A CN202111149815A CN113702393B CN 113702393 B CN113702393 B CN 113702393B CN 202111149815 A CN202111149815 A CN 202111149815A CN 113702393 B CN113702393 B CN 113702393B
- Authority
- CN
- China
- Prior art keywords
- intrinsic safety
- multiplied
- layer
- concat
- safety type
- 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
Links
- 230000006378 damage Effects 0.000 title claims abstract description 59
- 238000001514 detection method Methods 0.000 title claims abstract description 59
- 238000005065 mining Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000007547 defect Effects 0.000 claims abstract description 15
- 238000005299 abrasion Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007425 progressive decline Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
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
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Control Of Conveyors (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种本安型矿用输送带表面损伤检测系统及检测方法，系统包括本安工业摄像机、本安光源、本安型工业控制计算机、本安PLC控制器、电动机。方法包括以下步骤：采集矿用输送带撕裂，表面磨损，表面缺陷三种损伤图片；对数据集图片进行预处理；改进YOLOv4模型；网络模型训练；进行输送带损伤类型检测，并标定损伤位置；控制电动机运行至损伤位置。本发明检测速度快，检测精度高，能同时检测输送带撕裂，表面磨损，表面缺陷三种损伤类型。
Description
技术领域
本发明涉及输送带损伤检测系统领域，具体是一种本安型矿用输送带表面损伤检测系统及检测方法。
背景技术
带式输送机是煤矿企业最广泛采用的运输设备，设备的长时间运转，持续受力，以及运输物料过程中遇到的重物和异物，经常会造成输送带的损伤，这样可能带来重大安全隐患和巨大经济损失。因此，对输送带表面损伤进行快速准确的检测十分重要。现有的机器视觉方法检测输送带的损伤类型单一，且难以同时做到快速准确的检测。基于深度学习机器视觉目标检测方法较为流行，与现有检测方法相比，深度学习的方法能够从输入的图片中学习目标的各种特征信息，有检测速度快，检测精度高，在多目标识别任务中有着良好的检测效果。本发明结合输送带表面损伤的特点，对原YOLOv4模型做出针对性的改进，将改进YOLOv4模型应用到输送带表面损伤检测中，对输送带撕裂，表面磨损，表面缺陷三种损伤类型进行检测。
发明内容
针对现有技术存在的不足，本发明提供一种基于改进YOLOv4的本安型矿用输送带表面损伤检测系统及检测方法，以检测输送带表面撕裂、表面磨损、表面缺陷三种损伤类型。
为了达到上述目的，本发明所采用的技术方案为：
一种本安型矿用输送带表面损伤检测系统，包括本安型摄像机、本安型工业控制计算机、本安PLC控制器，所述本安型摄像机采集输送带表面图片，本安型摄像机的数据输出端与本安型工业控制计算机的数据输入端连接，由本安型摄像机将采集的输送带表面图片传送至本安型工业控制计算机；所述本安型工业控制计算机的数据输出端与本安PLC控制器的数据输入端连接，本安PLC控制器的信号输出端与所述输送带的驱动电机控制端连接，由本安型工业控制计算机对输送带表面图片进行处理后标定输送带损伤位置，并由本安型工业控制计算机生成控制指令后传送至本安PLC控制器，所述本安PLC控制器基于控制指令控制输送带驱动电机工作，使输送带运行至损伤位置。
一种本安型矿用输送带表面损伤检测方法，包括以下步骤：
步骤S1：由本安型工业控制计算机获取本安型摄像机采集输送带表面图片作为数据集。
步骤S2：对数据集图片进行预处理，并划分出训练集和测试集；
步骤S3：对YOLOv4网络模型进行改进，得到改进的YOLOv4网络模型；
步骤S4：利用训练集对改进的YOLOv4网络模型进行训练；
步骤S5：利用训练后的改进的YOLOv4网络模型对测试集进行处理，得到输送带表面输送带撕裂、表面磨损、表面缺陷三种损伤类型的检测，并标定损伤位置；
步骤S6：由本安型工业控制计算机基于标定得到的损伤位置，向本安PLC控制器发送控制指令，由本安PLC控制器控制输送带驱动电机工作，使输送带运行至损伤位置。
进一步的，步骤S2过程如下：
步骤S21：将数据集中图片裁剪成符合YOLOv4网络模型要求的统一大小尺寸；
步骤S22：使用图像增强方式扩充数据集中图片，对损伤图片进行旋转、翻折、对比度调整、亮度调整，并按设定的比例划分训练集和测试集；
步骤S23：使用labelimg标注软件对训练集图片中输送带损伤部位进行标注，获得xml文件用于改进的YOLOv4网络模型训练。
进一步的，步骤S3过程如下：
步骤S31：在原YOLOv4中的PANet部分中，增加1个第一Concat+Conv×3层、1个Conv+UpSampling层，所述第一Concat+Conv×3层连接原CSPDarknet53网络的Resblock_body(104,104,128)×2层，第一Concat+Conv×3层尺度大小为104×104。所述Conv+UpSampling层位于与原CSPDarknet53网络中Resblock_body(52,52,256)×8层相连的Concat+Conv×5层和所述第一Concat+Conv×3层之间。原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1。所述第一Concat+Conv×3层将原Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1。
步骤S32：在原YOLOv4中的PANet部分中，增加1个Downsampling层和1个第二Concat+Conv×3层；所述Downsampling层连接第一Concat+Conv×3层。所述第二Concat+Conv×3层连接与原CSPDarknet53网络中Resblock_body(52,52,256)×8层相连的Concat+Conv×5层，第二Concat+Conv×3层尺度大小为52×52。所述第二Concat+Conv×3层将原YOLOv4中PANet部分的Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1。
步骤S33：原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1。将原YOLOv4中PANet部分所有Concat+Conv×5层中的5次卷积减少到3次，3次卷积的卷积核大小分别为1×1，3×3，1×1。
YOLOv4主干网络CSPDarknet53通过5次下采样不断提取输送带图片中损伤部位的特征信息。5层特征层尺度大小分别为208×208，104×104，52×52，26×26，13×13。尺度较大的特征层一般包括了较多细节和小目标的信息，而尺度较小的特征层更多包括了大目标信息。输入图片中的细节和小目标信息会随着特征层尺度的不断减小而丢失。
输送带表面很多损伤与背景区分度不高，特征不明显，而且存在许多较小的损伤，使用原YOLOv4检测效果不好，检测精度低。因此，本发明在原YOLOv4的PANet部分增加1个第一Concat+Conv×3层、1个Conv+UpSampling层、1个Downsampling层和1个第二Concat+Conv×3层以提升YOLOv4模型对输送带表面损伤的检测效果和检测精度。
进一步的，步骤S4过程如下：
步骤S41：设置本发明改进的YOLOv4模型输入的训练集图片的尺寸，设置检测输送带损伤种类的数量为3，并设置训练次数epoch、学习率以及批尺寸大小参数；
步骤S42：将训练集图片输入至改进的YOLOv4网络模型中进行训练，直至改进的YOLOv4网络模型的损失函数Loss最小，保存损失函数Loss最小时改进的YOLOv4网络模型对应的权重。
进一步的，步骤S42中，改进的YOLOv4网络模型的损失函数Loss包括预测框回归损失LCIoU、分类损失Lcls以及置信度损失Lcon信。
进一步的，步骤S5过程如下：
步骤S51：生成训练好的改进的YOLOv4网络模型；
步骤S52：将测试集中图片输入至训练好的改进的YOLOv4网络模型，进行输送带表面损伤检测。
步骤S53：显示检测结果，并且标定输送带损伤位置。
本发明的有益之处在于：
1、输送带表面很多损伤与背景区分度不高，特征不明显，而且表面存在许多较小的缺陷，使用原YOLOv4模型检测效果不好，检测精度低。因此，在原YOLOv4的基础上对其模型进行改进，改进的YOLOv4模型提升了输送带表面损伤的检测效果和检测精度。
2、通过减少YOLOv4中PANet部分的Concat+Conv×5层卷积次数，缩小了YOLOv4模型的大小，减少了计算量，提升了检测速度。
3、能同时检测三种常见的输送带表面损伤，包括撕裂，表面磨损，表面缺陷。
附图说明
图1为本发明的结构图。
图2为本发明的流程图。
图3为YOLOv4网络结构图。
图4为改进后YOLOv4的PANet部分结构图。
图5为本发明损失曲线变化图。
图6为输送带表面三种损伤类型在不同算法下的P-R曲线对比图。
图7为本发明对输送带表面三种损伤类型的检测结果图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，本发明一种本安型矿用输送带表面损伤检测系统，包括本安型摄像机1、本安光源2、本安型工业控制计算机3、本安PLC控制器4、输送带6的驱动电机5。本发明的结构图如图1所示。本安工业摄像机1用来采集输送带6表面图片；本安光源2用来辅助照明；本安型工业控制计算机3用来接收本安工业摄像机1采集的输送带6表面图片，并根据输送带表面图片检测输送带6表面损伤并标定损伤位置；、本安PLC控制器4用于接收本安工业控制计算机3发送的控制指令，并基于控制指令控制输送带6的驱动电机5工作，使输送带6运行至损伤位置。
如图2所示，本发明本安型矿用输送带表面损伤检测方法，包括以下步骤：
步骤S1：本安摄像头采集矿用输送带撕裂，表面磨损，表面缺陷三种损伤图片，作为数据集。
步骤S2：对数据集图片进行预处理。
步骤S3：对YOLOv4网络结构进行改进，得到改进后的YOLOv4模型。
步骤S4：设置训练参数，并进行网络模型训练。
步骤S5：基于改进后的YOLOv4模型，进行输送带撕裂，表面磨损，表面缺陷三种损伤类型检测，并标定损伤位置。
步骤S6：控制电动机运行至损伤位置。
步骤S2包括：
步骤S21：将输送带损伤图片裁剪成416×416像素的统一大小，以方便网络模型训练。
步骤S22：使用图像增强方式扩充数据集图片，对损伤图片进行旋转，翻折，对比度调整，亮度调整。调整后输送带撕裂，表面磨损，表面缺陷三种损伤类型图片共3132张。训练集和测试集按照比例8∶2进行划分。
步骤S23：采用labelimg软件对图片中的皮带损伤部分进行标注，该软件将输送带损伤类型以及坐标信息保存到xml文件中。之后通过python程序代码将xml文件转化成txt文本格式文件用于网络模型的训练。
步骤S3包括：
步骤S31：原YOLOv4网络结构图如图3所示，在原YOLOv4中的PANet部分中，增加1个第一Concat+Conv×3层、1个Conv+UpSampling层，所述第一Concat+Conv×3层连接原CSPDarknet53网络的Resblock_body(104,104,128)×2层，第一Concat+Conv×3层尺度大小为104×104。所述Conv+UpSampling层位于与原CSPDarknet53网络中Resblock_body(52,52,256)×8层相连的Concat+Conv×5层和所述第一Concat+Conv×3层之间。原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1。所述第一Concat+Conv×3层将原Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1。
步骤S32：在原YOLOv4中的PANet部分中，增加1个Downsampling层和1个第二Concat+Conv×3层；所述Downsampling层连接第一Concat+Conv×3层。所述第二Concat+Conv×3层连接与原CSPDarknet53网络中Resblock_body(52,52,256)×8层相连的Concat+Conv×5层，第二Concat+Conv×3层尺度大小为52×52。所述第二Concat+Conv×3层将原YOLOv4中PANet部分的Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1。
步骤S33：原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1。将原YOLOv4中PANet部分所有Concat+Conv×5层中的5次卷积减少到3次，3次卷积的卷积核大小分别为1×1，3×3，1×1。
改进后YOLOv4的PANet部分结构图如图4所示。
YOLOv4主干网络CSPDarknet53通过5次下采样不断提取输送带图片中损伤部位的特征信息。5层特征层尺度大小分别为208×208，104×104，52×52，26×26，13×13。尺度较大的特征层一般包括了较多细节和小目标的信息，而尺度较小的特征层更多包括了大目标信息。输入图片中的细节和小目标信息会随着特征层尺度的不断减小而丢失。
输送带表面很多损伤与背景区分度不高，特征不明显，而且存在许多较小的损伤，使用原YOLOv4检测效果不好，检测精度低。因此，本发明在原YOLOv4的PANet部分增加1个第一Concat+Conv×3层、1个Conv+UpSampling层、1个Downsampling层和1个第二Concat+Conv×3层以提升YOLOv4模型对输送带表面损伤的检测效果和检测精度。
步骤S4包括：
步骤S41：设置本发明改进的YOLOv4模型输入图像的尺寸为416×416，检测输送带损伤种类的数量为3，设置训练次数epoch为50次，学习率为0.005，批尺寸大小为16。
步骤S42：YOLOv4损失函数Loss包括预测框回归损失LCIoU，分类损失Lcls以及置信度损失Lcon信。损失函数为三部分损失函数之和，具体公式如下式所示。
Loss＝LCIoU+Lconf+Lcls (1)
式中，IoU(A，B)是预测框和真实框的交并比，ρ2(Actr，Bctr)是预测框和真实框的中心点的欧式距离；m是同时包含预测框和真实框的最小封闭区域的对角线距离；v是衡量长宽比一致性的参数；α是权衡参数；wgt和hgt为真实框的宽、高；w和h为预测框的宽、高；S2为网格数；B为每个网格中的先验框个数；表示预测的边界框包含目标；/>表示预测的边界框不含目标；/>为预测置信度；/>为实际置信度；λnoobj为自行设定的参数值；检测目标所属的种类；classes是目标种类；/>是指单元格中目标属于类别c的实际概率；/>为预测概率。
根据公式计算模型训练的损失函数，并绘制出损失函数下降曲线图如图5所示，为了方便观察Loss曲线下降幅度变化，取0到20范围内的Loss曲线图。从图中可以看出，在前10次epoch中Loss大幅下降，10次以后下降幅度变缓，在40次以后Loss曲线变化趋于平缓。选择损失最小的模型权重并保存。
步骤S5包括：
步骤S51：加载步骤S42中损失最小的模型权重。为了验证改进后YOLOv4模型的优越性，与当前较为流行的目标检测模型YOLOv4，YOLOv4-tiny，YOLOv3以及Faster-RCNN进行对比。根据实验结果绘制出不同模型的P-R曲线如图6所示，(a)(b)(c)分别代表撕裂，表面磨损，表面缺陷。从图中可以直观地看出，在撕裂检测中，改进的YOLOv4检测模型曲线其他模型曲线的上方，说明具有较高的检测精度。具体实验结果参数如表1所示。改进后的模型对撕裂，表面磨损和表面缺陷检测的平均精度达到了97.10％，96.93％和96.54％，平均精度均值达到了96.85％。在撕裂和磨损检测中，相比于原始YOLOv4检测模型，平均精度分别提高了3％和1.45％，平均精度均值提高了1.4％，检测速度达到了20.66帧/s，从表1数据可以看出本发明改进后的YOLOv4模型同时提高了检测速度和检测精度。
表1改进的YOLO V4模型与其他目标检测模型的性能比较结果
步骤S52：输入待检测的输送带表面图片，进行输送带表面损伤检测。
步骤S53：检测结果如图7所示，(a)(b)(c)分别代表撕裂，表面磨损，表面缺陷的检测图。本安型工业控制计算机标定输送带损伤位置。
步骤S6具体为：
本安PLC控制器控制电动机运行至损伤位置，以便后续输送带表面损伤的修复。本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域中工程技术人员对本发明的技术方案作出的各种变型和改进，均应落入本发明的保护范围，本发明请求保护的技术内容，已经全部记载在权利要求书中。
Claims (3)
1.一种基于本安型矿用输送带表面损伤检测系统的检测方法，其特征在于：所述本安型矿用输送带表面损伤检测系统包括本安型摄像机、本安型工业控制计算机、本安PLC控制器，所述本安型摄像机采集输送带表面图片，本安型摄像机的数据输出端与本安型工业控制计算机的数据输入端连接，由本安型摄像机将采集的输送带表面图片传送至本安型工业控制计算机；所述本安型工业控制计算机的数据输出端与本安PLC控制器的数据输入端连接，本安PLC控制器的信号输出端与所述输送带的驱动电机控制端连接，由本安型工业控制计算机对输送带表面图片进行处理后标定输送带损伤位置，并由本安型工业控制计算机生成控制指令后传送至本安PLC控制器，所述本安PLC控制器基于控制指令控制输送带驱动电机工作，使输送带运行至损伤位置；
所述本安型矿用输送带表面损伤检测系统的检测方法包括以下步骤：
步骤S1：由本安型工业控制计算机获取本安型摄像机采集输送带表面图片作为数据集；
步骤S2：对数据集图片进行预处理，并划分出训练集和测试集；
步骤S3：对YOLOv4网络模型进行改进，得到改进的YOLOv4网络模型；
步骤S4：利用训练集对改进的YOLOv4网络模型进行训练；
步骤S5：利用训练后的改进的YOLOv4网络模型对测试集进行处理，得到输送带表面输送带撕裂、表面磨损、表面缺陷三种损伤类型的检测，并标定损伤位置；
步骤S6：由本安型工业控制计算机基于标定得到的损伤位置，向本安PLC控制器发送控制指令，由本安PLC控制器控制输送带驱动电机工作，使输送带运行至损伤位置；
所述的步骤S2过程如下：
步骤S21：将数据集中图片裁剪成符合YOLOv4网络模型要求的统一大小尺寸；
步骤S22：使用图像增强方式扩充数据集中图片，对损伤图片进行旋转、翻折、对比度调整、亮度调整，并按设定的比例划分训练集和测试集；
步骤S23：使用labelimg标注软件对训练集图片中输送带损伤部位进行标注，获得xml文件用于改进的YOLOv4网络模型训练；
所述的步骤S3过程如下：
步骤S31：在原YOLOv4中的PANet部分中，增加1个第一Concat+Conv×3层、1个Conv+UpSampling层，所述第一Concat+Conv×3层连接原CSPDarknet53网络的Resblock_body(104 ,104 ,128)×2层，第一Concat+Conv×3层尺度大小为104×104；所述Conv+UpSampling层位于与原CSPDarknet53网络中Resblock_body(52 ,52 ,256)×8层相连的Concat+Conv×5层和所述第一Concat+Conv×3层之间；原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1；所述第一Concat+Conv×3层将原Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1；
步骤S32：在原YOLOv4中的PANet部分中，增加1个Downsampling层和1个第二Concat+Conv×3层；所述Downsampling层连接第一Concat+Conv×3层；所述第二Concat+Conv×3层连接与原CSPDarknet53网络中Resblock_body(52 ,52 ,256)×8层相连的Concat+Conv×5层，第二Concat+Conv×3层尺度大小为52×52；所述第二Concat+Conv×3层将原YOLOv4中PANet部分的Concat+Conv×5层的5次卷积减少为3次，卷积核大小分别为1×1，3×3，1×1；
步骤S33：原YOLOv4中PANet部分的Concat+Conv×5层卷积次数为5次，卷积核大小分别为1×1，3×3，1×1，3×3，1×1；将原YOLOv4中PANet部分所有Concat+Conv×5层中的5次卷积减少到3次，3次卷积的卷积核大小分别为1×1，3×3，1×1；
所述的步骤S4过程如下：
步骤S41：设置改进的YOLOv4模型输入的训练集图片的尺寸，设置检测输送带损伤种类的数量为3，并设置训练次数epoch、学习率以及批尺寸大小参数；
步骤S42：将训练集图片输入至改进的YOLOv4网络模型中进行训练，直至改进的YOLOv4网络模型的损失函数Loss最小，保存损失函数Loss最小时改进的YOLOv4网络模型对应的权重。
2.根据权利要求1所述的本安型矿用输送带表面损伤检测系统的检测方法，其特征在于：步骤S42中，改进的YOLOv4网络模型的损失函数Loss包括预测框回归损失、分类损失以及置信度损失。
3.根据权利要求1所述的本安型矿用输送带表面损伤检测系统的检测方法，其特征在于：步骤S5过程如下：
步骤S51：生成训练好的改进的YOLOv4网络模型；
步骤S52：将测试集中图片输入至训练好的改进的YOLOv4网络模型，进行输送带表面损伤检测；
步骤S53：显示检测结果，并且标定输送带损伤位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111149815.2A CN113702393B (zh) | 2021-09-29 | 2021-09-29 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111149815.2A CN113702393B (zh) | 2021-09-29 | 2021-09-29 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113702393A CN113702393A (zh) | 2021-11-26 |
| CN113702393B true CN113702393B (zh) | 2023-10-27 |
Family
ID=78662226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111149815.2A Active CN113702393B (zh) | 2021-09-29 | 2021-09-29 | 一种本安型矿用输送带表面损伤检测系统及检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113702393B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116051554B (zh) * | 2023-03-31 | 2023-06-09 | 潍坊百特磁电科技有限公司 | 一种基于除铁器输送带的检测预警方法、设备及介质 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
| 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 |
| CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
| CN111985451A (zh) * | 2020-09-04 | 2020-11-24 | 南京航空航天大学 | 一种基于YOLOv4的无人机场景检测方法 |
| CN112215208A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
| CN112288043A (zh) * | 2020-12-23 | 2021-01-29 | 飞础科智慧科技(上海)有限公司 | 窑炉表面缺陷检测方法、系统和介质 |
| CN112418117A (zh) * | 2020-11-27 | 2021-02-26 | 北京工商大学 | 一种基于无人机图像的小目标检测方法 |
| CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
| CN113159024A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 一种基于改进YOLOv4的车牌识别技术 |
| CN113205108A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于YOLOv4的多目标车辆检测跟踪方法 |
| CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
-
2021
- 2021-09-29 CN CN202111149815.2A patent/CN113702393B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102275723A (zh) * | 2011-05-16 | 2011-12-14 | 天津工业大学 | 一种基于机器视觉的输送带在线监测系统和方法 |
| 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 |
| CN110660052A (zh) * | 2019-09-23 | 2020-01-07 | 武汉科技大学 | 一种基于深度学习的热轧带钢表面缺陷检测方法 |
| CN111985451A (zh) * | 2020-09-04 | 2020-11-24 | 南京航空航天大学 | 一种基于YOLOv4的无人机场景检测方法 |
| CN113205108A (zh) * | 2020-11-02 | 2021-08-03 | 哈尔滨理工大学 | 一种基于YOLOv4的多目标车辆检测跟踪方法 |
| CN112215208A (zh) * | 2020-11-10 | 2021-01-12 | 中国人民解放军战略支援部队信息工程大学 | 基于改进YOLOv4的遥感影像桥梁目标检测算法 |
| CN112418117A (zh) * | 2020-11-27 | 2021-02-26 | 北京工商大学 | 一种基于无人机图像的小目标检测方法 |
| CN112288043A (zh) * | 2020-12-23 | 2021-01-29 | 飞础科智慧科技(上海)有限公司 | 窑炉表面缺陷检测方法、系统和介质 |
| CN112966635A (zh) * | 2021-03-19 | 2021-06-15 | 北京理工大学 | 面向低分辨率时序遥感影像的运动舰船检测方法及装置 |
| CN113159024A (zh) * | 2021-03-22 | 2021-07-23 | 河海大学 | 一种基于改进YOLOv4的车牌识别技术 |
| CN113379699A (zh) * | 2021-06-08 | 2021-09-10 | 上海电机学院 | 基于深度学习的输电线路绝缘子缺陷检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于改进型YOLOv4-LITE轻量级神经网络的密集圣女果识别;张伏;农业工程学报;270-278 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113702393A (zh) | 2021-11-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113702393B (zh) | 一种本安型矿用输送带表面损伤检测系统及检测方法 | |
| CN110490842B (zh) | 一种基于深度学习的带钢表面缺陷检测方法 | |
| CN110097053B (zh) | 一种基于改进Faster-RCNN的电力设备外观缺陷检测方法 | |
| CN110853015A (zh) | 基于改进Faster-RCNN的铝型材缺陷检测方法 | |
| CN114359246B (zh) | 输送机皮带检测方法、装置、系统、电子设备及介质 | |
| CN104574389A (zh) | 基于彩色机器视觉的电池片色差分选控制方法 | |
| CN111798447B (zh) | 一种基于Faster RCNN的深度学习塑化材料缺陷检测方法 | |
| CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
| Zhu et al. | The defect detection algorithm for tire x-ray images based on deep learning | |
| CN111815555A (zh) | 对抗神经网络结合局部二值的金属增材制造图像检测方法及装置 | |
| CN116665011A (zh) | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 | |
| CN110633738B (zh) | 一种用于工业零件图像的快速分类方法 | |
| CN112200776A (zh) | 芯片封装缺陷检测方法和检测装置 | |
| CN115880223A (zh) | 一种基于改进yolox的高反光金属表面缺陷检测方法 | |
| CN108876765A (zh) | 工业分拣机器人的目标定位装置和方法 | |
| CN115439458A (zh) | 基于深度图注意力的工业图像缺陷目标检测算法 | |
| CN114445707A (zh) | 瓶装水标签缺陷智能化视觉精细检测方法 | |
| CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
| CN111179239B (zh) | 一种利用背景特征进行重排名的轮胎x光瑕疵检测方法 | |
| Zhang et al. | Belt Deviation Detection System Based on Deep Learning under Complex Working Conditions | |
| CN115993366B (zh) | 基于传感设备的加工件表面检测方法及系统 | |
| Li et al. | Surface defect detection algorithm of aluminum based on improved faster RCNN | |
| CN117392043A (zh) | 一种基于深度学习的钢板表面缺陷视频检测方法及系统 | |
| CN112200762A (zh) | 二极管玻壳缺陷检测方法 | |
| Lin et al. | Automatic detection of shoulder bending defects in tire X-ray images |
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 |