CN113762283B - 传送带跑偏监测方法及装置 - Google Patents

传送带跑偏监测方法及装置 Download PDF

Info

Publication number
CN113762283B
CN113762283B CN202111001464.0A CN202111001464A CN113762283B CN 113762283 B CN113762283 B CN 113762283B CN 202111001464 A CN202111001464 A CN 202111001464A CN 113762283 B CN113762283 B CN 113762283B
Authority
CN
China
Prior art keywords
conveyor belt
edge position
infrared temperature
position information
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.)
Active
Application number
CN202111001464.0A
Other languages
English (en)
Other versions
CN113762283A (zh
Inventor
王祥祥
刘涛
鞠翔宇
李鹏宇
荆留杰
孙森震
牛孔肖
郑赢豪
杨晨
陈帅
郑霄峰
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.)
China Railway Engineering Equipment Group Co Ltd CREG
Original Assignee
China Railway Engineering Equipment Group Co Ltd CREG
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 China Railway Engineering Equipment Group Co Ltd CREG filed Critical China Railway Engineering Equipment Group Co Ltd CREG
Priority to CN202111001464.0A priority Critical patent/CN113762283B/zh
Publication of CN113762283A publication Critical patent/CN113762283A/zh
Application granted granted Critical
Publication of CN113762283B publication Critical patent/CN113762283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

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

Abstract

本发明公开了一种传送带跑偏监测方法及装置，方法包括：获得未跑偏传送带的初始红外温度图像和待测传送带的红外温度图像；将初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，目标检测网络模型根据红外温度历史图像进行训练，红外温度历史图像上标记出传送带边缘位置；对第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；根据第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离从而实现传送带跑偏监测。本发明对掘进机出渣传送带进行实时跑偏监测，避免安全故障。

Description

传送带跑偏监测方法及装置
技术领域
本发明涉及全断面隧道掘进技术领域，尤其涉及传送带跑偏监测方法及装置。
背景技术
全断面隧道掘进机是一种用于隧道快速施工的大型工程机械装备，其主要通过刀盘沿隧道轴线旋转从而对岩土体进行切削破碎，之后通过传送带将破碎的渣片或者渣土运输至隧洞之外。在掘进机掘进过程中，由于现场条件及使用不当的原因，传送带经常会发生诸如撕裂、跑偏、磨损之类的故障，其中传送带跑偏故障尤为常见。发生跑偏故障不仅影响掘进机的正常工作，延误施工进度，造成经济损失，还可能导致人员伤亡的恶性事故。
因此，亟需一种可以克服上述问题的传送带跑偏监测方案。
发明内容
本发明实施例提供一种传送带跑偏监测方法，用以对掘进机出渣传送带进行实时跑偏监测，避免安全故障，该方法包括：
获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
根据所述跑偏距离，进行传送带跑偏监测。
本发明实施例提供一种传送带跑偏监测装置，用以对掘进机出渣传送带进行实时跑偏监测，避免安全故障，该装置包括：
图像获得模块，用于获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
第一边缘确定模块，用于将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
第二边缘确定模块，用于对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
距离确定模块，用于根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
跑偏监测模块，用于根据所述跑偏距离，进行传送带跑偏监测。
本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述传送带跑偏监测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述传送带跑偏监测方法的计算机程序。
本发明实施例通过获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；根据所述跑偏距离，进行传送带跑偏监测。本发明实施例根据标记出传送带边缘位置的红外温度历史图像对目标检测网络模型进行训练，然后利用训练好的目标检测网络模型确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，从而快速找到边缘粗略区域，对传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息，从而确定精确的边缘位置，根据第二基准边缘位置信息和第二待测边缘位置信息可以确定传送带的跑偏距离，进而实现传送带跑偏的非接触式监测，有效避免因发生跑偏故障而带来的影响掘进机的正常工作、厌恶施工进度、造成经济损失以及人员伤亡的恶性事故。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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他的附图。在附图中：
图1为本发明实施例中传送带跑偏监测方法示意图；
图2为本发明实施例中传送带跑偏监测装置结构图；
图3是本发明实施例的计算机设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
为了对掘进机出渣传送带进行实时跑偏监测，避免安全故障，本发明实施例提供一种传送带跑偏监测方法，如图1所示，该方法可以包括：
步骤101、获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
步骤102、将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
步骤103、对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
步骤104、根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
步骤105、根据所述跑偏距离，进行传送带跑偏监测。
由图1所示可以得知，本发明实施例通过获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；根据所述跑偏距离，进行传送带跑偏监测。本发明实施例根据标记出传送带边缘位置的红外温度历史图像对目标检测网络模型进行训练，然后利用训练好的目标检测网络模型确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，从而快速找到边缘粗略区域，对传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息，从而确定精确的边缘位置，根据第二基准边缘位置信息和第二待测边缘位置信息可以确定传送带的跑偏距离，进而实现传送带跑偏的非接触式监测，有效避免因发生跑偏故障而带来的影响掘进机的正常工作、延误施工进度、造成经济损失以及人员伤亡的恶性事故。
实施例中，获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像。
本实施例中，按如下方式获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像：
获得传送带的运行速度数据；
根据所述运行速度数据，利用红外热像仪采集未跑偏传送带的初始红外温度图像和待测传送带红外温度图像。
具体实施时，工控机读取掘进机PLC中传送带的运行速度数据，当传送带运行速度非零时开启红外热像仪，否则将其关闭。红外热像仪安装在传送带从动滚轮附近位置，红外热像仪视角内包含传送带区域与传送带边缘外的环境区域。传送带在运行过程中，由于与滚轮之间存在摩擦，其温度相较于周围环境来说存在差异，利用这种特性通过红外热像仪获得传送带区域与周围环境区域的温度云图。还可以设置掘进机主控室屏幕用于实时显示传送外红外视频图像，并在传送带发生跑偏时显示报警信息。工控机用于读取掘进机PLC数据并对传送带红外图像进行处理。
实施例中，将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息。
本实施例中，所述目标检测网络模型为yolov5网络模型，所述目标检测网络模型根据红外温度历史图像进行训练，包括：将红外温度历史图像输入yolov5网络模型进行训练，采用交叉熵损失函数对yolov5网络模型的网络参数进行迭代更新。
本实施例中，传送带跑偏监测方法还包括：
采用高通滤波器对未跑偏传送带的初始红外温度图像和待测传送带红外温度图像进行预处理；
采用大津阈值法对预处理后的初始红外温度图像和待测传送带红外温度图像进行二值化，得到对应的初始红外温度二值图像和待测红外温度二值图像；
对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息，包括：对所述初始红外温度二值图像中的第一基准边缘位置信息以及待测红外温度二值图像中的第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息。
具体实施时，采用红外热像仪获取红外温度图像，除了获取传送带温度外，还存在渣土、托辊等其他的干扰因素。因此，采用yolov5目标检测算法的网络模型对包含传送带边缘的矩形区域进行目标检测。该yolov5目标检测算法具有速度快、精度高的特性，可对传送带边缘区域进行实时检测。针对目标检测网络的训练过程，yolov5目标检测算法输入的是红外温度历史图像，监督信息是经过标注的传送带边缘区域。训练过程中采集了不同时段、不同工况条件下的红外图像样本5000张，采用人工标注的方法，对传送带边缘位置进行标注，采用交叉熵损失函数对网络参数进行迭代更新，采用的交叉熵损失函数为：
其中，i为训练集对应的索引，为预测值，yi为真实值，N为样本数量。当网络迭代50000次或者网络损失小于0.00001时，则停止网络训练，保存参数模型，从而得到训练好的目标检测网络模型。
具体实施时，在利用目标检测网络确定粗略边缘位置后，为了对传送带边缘进行精确定位，需要对红外图像进行预处理操作，采用高通滤波器对图像进行处理：
其中，H(μ-x+1,ν-y+1)为冲激响应，滤波后的图像可以消除低频信息，保留高频信息，消除部分干扰因素。然后，采用大津阈值法对红外图像进行进行二值化处理，得到二值图像，进而采用基于亚像素的边缘检测方法获取传送带边缘的精确边缘，将计算出来的传送带边缘位置与基准位置进行对比，从而计算出传送带跑偏的具体像素值。基于亚像素的边缘检测方法，具体通过HALCON中的canny边缘提取方法edges_sub_pix()函数来实现。其中HALCON是机器视觉算法包，拥有应用广泛的机器视觉集成开发环境。
实施例中，根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离。
本实施例中，根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离，包括：
获得传送带宽度数据；
根据所述第二基准边缘位置信息，确定初始红外温度图像中传送带宽度区域内的像素个数；
根据所述传送带宽度数据和初始红外温度图像中传送带宽度区域内的像素个数，确定单位像素对应的实际距离；
根据所述第二基准边缘位置信息与第二待测边缘位置信息，确定待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差；
根据所述待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差以及单位像素对应的实际距离，确定传送带的跑偏距离。
具体实施时，红外热像仪安装位置固定后，通过公式d＝D/n计算单位像素对应的实际距离；其中d为单位像素对应的实际距离，D为传送带宽度数据，n为初始红外温度图像中传送带区域内的像素个数；获取传送带未跑偏时初始红外温度图像中皮带边缘距离图片边缘的像素个数n1；在传送带运行时实时获取待测传送带红外温度图像中皮带边缘距离红外图像边缘的像素个数n2，通过公式P＝|d(n2-n1)|得出传送带的跑偏距离；其中P为传送带的跑偏距离，d为单位像素对应的实际距离。
实施例中，根据所述跑偏距离，进行传送带跑偏监测。
本实施例中，根据所述跑偏距离，进行传送带跑偏监测，包括：若传送带的跑偏距离超过设定报警值，则生成报警信息。
具体实施时，当传送带跑偏距离大于设定报警值时，发出报警信号，并启动传送带纠偏装置。纠偏装置为一种液压纠偏装置，该装置可以根据工控机的指令进行油缸的伸缩，使传送带托辊与传送带运行方向产生一定夹角，从而产生侧向的摩擦力，达到纠偏的目的。
基于同一发明构思，本发明实施例还提供了一种传送带跑偏监测装置，如下面的实施例所述。由于这些解决问题的原理与传送带跑偏监测方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
图2为本发明实施例中传送带跑偏监测装置的结构图，如图2所示，该装置包括：
图像获得模块201，用于获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
第一边缘确定模块202，用于将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
第二边缘确定模块203，用于对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
距离确定模块204，用于根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
跑偏监测模块205，用于根据所述跑偏距离，进行传送带跑偏监测。
一个实施例中，图像获得模块201进一步用于：
获得传送带的运行速度数据；
根据所述运行速度数据，利用红外热像仪采集未跑偏传送带的初始红外温度图像和待测传送带红外温度图像。
一个实施例中，所述目标检测网络模型为yolov5网络模型，所述目标检测网络模型根据红外温度历史图像进行训练，包括：将红外温度历史图像输入yolov5网络模型进行训练，采用交叉熵损失函数对yolov5网络模型的网络参数进行迭代更新。
一个实施例中，传送带跑偏监测装置还包括：
预处理模块，用于采用高通滤波器对未跑偏传送带的初始红外温度图像和待测传送带红外温度图像进行预处理；
二值化模块，用于采用大津阈值法对预处理后的初始红外温度图像和待测传送带红外温度图像进行二值化，得到对应的初始红外温度二值图像和待测红外温度二值图像；
第二边缘确定模块203进一步用于：对所述初始红外温度二值图像中的第一基准边缘位置信息以及待测红外温度二值图像中的第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息。
一个实施例中，距离确定模块204进一步用于：
获得传送带宽度数据；
根据所述第二基准边缘位置信息，确定初始红外温度图像中传送带宽度区域内的像素个数；
根据所述传送带宽度数据和初始红外温度图像中传送带宽度区域内的像素个数，确定单位像素对应的实际距离；
根据所述第二基准边缘位置信息与第二待测边缘位置信息，确定待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差；
根据所述待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差以及单位像素对应的实际距离，确定传送带的跑偏距离。
一个实施例中，跑偏监测模块205进一步用于：
若传送带的跑偏距离超过设定报警值，则生成报警信息。
综上所述，本发明实施例通过获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；根据所述跑偏距离，进行传送带跑偏监测。本发明实施例根据标记出传送带边缘位置的红外温度历史图像对目标检测网络模型进行训练，然后利用训练好的目标检测网络模型确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，从而快速找到边缘粗略区域，对传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息，从而确定精确的边缘位置，根据第二基准边缘位置信息和第二待测边缘位置信息可以确定传送带的跑偏距离，进而实现传送带跑偏的非接触式监测，有效避免因发生跑偏故障而带来的影响掘进机的正常工作、厌恶施工进度、造成经济损失以及人员伤亡的恶性事故。
基于前述发明构思，如图3所示，本发明还提出了一种计算机设备300，包括存储器310、处理器320及存储在存储器310上并可在处理器320上运行的计算机程序330，所述处理器320执行所述计算机程序330时实现前述传送带跑偏监测方法。
基于前述发明构思，本发明提出了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现前述传送带跑偏监测方法。
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。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种传送带跑偏监测方法，其特征在于，包括：
获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
根据所述跑偏距离，进行传送带跑偏监测；
根据所述跑偏距离，进行传送带跑偏监测，包括：
若传送带的跑偏距离超过设定报警值，则生成报警信息；
当传送带跑偏距离大于设定报警值时，发出报警信号，并启动传送带纠偏装置；
所述方法，还包括：
采用高通滤波器对未跑偏传送带的初始红外温度图像和待测传送带红外温度图像进行预处理；
采用大津阈值法对预处理后的初始红外温度图像和待测传送带红外温度图像进行二值化，得到对应的初始红外温度二值图像和待测红外温度二值图像；
对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息，包括：对所述初始红外温度二值图像中的第一基准边缘位置信息以及待测红外温度二值图像中的第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息。
2.如权利要求1所述的传送带跑偏监测方法，其特征在于，按如下方式获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像：
获得传送带的运行速度数据；
根据所述运行速度数据，利用红外热像仪采集未跑偏传送带的初始红外温度图像和待测传送带红外温度图像。
3.如权利要求1所述的传送带跑偏监测方法，其特征在于，所述目标检测网络模型为yolov5网络模型，所述目标检测网络模型根据红外温度历史图像进行训练，包括：将红外温度历史图像输入yolov5网络模型进行训练，采用交叉熵损失函数对yolov5网络模型的网络参数进行迭代更新。
4.如权利要求1所述的传送带跑偏监测方法，其特征在于，根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离，包括：
获得传送带宽度数据；
根据所述第二基准边缘位置信息，确定初始红外温度图像中传送带宽度区域内的像素个数；
根据所述传送带宽度数据和初始红外温度图像中传送带宽度区域内的像素个数，确定单位像素对应的实际距离；
根据所述第二基准边缘位置信息与第二待测边缘位置信息，确定待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差；
根据所述待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差以及单位像素对应的实际距离，确定传送带的跑偏距离。
5.一种传送带跑偏监测装置，其特征在于，包括：
图像获得模块，用于获得未跑偏传送带的初始红外温度图像和待测传送带红外温度图像；
第一边缘确定模块，用于将所述初始红外温度图像和待测传送带红外温度图像分别输入训练好的目标检测网络模型，确定传送带的第一基准边缘位置信息和第一待测边缘位置信息，所述目标检测网络模型根据红外温度历史图像进行训练，所述红外温度历史图像上标记出传送带边缘位置；
第二边缘确定模块，用于对所述传送带的第一基准边缘位置信息和第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息；
距离确定模块，用于根据所述第二基准边缘位置信息和第二待测边缘位置信息，确定传送带的跑偏距离；
跑偏监测模块，用于根据所述跑偏距离，进行传送带跑偏监测；
跑偏监测模块进一步用于：
若传送带的跑偏距离超过设定报警值，则生成报警信息；
当传送带跑偏距离大于设定报警值时，发出报警信号，并启动传送带纠偏装置；
所述装置，还包括：
预处理模块，用于采用高通滤波器对未跑偏传送带的初始红外温度图像和待测传送带红外温度图像进行预处理；
二值化模块，用于采用大津阈值法对预处理后的初始红外温度图像和待测传送带红外温度图像进行二值化，得到对应的初始红外温度二值图像和待测红外温度二值图像；
第二边缘确定模块进一步用于：对所述初始红外温度二值图像中的第一基准边缘位置信息以及待测红外温度二值图像中的第一待测边缘位置信息进行基于亚像素的边缘检测，得到第二基准边缘位置信息和第二待测边缘位置信息。
6.如权利要求5所述的传送带跑偏监测装置，其特征在于，图像获得模块进一步用于：
获得传送带的运行速度数据；
根据所述运行速度数据，利用红外热像仪采集未跑偏传送带的初始红外温度图像和待测传送带红外温度图像。
7.如权利要求5所述的传送带跑偏监测装置，其特征在于，所述目标检测网络模型为yolov5网络模型，所述目标检测网络模型根据红外温度历史图像进行训练，包括：将红外温度历史图像输入yolov5网络模型进行训练，采用交叉熵损失函数对yolov5网络模型的网络参数进行迭代更新。
8.如权利要求5所述的传送带跑偏监测装置，其特征在于，距离确定模块进一步用于：
获得传送带宽度数据；
根据所述第二基准边缘位置信息，确定初始红外温度图像中传送带宽度区域内的像素个数；
根据所述传送带宽度数据和初始红外温度图像中传送带宽度区域内的像素个数，确定单位像素对应的实际距离；
根据所述第二基准边缘位置信息与第二待测边缘位置信息，确定待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差；
根据所述待测传送带红外温度图像中边缘位置与未跑偏传送带的初始红外温度图像中边缘位置的像素数量差以及单位像素对应的实际距离，确定传送带的跑偏距离。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4任一所述方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有执行权利要求1至4任一所述方法的计算机程序。
CN202111001464.0A 2021-08-30 2021-08-30 传送带跑偏监测方法及装置 Active CN113762283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111001464.0A CN113762283B (zh) 2021-08-30 2021-08-30 传送带跑偏监测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111001464.0A CN113762283B (zh) 2021-08-30 2021-08-30 传送带跑偏监测方法及装置

Publications (2)

Publication Number Publication Date
CN113762283A CN113762283A (zh) 2021-12-07
CN113762283B true CN113762283B (zh) 2024-04-09

Family

ID=78791774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111001464.0A Active CN113762283B (zh) 2021-08-30 2021-08-30 传送带跑偏监测方法及装置

Country Status (1)

Country Link
CN (1) CN113762283B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115171051B (zh) * 2022-09-06 2023-01-10 合肥金星智控科技股份有限公司 一种运输皮带边缘撕裂的在线检测方法及系统
CN116739994A (zh) * 2023-05-18 2023-09-12 山东新宝龙工业科技有限公司 一种带预警功能的数字化输送带图形数据监控系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102951426A (zh) * 2012-11-07 2013-03-06 太原理工大学 一种输送带纵向撕裂视觉检测方法
CN103051872A (zh) * 2012-12-18 2013-04-17 青岛科技大学 基于图像边缘提取的输送带跑偏检测方法
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
CN110697373A (zh) * 2019-07-31 2020-01-17 湖北凯瑞知行智能装备有限公司 一种基于图像识别技术的传送皮带跑偏故障检测方法
CN111392368A (zh) * 2020-06-03 2020-07-10 天津美腾科技股份有限公司 一种输送带损伤检测方法、装置、设备及存储介质
CN111498425A (zh) * 2020-03-08 2020-08-07 太原理工大学 一种钢丝绳牵引式煤矿井下带式输送机循环检测系统
CN113283344A (zh) * 2021-05-27 2021-08-20 中国矿业大学 一种基于语义分割网络的矿用输送带跑偏检测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102951426A (zh) * 2012-11-07 2013-03-06 太原理工大学 一种输送带纵向撕裂视觉检测方法
CN103051872A (zh) * 2012-12-18 2013-04-17 青岛科技大学 基于图像边缘提取的输送带跑偏检测方法
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
CN110697373A (zh) * 2019-07-31 2020-01-17 湖北凯瑞知行智能装备有限公司 一种基于图像识别技术的传送皮带跑偏故障检测方法
CN111498425A (zh) * 2020-03-08 2020-08-07 太原理工大学 一种钢丝绳牵引式煤矿井下带式输送机循环检测系统
CN111392368A (zh) * 2020-06-03 2020-07-10 天津美腾科技股份有限公司 一种输送带损伤检测方法、装置、设备及存储介质
CN113283344A (zh) * 2021-05-27 2021-08-20 中国矿业大学 一种基于语义分割网络的矿用输送带跑偏检测方法

Also Published As

Publication number Publication date
CN113762283A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113762283B (zh) 传送带跑偏监测方法及装置
CN103051872B (zh) 基于图像边缘提取的输送带跑偏检测方法
CN104535356A (zh) 一种基于机器视觉的卷筒钢丝绳排绳故障监测方法及系统
CN104751483B (zh) 一种仓储物流机器人工作区域异常情况的监控方法
CN103824304A (zh) 传送带上矿石传送过程中故障诊断方法
CN103927553B (zh) 基于多尺度微纹理和对比度联合分布的煤岩识别方法
CN104410830A (zh) 一种基于视频烟雾检测的装置与方法
Yang et al. Longitudinal tear early-warning method for conveyor belt based on infrared vision
CN115684174A (zh) 一种农产品运输传送带安全运行监测方法
JP2018207194A (ja) 切羽監視システム
Sa et al. Improved Otsu segmentation based on sobel operator
Chern et al. Impact of loss functions on semantic segmentation in far‐field monitoring
JP7068956B2 (ja) レール検査方法
CN116296956A (zh) 一种滚刀磨损检测方法和装置
CN102385702A (zh) 去除路面图像中刻槽的方法
Kleta et al. Image processing and analysis as a diagnostic tool for an underground infrastructure technical condition monitoring
JP2018105751A (ja) 波形データの異常値判定方法及びこの方法を用いた異常値判定システム
CN113989286A (zh) 深度学习的皮带撕裂度量方法、装置、设备及存储介质
CN112924348A (zh) 基于opencv技术的井下粉尘监测与防治系统及方法
CN116187831B (zh) 一种基于大数据的掘进机智能管控系统及方法
CN117629615B (zh) 一种盾构机故障检测方法、设备及介质
KR102225722B1 (ko) 정보 분석 장치, 정보 분석 방법, 및 정보 분석 프로그램
CN108181315B (zh) 一种基于图像处理的饼干损伤检测装置及检测方法
RU2772929C1 (ru) Способ, устройство и система мониторинга рабочего состояния тяжелого оборудования, такого как карьерный экскаватор
CN116258366A (zh) 一种高速公路运营隐患管理监测方法及系统

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
CB03 Change of inventor or designer information

Inventor after: Wang Xiangxiang

Inventor after: Chen Shuai

Inventor after: Zheng Xiaofeng

Inventor after: Liu Tao

Inventor after: Ju Xiangyu

Inventor after: Li Pengyu

Inventor after: Jing Liujie

Inventor after: Sun Senzhen

Inventor after: Niu Kongxiao

Inventor after: Zheng Yinghao

Inventor after: Yang Chen

Inventor before: Liu Tao

Inventor before: Chen Shuai

Inventor before: Zheng Xiaofeng

Inventor before: Ju Xiangyu

Inventor before: Li Pengyu

Inventor before: Wang Xiangxiang

Inventor before: Jing Liujie

Inventor before: Sun Senzhen

Inventor before: Niu Kongxiao

Inventor before: Zheng Yinghao

Inventor before: Yang Chen

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant