CN114002228A - 基于图像识别的皮带裂缝检测方法 - Google Patents
基于图像识别的皮带裂缝检测方法 Download PDFInfo
- Publication number
- CN114002228A CN114002228A CN202111306853.4A CN202111306853A CN114002228A CN 114002228 A CN114002228 A CN 114002228A CN 202111306853 A CN202111306853 A CN 202111306853A CN 114002228 A CN114002228 A CN 114002228A
- Authority
- CN
- China
- Prior art keywords
- belt
- image
- tearing
- camera
- detection method
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
Abstract
本发明涉及一种基于图像识别的皮带裂缝检测方法，其方法包括：步骤1：以第一相机采集皮带表面的带面图像；步骤2：将步骤1所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定为真、则跳转至步骤3；步骤3：以第二相机采集皮带表面的带面画像；步骤4：将步骤3所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定再次为真、则输出报警。本发明能够在皮带运行监测时保证监测精度，减少误报警，实现对皮带破损位置的快速定位。
Description
技术领域
本发明涉及一种基于图像识别的皮带裂缝检测方法。
背景技术
传输皮带在煤矿生产、冶金等工业领域广泛使用，由于所运输物料中经常掺杂着各种尖锐杂质，造成传输皮带在长期使用后，会出现横向/纵向延伸的撕裂缝隙，严重降低了运载皮带的使用寿命。现有技术中，基于图像识别对传输皮带的撕裂检测在皮带运行监测时无法保证精度，容易产生误报警而影响生产，同时也无法快速实现对撕裂部分的位置定位。因此，如何开发出一种更先进的皮带裂缝检测方法，以克服上述问题，是本领域技术人员需要研究的方向。
发明内容
本发明旨在提供一种基于图像识别的皮带裂缝检测方法，以解决现有技术中存在的上述问题。
其采用的技术方案如下：
一种基于图像识别的皮带裂缝检测方法，其包括：
步骤1：以第一相机采集皮带表面的带面图像；
步骤2：将步骤1所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定为真、则跳转至步骤3；
步骤3：以第二相机采集皮带表面的带面画像；
步骤4：将步骤3所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定再次为真、则输出报警。
通过采用这种技术方案：在第一相机识别出当前皮带存在撕裂情况时，基于第二相机从不同角度再次拍摄图像进行识别检测，实现对首次识别的核对，由此提高了识别精度，减少了误报警的发生。同时基于第一相机和第二相机输出检测信号时的相对位置关系和时间差，推算出撕裂部分在皮带上的具体位置，有助于工作人员对皮带破损处的快速定位。
优选的是，上述基于图像识别的皮带裂缝检测方法中，所述识别运算包括：
步骤A1：将RGB格式图像转化为灰度图像；
步骤A2：基于中值滤波算法对所述灰度图像进行降噪处理；
步骤A3：从灰度图像中提取撕裂特征参数；
步骤A4：将所述撕裂特征参数导入撕裂识别模型中，取得撕裂识别判定。
通过采用这种技术方案：将带面图像统一转化为灰度图像，造成带面平整部分的灰度值低于带面裂缝的灰度值，从而能从原图中快速提取作为撕裂特征向量的裂缝，随后投入由神经网络训练所得模型进行识别，有助于撕裂识别的智能化和自动化。
优选的是，上述基于图像识别的皮带裂缝检测方法中，所述步骤A3包括：
步骤B1：基于预设分割值对灰度图像进行分割，从灰度图像中提取灰度值大于预设分割值的线性裂缝图像；
步骤B2：分别求得线性裂缝的裂缝长度L和裂缝平均宽度A；
步骤B3：计算线性裂缝图像的总面积S＝L*A。
更优选的是，上述基于图像识别的皮带裂缝检测方法中：所述撕裂识别模型基于将预存包含撕裂皮带的图像导入ResNet神经网络模型中训练得到。
更优选的是，上述基于图像识别的皮带裂缝检测方法中，还包括步骤5-6；
步骤5：停止皮带传输进行检修，并对静态皮带拍摄对应于步骤3所述带面画像的带面图像；
步骤6：将步骤5所得带面图像输入至ResNet神经网络模型中，训练并改进撕裂识别模型。
更优选的是，上述基于图像识别的皮带裂缝检测方法中：所述第一相机为固定相机，所述第二相机为可移动相机。
更优选的是，上述基于图像识别的皮带裂缝检测方法中：所述第二相机安装于巡检机器人上；所述巡检机器人的移动轨迹平行于皮带延伸方向且位于皮带正上方。
与现有技术相比，本发明能够在皮带运行监测时无法保证精度，避免产生误报警，快速实现对撕裂部分的位置定位。
附图说明
图1为本发明实施例的工作流程图。
具体实施方式
在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可以是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。
以下将结合附图1，对本发明实施例做进一步说明。
实施例1
一种基于图像识别的皮带裂缝检测方法，其包括：
步骤1：操作第一相机以每秒1张的频率采集皮带表面的带面图像，所述第一相机为固定相机、且垂直固定于待检测的循环传动的皮带中段正上方；
步骤2：将第一相机所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定为真、则跳转至步骤3；
步骤3：以第二相机采集皮带表面的带面画像，所述第二相机安装于巡检机器人上；所述巡检机器人安装于滑轨上、沿滑轨延伸方向往复运动；所述滑轨平行于循环传动皮带的正上方。
步骤4：将第二相机所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定再次为真、则输出报警；
步骤5：停止皮带传输进行检修，并对静态皮带拍摄对应于步骤3所述带面画像的带面图像；
步骤6：将步骤5所得带面图像输入至ResNet神经网络模型中，训练并改进撕裂识别模型。
上述步骤中，所述步骤2及步骤4中的识别运算包括：
步骤A1：将RGB格式图像转化为灰度图像；其图像灰度转换公式为：
h(i,j)＝0.1250R(i,j)+0.7154G(i,j)+0.0721B(i,j)；
h(i,j)为灰度图像中第i行第j列的灰度值；
R(i,j)，G(i,j)，B(i,j)分别为原始图像中红、绿、蓝3种基本颜色的分量值；
步骤A2：基于中值滤波算法对所述灰度图像进行降噪处理；
步骤A3：从灰度图像中提取撕裂特征参数；
步骤A4：将所述撕裂特征参数导入撕裂识别模型中，取得撕裂识别判定。
其中，所述步骤A3包括：
步骤B1：基于预设分割值对灰度图像进行分割，从灰度图像中提取灰度值大于预设分割值的线性裂缝图像；
步骤B2：分别求得线性裂缝的裂缝长度L和裂缝平均宽度A；
其中，首先提取出线性裂缝的骨架，骨架提取后，将线性裂缝细化为单像素宽，然后对白像素的个数进行统计，计算得到由像素点个数即为线性裂缝的长度L；
步骤B3：计算线性裂缝图像的总面积S＝L*A；
其中，所述撕裂识别模型基于将预存包含撕裂皮带的图像导入ResNet神经网络模型中训练得到。
上述过程中，由于第一相机对皮带拍摄时两者的相对移动速度，完全不同与第二相机追赶/迎向皮带拍摄时两者的相对移动速度，相当于基于同一运算模型在两种不同相对速度下拍摄的统一位置画面进行二次检测。从而将外部因素的干扰降到最低，间接保证了皮带传动过程中图像识别的精度，从而降低了误报警的概率。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于图像识别的皮带裂缝检测方法，其特征在于，包括：
步骤1：以第一相机采集皮带表面的带面图像；
步骤2：将步骤1所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定为真、则跳转至步骤3；
步骤3：以第二相机采集皮带表面的带面画像；
步骤4：将步骤3所得带面画像传输至后台系统进行识别运算，并输出撕裂识别判定；如撕裂识别判定再次为真、则输出报警。
2.如权利要求要求1所述基于图像识别的皮带裂缝检测方法，其特征在于：所述识别运算包括：
步骤A1：将RGB格式图像转化为灰度图像；
步骤A2：基于中值滤波算法对所述灰度图像进行降噪处理；
步骤A3：从灰度图像中提取撕裂特征参数；
步骤A4：将所述撕裂特征参数导入撕裂识别模型中，取得撕裂识别判定。
3.如权利要求要求2所述基于图像识别的皮带裂缝检测方法，其特征在于，所述步骤A3包括：
步骤B1：基于预设分割值对灰度图像进行分割，从灰度图像中提取灰度值大于预设分割值的线性裂缝图像；
步骤B2：分别求得线性裂缝的裂缝长度L和裂缝平均宽度A；
步骤B3：计算线性裂缝图像的总面积S＝L*A。
4.如权利要求要求3所述基于图像识别的皮带裂缝检测方法，其特征在于：所述撕裂识别模型基于将预存包含撕裂皮带的图像导入ResNet神经网络模型中训练得到。
5.如权利要求要求1所述基于图像识别的皮带裂缝检测方法，其特征在于：还包括步骤5-6；
步骤5：停止皮带传输进行检修，并对静态皮带拍摄对应于步骤3所述带面画像的带面图像；
步骤6：将步骤5所得带面图像输入至ResNet神经网络模型中，训练并改进撕裂识别模型。
6.如权利要求1所述基于图像识别的皮带裂缝检测方法，其特征在于：
所述第一相机为固定相机，所述第二相机为可移动相机。
7.如权利要求6所述基于图像识别的皮带裂缝检测方法，其特征在于：所述第二相机安装于巡检机器人上；所述巡检机器人的移动轨迹平行于皮带延伸方向且位于皮带正上方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111306853.4A CN114002228A (zh) | 2021-11-05 | 2021-11-05 | 基于图像识别的皮带裂缝检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111306853.4A CN114002228A (zh) | 2021-11-05 | 2021-11-05 | 基于图像识别的皮带裂缝检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114002228A true CN114002228A (zh) | 2022-02-01 |
Family
ID=79927812
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111306853.4A Pending CN114002228A (zh) | 2021-11-05 | 2021-11-05 | 基于图像识别的皮带裂缝检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114002228A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114890089A (zh) * | 2022-05-10 | 2022-08-12 | 首钢京唐钢铁联合有限责任公司 | 一种皮带撕边检测装置 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2785627A1 (fr) * | 1998-11-05 | 2000-05-12 | Visioreg | Positionnement inspection de tissus |
| CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
| CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
| CN110084166A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于深度学习的变电站烟火智能识别监测方法 |
| CN110111303A (zh) * | 2019-04-04 | 2019-08-09 | 上海大学 | 一种基于动态图像的大型运载皮带撕裂故障智能检测方法 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111879779A (zh) * | 2020-08-10 | 2020-11-03 | 济南大学 | 一种微损伤的建筑幕墙检测方法 |
| CN111951225A (zh) * | 2020-07-20 | 2020-11-17 | 南京南瑞继保电气有限公司 | 一种pcb焊接异常检测方法、装置及存储介质 |
| CN112180955A (zh) * | 2020-08-26 | 2021-01-05 | 国网安徽省电力有限公司淮南供电公司 | 一种自动巡检无人机的基于视觉反馈的二次复查方法和系统 |
-
2021
- 2021-11-05 CN CN202111306853.4A patent/CN114002228A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2785627A1 (fr) * | 1998-11-05 | 2000-05-12 | Visioreg | Positionnement inspection de tissus |
| CN106226157A (zh) * | 2016-08-31 | 2016-12-14 | 孙金更 | 混凝土构件裂缝自动检测装置及方法 |
| CN110111303A (zh) * | 2019-04-04 | 2019-08-09 | 上海大学 | 一种基于动态图像的大型运载皮带撕裂故障智能检测方法 |
| CN109879005A (zh) * | 2019-04-15 | 2019-06-14 | 天津美腾科技有限公司 | 皮带撕裂检测装置及方法 |
| CN110084166A (zh) * | 2019-04-19 | 2019-08-02 | 山东大学 | 基于深度学习的变电站烟火智能识别监测方法 |
| CN110992329A (zh) * | 2019-11-28 | 2020-04-10 | 上海微创医疗器械（集团）有限公司 | 一种产品表面缺陷检测方法、电子设备及可读存储介质 |
| CN111951225A (zh) * | 2020-07-20 | 2020-11-17 | 南京南瑞继保电气有限公司 | 一种pcb焊接异常检测方法、装置及存储介质 |
| CN111879779A (zh) * | 2020-08-10 | 2020-11-03 | 济南大学 | 一种微损伤的建筑幕墙检测方法 |
| CN112180955A (zh) * | 2020-08-26 | 2021-01-05 | 国网安徽省电力有限公司淮南供电公司 | 一种自动巡检无人机的基于视觉反馈的二次复查方法和系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114890089A (zh) * | 2022-05-10 | 2022-08-12 | 首钢京唐钢铁联合有限责任公司 | 一种皮带撕边检测装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109115785B (zh) | 一种铸件打磨质量检测方法、装置及其使用方法 | |
| CN109879005B (zh) | 皮带撕裂检测装置及方法 | |
| Yang et al. | On-line conveyor belts inspection based on machine vision | |
| CN104198497A (zh) | 一种基于视觉显著图和支持向量机的表面缺陷检测方法 | |
| CN109724776B (zh) | 一种烧结机台车的篦条损坏程度的确定方法及装置 | |
| CN111667475B (zh) | 一种基于机器视觉的大枣分级检测方法 | |
| CN105083912A (zh) | 一种基于图像识别的输送带跑偏检测方法 | |
| CN115239711B (zh) | 一种缝制设备的在线运行异常识别系统 | |
| CN108510539A (zh) | 一种基于图像分析的煤炭产量监测方法 | |
| CN111968082A (zh) | 一种基于机器视觉的产品包装缺陷检测识别方法 | |
| CN114002228A (zh) | 基于图像识别的皮带裂缝检测方法 | |
| CN110310275A (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
| CN113297885A (zh) | 基于卷积神经网络的皮带机表面状态检测方法及装置 | |
| CN110015553A (zh) | 基于视频分析的运输皮带系统异物检测保护方法 | |
| CN113469974B (zh) | 球团链篦机篦板状态监测方法及其监测系统 | |
| CN116908107A (zh) | 一种基于机器视觉的漆面瑕疵检测系统 | |
| CN117094609A (zh) | 一种基于机器视觉的铝型材生产质量智能管理系统 | |
| CN107121063A (zh) | 检测工件的方法 | |
| CN116681664A (zh) | 一种用于冲压设备作业的检测方法及装置 | |
| CN112907524B (zh) | 基于图像处理的铁路货车防火板故障检测方法 | |
| CN102679869B (zh) | 一种针对非金属麦拉片位置不良的视觉检测方法及其装置 | |
| CN110782453B (zh) | 一种基于图像特征匹配的印刷品质量检测方法 | |
| CN110196010B (zh) | 物料高度测量装置及方法 | |
| CN109859169B (zh) | 一种基于卷积神经网络的tft-lcd模组白印检测方法 | |
| CN112330633B (zh) | 基于自适应带通滤波的跨接线胶带破损故障图像分割方法 |
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 |