CN114004820A - 基于双视觉融合的输送带纵向撕裂检测方法 - Google Patents
基于双视觉融合的输送带纵向撕裂检测方法 Download PDFInfo
- Publication number
- CN114004820A CN114004820A CN202111303651.4A CN202111303651A CN114004820A CN 114004820 A CN114004820 A CN 114004820A CN 202111303651 A CN202111303651 A CN 202111303651A CN 114004820 A CN114004820 A CN 114004820A
- Authority
- CN
- China
- Prior art keywords
- image
- thermal imaging
- infrared
- fusion
- conveying belt
- 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 49
- 230000004927 fusion Effects 0.000 title claims abstract description 40
- 208000003164 Diplopia Diseases 0.000 title claims abstract description 14
- 208000029444 double vision Diseases 0.000 title claims abstract description 14
- 238000001931 thermography Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 39
- 230000001960 triggered effect Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 239000003245 coal Substances 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004484 Briquette Substances 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10024—Color 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
- G06T2207/10—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
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
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)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明属于检测控制领域，涉及一种基于热成像和红外视觉传感器的双视觉融合的输送带纵向撕裂检测方法，包括以下步骤：S1、采集皮带运行状态下的红外图像和热成像图像；S2、将红外视觉传感器模块作为检测装置的触发器，当红外视觉传感器检测到皮带纵向撕裂时，触发相应的检测系统，提取相应时段的红外图像和热成像图像并存储；S3、分别建立红外图像训练网络和热成像图像训练网络，将提取的红外图像和热成像图像分别输入对应的网络；S4、在决策层上将红外图像训练网络和热成像图像训练网络的输出结果进行融合处理，得到输送带纵向撕裂类型。本发明可以提高输送带纵向撕裂检测准确性，提高皮带输送机运行的安全可靠性。
Description
技术领域
本发明涉及检测控制领域，涉及一种基于热成像和红外视觉传感器的双视觉融合的输送带纵向撕裂检测方法。
背景技术
输送带具有操作简单、能耗较小、可运输量大等特点，因此被广泛用于煤炭和其他矿物、矿石的生产、运输、处理等领域中，纵向撕裂主要发生在皮带的上表面，如煤炭中的铁矿石、铜矿石等在皮带落煤点处因具有纵向的加速度而有可能让输送带发生撕裂，且在运输过程中可能会因为货物掉落在卡在机架或托辊上时而导致电机转速不一，产生纵向撕裂。随着科技的进步和通讯手段的进步，矿用输送带传输过程中的智能感知、实时监控、精确预测相关技术成为了可能。
目前，我国对于矿用输送带的状态监测已经运用了人工智能领域中的神经网络等人工智能算法技术，通过视觉传感器对输送带的纵向损伤状态识别。但是上述技术存在的缺陷是对于纵向撕裂进行识别时，只能通过感知视觉-图像信息进行纵向撕裂检测的判断，数据较为单一。识别准确度有待提高。因此，为了进一步解决煤矿井下输送带检测装置的精确性，需要对现有技术中的输送带纵向撕裂检测方法进行改进。
发明内容
本发明克服现有技术存在的不足，所要解决的技术问题为：提供一种基于双视觉融合的输送带纵向撕裂检测方法，以实现基于热成像和红外视觉传感器的双视觉融合，提高输送带纵向撕裂检测精度。
为了解决上述技术问题，本发明采用的技术方案为：一种基于双视觉融合的输送带纵向撕裂检测方法，基于双视觉融合的输送带纵向撕裂检测装置实现，所述基于双视觉融合的输送带纵向撕裂检测装置包括红外视觉传感器和热成像图像传感器，所述方法包括以下步骤：
S1、采集皮带运行状态下的红外图像和热成像图像；
S2、将红外视觉传感器模块作为检测装置的触发器，当红外视觉传感器检测到皮带纵向撕裂时，触发相应的检测系统，提取相应时段的红外图像和热成像图像并存储；
S3、分别建立红外图像训练网络和热成像图像训练网络，将提取的红外图像和热成像图像分别输入对应的网络；
S4、在决策层上将红外图像训练网络和热成像图像训练网络的输出结果进行融合处理，得到输送带纵向撕裂类型。
所述红外图像训练网络和热成像图像训练网络均为卷积神经网络。
所述步骤S3中，还包括对红外图像进行预处理的步骤，预处理步骤为：
S311、对采集的图像信息进行高斯滤波、图像二值化、图像增强、灰度化等操作，使图像去噪提高图像的质量，得到灰度图像。
S312、采用Gamma校正法对输入的红外图像进行颜色空间的标准化，即对图像进行归一化处理；
S313、计算图像每个像素的梯度大小G和梯度方向&；
S314、将图像划分成3*3的小块，统计每个3*3小块的不同梯度直方图的个数；
S315、将3*3个小块组成一个Block，每个Block中所有的小块的特征向量串联起来，得到该Block的HOG特征；将图像中的所有Block的HOG特征串联起来得到该图像的HOG特征向量。
所述步骤S3中，还包括对热成像图像进行预处理的步骤，预处理步骤为：
S321、对采集的热成像图像进行高斯滤波、图像二值化、图像增强的去噪操作；
S322、运用canny算法去掉图像的背景，得到感兴趣区域图像；
S323、获取红外热图像各像素的R、G、B分量的加权输出作为所述像素值的灰度输出；
S324、利用像素灰度值与温度的关系式Y＝KT+b得到图像的各个像素的温度；
S325、将图像的各个像素的温度值作为该图像的特征向量。
所述步骤S4中，红外图像训练网络和热成像图像训练网络的输出结果为各个输送带状态的概率，所述输送带状态包括正常态、磨损态、划伤态、撕裂态。
所述融合处理具体包括以下步骤
S401、根据红外图像训练网络和热成像图像训练网络的输出，给红外传感器和热成像图像传感器各分配一个信度函数；
S402、将红外传感器和热成像图像传感器所分配的信度函数进行D-S组合，得到融合的信度函数；
S403、根据融合信度函数，判断输送带状态。
所述融合信度函数的计算公式为：
其中，A表示输送带的状态，m1(A)表示红外图像训练网络输出的A状态的概率，m2(A)表示热成像图像训练网络输出的A状态的概率，mass(A)表示A状态的融合信度函数值。
所述步骤S403中，设定信任函数值阈值为0.87，融合信度函数值高于阈值的状态即输送带状态的检测结果。
所述双视觉融合的输送带纵向撕裂检测装置还包括算法单元、供电单元和存储单元。
所述双视觉融合的输送带纵向撕裂检测装置设置在皮带下方。
本发明与现有技术相比具有以下有益效果：
本发明提供了一种基于双视觉融合的输送带纵向撕裂检测方法，其采用热成像相机和红外相机两种传感器进行数据的采集和处理，并应用决策层融合算法将两种传感器的输出结果进行融合。该方法克服了因单一传感器采集的单一数据而导致的判断精度下降、误判等劣势，提高了输送带纵向撕裂检测的精度和有效性。
附图说明
图1为本发明实施例提供的一种基于双视觉融合的输送带纵向撕裂检测方法的流程示意图；
图2为本发明实施例中采用的检测装置的结构示意图；
图3为本发明实施例中的检测装置的安装结构示意图。
图中：1为检测装置，2为皮带，3为煤块，4为支架。
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，下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例；基于本发明中的实施例，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，都属于本发明保护的范围。
如图1所示，本实例采用的检测装置包括红外视觉传感器和热成像图像传感器，所述基于双视觉融合的输送带纵向撕裂检测方法包括以下步骤：
S1、采集皮带运行状态下的红外图像和热成像图像。
将检测装置设置在皮带下方，通过检测装置内设置的红外视觉传感器和热成像图像传感器，对皮带形态和运行状态进行红外图像和热成像图像的采集。
S2、将红外视觉传感器模块作为检测装置的触发器，当红外视觉传感器检测到皮带纵向撕裂时，触发相应的检测系统，提取相应时段的红外图像和热成像图像并存储。
S3、分别建立红外图像训练网络和热成像图像训练网络，将提取的红外图像和热成像图像分别输入对应的网络。
具体地，建立红外图像训练网络具体步骤为：
使用红外视觉传感器分别采集正常态、磨损态、划伤态、撕裂态下的红外图像并存储，然后通过下述步骤S311～S313对各个图像进行预处理后，使用预处理后的图像的HOG特征向量来训练卷积神经网络，得到训练好的卷积神经网络。`
具体地，将提取的红外图像输入对应的网络之前，还包括对红外图像进行预处理的步骤。所述预处理步骤为：
S311、对采集的图像信息进行高斯滤波、图像二值化、图像增强、灰度化等操作，使图像去噪提高图像的质量，得到灰度图像。
S312、采用Gamma校正法对输入的红外图像进行颜色空间的标准化，即对图像进行归一化处理；
S313、计算图像每个像素的梯度大小G和梯度方向&，计算公式如下：
其中，Gx和Gy分别表示x方向和y方向的梯度。
S314、将图像划分成3*3的小块，统计每个3*3小块的不同梯度直方图的个数；
S315、将3*3个小块组成一个Block，每个Block中所有的小块的特征向量串联起来，得到该Block的HOG特征；将图像中的所有Block的HOG特征串联起来得到该图像的HOG特征向量。
具体地，热成像图像网络建模具体方法如下：
运用热成像图像传感器分别采集正常态、磨损态、划伤态、撕裂态下的热成像图像并存储，将其分成两部分，一大部分通过下述步骤S321～S325对各个图像进行预处理后，用来训练可变卷积核的卷积神经网络，另一小部分用来获取温度特征向量与灰度值的拟合关系。具体包括以下步骤：
其中，对热成像图像进行预处理具体包括以下步骤：
S321、通过高斯滤波、图像二值化、图像增强等操作，使图像去噪提高图像的质量。
S322、应用canny算法去掉图像的背景，得到感兴趣区域图像.
S323、计算感兴趣区域图像的各个像素的灰度值。
具体地，计算灰度值时，可以通过像素的R、G、B分量的加权输出Y作为该像素的灰度输出，加权输出公式如下：
Y＝XR*R+YG*G+ZB*B； (2)
其中，XR＝0.3,YG＝0.5,ZB＝0.2，分别为各分量的加权系数。
S324、利用像素灰度值与温度的关系式Y＝KT+b得到图像的各个像素的温度，其中K，b表示线性拟合系数，T表示温度，Y表示灰度值。
具体地，步骤S324中，线性拟合系数可以根据从热成像图像传感器提取一部分感兴趣图像的100个像素点的温度值，并存储；然后对这些图像进行预处理得到灰度值后，对其灰度值和温度进行线性拟合，即可以得到上述的线性拟合系数。
S325、将图像的各个像素的温度值作为该图像的特征向量。其中，也可以对其个若干相邻像素的温度进行求平均值，得到图像的特征向量。
具体地，得到各个图像的温度特征向量后，将正常态、磨损态、划伤态、撕裂态下的热成像图像对应的特征向量输入热成像图像网络进行训练与测试，可以得到训练好的热成像图像网络模型。所述热成像图像网络模型具体可以为可变卷积核的卷积神经网络。
S4、在决策层上将红外图像训练网络和热成像图像训练网络的输出结果进行融合处理，得到输送带纵向撕裂类型。
所述融合处理具体包括以下步骤
S401、根据红外图像训练网络和热成像图像训练网络的输出，给红外传感器和热成像图像传感器各分配一个信度函数。
S402、将红外传感器和热成像图像传感器所分配的信度函数进行D-S组合，得到融合信度函数值。
S403、根据融合信度函数，判断输送带状态。
其中，所述融合信度函数值的计算公式为：
其中，A表示输送带的状态，m1(A)表示红外图像训练网络输出的A状态的概率，m2(A)表示热成像图像训练网络输出的A状态的概率，mass(A)表示A状态的融合信度函数值。
具体地，所述步骤S403中，设定信任函数值阈值为0.87，融合信度函数值高于阈值的状态即输送带状态的检测结果。
D-S证据理论算法实现输出决策层上融合步骤如下：
(1)首先建立辨识框架Θ，本检测装置的辨识框架如下：
Θ＝{正常态、磨损态、划伤态、撕裂态}；
(2)根据两种相机输出正常态、磨损态、划伤态、撕裂态的概率，计算出归一化常数K,计算步骤如下：
其中m1(B)和m2(C)表示两种相机输出的状态出现的概率，
(3)分别计算出正常态、磨损态、划伤态、撕裂态的组合mass函数值，正常态的组合mass函数值计算过程如下：
(4)同理可计算出其他三种状态的组合mass函数值，根据信任函数值等于组合mass函数值这一关系可计算出每个状态发生的信任函数值。
如图2所示，本发明实施例的一种基于双视觉融合的输送带纵向撕裂检测方法，基于双视觉融合的输送带纵向撕裂检测装置实现，所述双视觉融合的输送带纵向撕裂检测装置包括红外视觉传感器和热成像图像传感器，还包括CPU单元、供电单元和存储单元，所述红外视觉传感器和热成像图像传感器分别与CPU相连接，检测装置与皮带输送机的电气控制装置相连接；当检测到皮带发生纵向撕裂时，检测装置立即切断皮带输送机电源使其停止工作。如图3所示，所述双视觉融合的输送带纵向撕裂检测装置设置在皮带下方。
本发明的检测方法可以有效的检测皮带的划伤、撕裂，采用的装置结构简单、安装方便、时效性强等特点，避免由皮带机撕裂引起的堆煤事故的发生，极大的提高了皮带输送机运行的安全可靠性。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，基于双视觉融合的输送带纵向撕裂检测装置实现，所述基于双视觉融合的输送带纵向撕裂检测装置包括红外视觉传感器和热成像图像传感器，所述方法包括以下步骤：
S1、采集皮带运行状态下的红外图像和热成像图像；
S2、将红外视觉传感器模块作为检测装置的触发器，当红外视觉传感器检测到皮带纵向撕裂时，触发相应的检测系统，提取相应时段的红外图像和热成像图像并存储；
S3、分别建立红外图像训练网络和热成像图像训练网络，将提取的红外图像和热成像图像分别输入对应的网络；
S4、在决策层上将红外图像训练网络和热成像图像训练网络的输出结果进行融合处理，得到输送带纵向撕裂类型。
2.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述红外图像训练网络和热成像图像训练网络均为卷积神经网络。
3.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述步骤S3中，还包括对红外图像进行预处理的步骤，预处理步骤为：
S311、对采集的图像信息进行高斯滤波、图像二值化、图像增强、灰度化等操作，使图像去噪提高图像的质量，得到灰度图像；
S312、采用Gamma校正法对输入的红外图像进行颜色空间的标准化，即对图像进行归一化处理；
S313、计算图像每个像素的梯度大小G和梯度方向＆；
S314、将图像划分成3*3的小块，统计每个3*3小块的不同梯度直方图的个数；
S315、将3*3个小块组成一个Block，每个Block中所有的小块的特征向量串联起来，得到该Block的HOG特征；将图像中的所有Block的HOG特征串联起来得到该图像的HOG特征向量。
4.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述步骤S3中，还包括对热成像图像进行预处理的步骤，预处理步骤为：
S321、对采集的热成像图像进行高斯滤波、图像二值化、图像增强的去噪操作；
S322、运用canny算法去掉图像的背景，得到感兴趣区域图像；
S323、获取红外热图像各像素的R、G、B分量的加权输出作为所述像素值的灰度输出；
S324、利用像素灰度值与温度的关系式Y=KT+b得到图像的各个像素的温度；其中，K，b表示线性拟合系数，T表示温度，Y表示灰度值；
S325、将图像的各个像素的温度值作为该图像的特征向量。
5.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述步骤S4中，红外图像训练网络和热成像图像训练网络的输出结果为各个输送带状态的概率，所述输送带状态包括正常态、磨损态、划伤态、撕裂态。
6.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述融合处理具体包括以下步骤
S401、根据红外图像训练网络和热成像图像训练网络的输出，给红外传感器和热成像图像传感器各分配一个信度函数；
S402、将红外传感器和热成像图像传感器所分配的信度函数进行D-S组合，得到融合的信度函数；
S403、根据融合信度函数，判断输送带状态。
7.根据权利要求6所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述融合信度函数的计算公式为：
其中，A表示输送带的状态，m1（A）表示红外图像训练网络输出的A状态的概率，m2（A）表示热成像图像训练网络输出的A状态的概率，mass（A）表示A状态的融合信度函数值。
8.根据权利要求6所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述步骤S403中，设定信任函数值阈值为0.87，融合信度函数值高于阈值的状态即输送带状态的检测结果。
9.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述双视觉融合的输送带纵向撕裂检测装置还包括算法单元、供电单元和存储单元。
10.根据权利要求1所述的一种基于双视觉融合的输送带纵向撕裂检测方法，其特征在于，所述双视觉融合的输送带纵向撕裂检测装置设置在皮带下方。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111303651.4A CN114004820A (zh) | 2021-11-05 | 2021-11-05 | 基于双视觉融合的输送带纵向撕裂检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111303651.4A CN114004820A (zh) | 2021-11-05 | 2021-11-05 | 基于双视觉融合的输送带纵向撕裂检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114004820A true CN114004820A (zh) | 2022-02-01 |
Family
ID=79927736
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111303651.4A Pending CN114004820A (zh) | 2021-11-05 | 2021-11-05 | 基于双视觉融合的输送带纵向撕裂检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114004820A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117800039A (zh) * | 2024-02-23 | 2024-04-02 | 太原理工大学 | 带式输送机皮带跑偏检测系统 |
| CN118411360A (zh) * | 2024-06-27 | 2024-07-30 | 武汉理工大学 | 带式输送机纵向撕裂红外图像数据生成方法 |
-
2021
- 2021-11-05 CN CN202111303651.4A patent/CN114004820A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117800039A (zh) * | 2024-02-23 | 2024-04-02 | 太原理工大学 | 带式输送机皮带跑偏检测系统 |
| CN117800039B (zh) * | 2024-02-23 | 2024-05-14 | 太原理工大学 | 带式输送机皮带跑偏检测系统 |
| CN118411360A (zh) * | 2024-06-27 | 2024-07-30 | 武汉理工大学 | 带式输送机纵向撕裂红外图像数据生成方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109670441B (zh) | 一种实现安全帽穿戴识别的方法、系统、终端以及计算机可读存储介质 | |
| CN107123131B (zh) | 一种基于深度学习的运动目标检测方法 | |
| CN114004820A (zh) | 基于双视觉融合的输送带纵向撕裂检测方法 | |
| CN110163852B (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
| CN112446896B (zh) | 一种基于图像识别的输送物料掉落监控方法、装置及系统 | |
| CN109460787B (zh) | 入侵检测模型建立方法、装置及数据处理设备 | |
| CN117115147B (zh) | 一种基于机器视觉的纺织品检测方法及系统 | |
| CN113989716B (zh) | 煤矿井下输送带异物目标检测方法、系统、设备及终端 | |
| Wang et al. | Longitudinal tear detection of conveyor belt under uneven light based on Haar-AdaBoost and Cascade algorithm | |
| CN110327050B (zh) | 用于可穿戴装备的人跌倒状态嵌入式智能检测方法 | |
| CN109376609A (zh) | 受电弓磨耗的识别方法、装置及智能终端 | |
| CN111259718A (zh) | 一种基于高斯混合模型的扶梯滞留检测方法及系统 | |
| CN105740751A (zh) | 一种目标检测与识别的方法和系统 | |
| CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
| 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 | |
| CN113807275A (zh) | 基于隐私保护类gan特征增强的居家视频跌倒检测方法 | |
| Santos et al. | Car recognition based on back lights and rear view features | |
| CN110597165A (zh) | 一种堆钢监测系统及堆钢监测方法 | |
| CN108960169A (zh) | 基于计算机视觉的仪器设备状态在线监测方法及系统 | |
| CN116994066A (zh) | 一种基于改进的目标检测模型的尾绳检测系统 | |
| CN109726750B (zh) | 一种乘客摔倒检测装置及其检测方法及乘客输送装置 | |
| CN116523853A (zh) | 一种基于深度学习的芯片检测系统及方法 | |
| CN116311205A (zh) | 车牌识别方法、车牌识别装置、电子设备及存储介质 | |
| CN111401104B (zh) | 分类模型的训练方法、分类方法、装置、设备及存储介质 | |
| CN111191575B (zh) | 一种基于火苗跳动建模的明火检测方法及系统 |
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 |