CN114671214A - 基于高压变频器的煤矿输送皮带调速方法 - Google Patents

基于高压变频器的煤矿输送皮带调速方法 Download PDF

Info

Publication number
CN114671214A
CN114671214A CN202210583669.2A CN202210583669A CN114671214A CN 114671214 A CN114671214 A CN 114671214A CN 202210583669 A CN202210583669 A CN 202210583669A CN 114671214 A CN114671214 A CN 114671214A
Authority
CN
China
Prior art keywords
target
coal mine
contour
image
determining
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.)
Granted
Application number
CN202210583669.2A
Other languages
English (en)
Other versions
CN114671214B (zh
Inventor
梁开来
王伟
郭延双
宋林林
徐西甲
丁庆雷
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.)
Windsun Science and Technology Co Ltd
Original Assignee
Windsun Science and 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 Windsun Science and Technology Co Ltd filed Critical Windsun Science and Technology Co Ltd
Priority to CN202210583669.2A priority Critical patent/CN114671214B/zh
Publication of CN114671214A publication Critical patent/CN114671214A/zh
Application granted granted Critical
Publication of CN114671214B publication Critical patent/CN114671214B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G15/00—Conveyors having endless load-conveying surfaces, i.e. belts and like continuous members, to which tractive effort is transmitted by means other than endless driving elements of similar configuration
    • B65G15/30—Belts or like endless load-carriers
    • B65G15/32—Belts or like endless load-carriers made of rubber or plastics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0014—Image feed-back for automatic industrial control, e.g. robot with camera
    • 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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/168—Segmentation; Edge detection involving transform domain methods
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B65G2203/0291—Speed of the load carrier
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20061—Hough transform
    • 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)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Control Of Conveyors (AREA)

Abstract

本发明涉及图像数据处理技术领域，具体涉及一种基于高压变频器的煤矿输送皮带调速方法，该方法包括：获取煤矿图像，对煤矿图像进行煤矿提取处理，得到目标煤矿图像；确定目标煤矿量对应的第一描述因子；对目标煤矿图像进行边缘检测处理；对目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定目标轮廓对应的可能性信息；对目标轮廓图像进行自适应聚类处理；确定聚类评价信息；确定目标煤矿量对应的第二描述因子；确定目标煤矿量；确定目标传送带对应的调整速度；对目标传送带的传送速度进行调整。本发明通过对煤矿图像进行数据处理，可以实时调整输送皮带的传送速度，提高了输送皮带调整速度确定的准确度。

Description

基于高压变频器的煤矿输送皮带调速方法
技术领域
本发明涉及图像数据处理技术领域，具体涉及一种基于高压变频器的煤矿输送皮带调速方法。
背景技术
传送带的传送速度影响着煤矿运输的效率，由于传送带的处理能力一定，所以当传送带上的煤矿量发生变化时，实时调整传送带的传送速度至关重要。目前，由于传送带的传送能力往往是一定的，所以在对传送带调速时，通常采用的方式为：首先，通过人工的方式判断传送带上煤矿量是否增加或减少，接着，根据传送带上煤矿量的增加或减少，通过人工的方式对传送带的传送速度进行调整。
然而，当采用上述方式时，经常会存在如下技术问题：
第一，凭借人工的主观观察确定传送带上煤矿量是否增加或减少的判断，往往不准确，往往会导致对传送带的传送速度调整的不及时，降低了煤矿运输的效率；
第二，往往凭借人工主观确定的调整速度的准确度低下。
发明内容
本发明的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本发明的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本发明的一些实施例提出了一种基于高压变频器的煤矿输送皮带调速方法，来解决以上背景技术部分提到的技术问题中的一项或多项。
本发明的一些实施例提供了一种基于高压变频器的煤矿输送皮带调速的方法，该方法包括：获取煤矿图像，对上述煤矿图像进行煤矿提取处理，得到目标煤矿图像；根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子；对上述目标煤矿图像进行边缘检测处理，得到目标轮廓图像；对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息；根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类；根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定聚类评价信息；响应于上述聚类评价信息小于预先设置的阈值信息，根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定上述目标煤矿量对应的第二描述因子；根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量；根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度；对上述目标传送带的传送速度进行调整，将上述传送速度的速度值调整为上述调整速度的速度值。
进一步的，上述对上述煤矿图像进行煤矿提取处理，得到目标煤矿图像，包括：
对上述煤矿图像进行预处理，得到预处理图像；对上述预处理图像进行直方图均衡化处理，得到均衡化图像；对上述均衡化图像进行霍夫直线检测，得到霍夫直线集合；从上述霍夫直线集合中筛选出满足筛选条件的两条直线，作为传送带边缘；根据上述传送带边缘，从上述均衡化图像中分割出上述目标煤矿图像。
进一步的，上述根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子，包括：
对上述目标煤矿图像进行煤矿边缘像素点检测，得到煤矿边缘像素点集合；根据上述煤矿边缘像素点集合和上述传送带边缘，通过第一描述因子公式，确定上述目标煤矿量对应的第一描述因子，上述第一描述因子公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 572280DEST_PATH_IMAGE002
是上述目标煤矿量对应的第一描述因子，
Figure DEST_PATH_IMAGE003
是最小值，
Figure 413328DEST_PATH_IMAGE004
是上述煤矿边缘像素点集合中第
Figure DEST_PATH_IMAGE005
个煤矿边缘像素点到上述传送带边缘的距离，
Figure 453966DEST_PATH_IMAGE006
是上述煤矿边缘像素点集合中煤矿边缘像素点的数量。
进一步的，上述对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息，包括：
根据上述目标轮廓图像中的每个目标轮廓的中心点，确定上述目标轮廓对应的判定区域；根据上述目标轮廓图像中的每个目标轮廓和上述目标轮廓对应的判定区域，通过可能性公式，确定上述目标轮廓对应的可能性信息，上述可能性公式为：
Figure DEST_PATH_IMAGE007
其中，
Figure 955223DEST_PATH_IMAGE008
是上述目标轮廓对应的可能性信息，
Figure DEST_PATH_IMAGE009
是上述目标轮廓落在上述目标轮廓对应的判定区域内的目标轮廓点的数量，
Figure 917363DEST_PATH_IMAGE010
是上述目标轮廓上的目标轮廓点的数量。
进一步的，上述根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类，包括：
对上述目标轮廓对应的轮廓灰度值进行归一化均值处理，得到上述目标轮廓对应的目标轮廓灰度均值；根据上述目标轮廓对应的目标轮廓灰度均值和可能性信息，对上述目标轮廓图像进行自适应聚类半径的均值漂移聚类，得到上述目标缝隙轮廓类和上述目标煤矿轮廓类。
进一步的，上述根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定聚类评价信息，包括：
对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类内差异最小原则处理，得到第一评价因子；对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类间差异最大原则处理，得到第二评价因子；根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定第三评价因子；根据上述第一评价因子、上述第二评价因子和上述第三评价因子，确定上述聚类评价信息。
进一步的，上述根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定第三评价因子，包括：
根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，通过第三评价公式，确定上述第三评价因子，上述第三评价公式为：
Figure 952315DEST_PATH_IMAGE012
其中，
Figure DEST_PATH_IMAGE013
是上述第三评价因子，
Figure 801453DEST_PATH_IMAGE014
是上述目标煤矿轮廓类中的目标煤矿轮廓的数量，
Figure DEST_PATH_IMAGE015
是上述目标煤矿轮廓类中所有的目标煤矿轮廓对应的面积大小的均值，
Figure 21082DEST_PATH_IMAGE016
是上述目标缝隙轮廓类中的目标缝隙轮廓的数量，
Figure DEST_PATH_IMAGE017
是上述目标缝隙轮廓类中所有的目标缝隙轮廓对应的面积大小的均值。
进一步的，上述根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定上述目标煤矿量对应的第二描述因子，包括：
根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，通过第二描述因子公式，确定上述目标煤矿量对应的第二描述因子，上述第二描述因子公式为：
Figure DEST_PATH_IMAGE019
其中，
Figure 206205DEST_PATH_IMAGE020
是上述目标煤矿量对应的第二描述因子，
Figure DEST_PATH_IMAGE021
是上述目标缝隙轮廓类中目标缝隙轮廓的数量，
Figure 638324DEST_PATH_IMAGE022
是上述目标缝隙轮廓类中目标缝隙轮廓的平均面积大小。
进一步的，上述根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量，包括：
根据上述第一描述因子和上述第二描述因子，通过煤矿量公式，确定上述目标煤矿量，上述煤矿量公式为：
Figure 607548DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
是上述目标煤矿量，
Figure 139023DEST_PATH_IMAGE002
是上述目标煤矿量对应的第一描述因子，
Figure 777553DEST_PATH_IMAGE020
是上述目标煤矿量对应的第二描述因子。
进一步的，上述根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度，包括：
根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，通过调整速度公式，确定上述目标传送带对应的调整速度，上述调整速度公式为：
Figure DEST_PATH_IMAGE027
其中，
Figure 13362DEST_PATH_IMAGE028
是上述目标传送带对应的调整速度，
Figure DEST_PATH_IMAGE029
是预先确定的目标传送带的煤矿处理能力，
Figure 335628DEST_PATH_IMAGE025
是上述目标煤矿量。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的基于高压变频器的煤矿输送皮带调速方法，通过对煤矿图像进行处理，可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。具体来说，导致传送带的传送速度调整的不及时和确定的调整速度的准确度低下的原因在于：第一，凭借人工的主观观察确定传送带上煤矿量是否增加或减少的判断，往往不准确，往往会导致对传送带的传送速度调整的不及时，降低了煤矿运输的效率。第二，往往凭借人工主观确定的调整速度的准确度低下。因此，当首先通过人工的方式判断传送带上煤矿量是否增加或减少，接着，根据传送带上煤矿量的增加或减少，通过人工的方式对传送带的传送速度进行调整时，往往会导致传送带的传送速度调整的不及时和确定的调整速度的准确度低下。基于此，本发明的一些实施例的基于高压变频器的煤矿输送皮带调速方法，通过对煤矿图像进行处理，解决了传送带的传送速度调整的不及时和确定的调整速度的准确度低下的问题，可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。首先，获取煤矿图像，对上述煤矿图像进行煤矿提取处理，得到目标煤矿图像。由于煤矿图像可以客观的反映传送带上煤矿的量，所以通过对煤矿图像分析，可以客观准确地确定传送带上煤矿的量。其次，根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子。由于传送带边缘与煤矿边缘之间的距离越小，往往目标传送带上目标煤矿的量越大。因此，可以将第一描述因子作为描述目标煤矿量的一个因素。接着，对上述目标煤矿图像进行边缘检测处理，得到目标轮廓图像。再接着，对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息。由于目标煤矿在目标传送带上相互靠近，所以往往很难直接从煤矿图像中提取关于目标煤矿的大小数量等信息。由于目标煤矿是由上述目标传送带进行传送的相同批次的煤矿，所以，目标煤矿之间的缝隙越大，目标煤矿量往往越小；目标煤矿之间的缝隙越小，目标煤矿量往往越大。目标煤矿之间的缝隙的数量越多，目标煤矿量往往越大；目标煤矿之间的缝隙的数量越少，目标煤矿量往往越小。因此，目标煤矿之间的缝隙的大小或多少可以表征目标煤矿量。然后，根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类。目标煤矿往往由于受光面的不同导致目标煤矿的灰度值不同。目标煤矿之间的缝隙的灰度值往往均较低。因此，通过目标轮廓对应的目标轮廓灰度均值和可能性信息对目标轮廓进行聚类，可以避免将目标煤矿聚到目标缝隙轮廓类中，提高了聚类结果的准确性。再然后，根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定聚类评价信息。之后，响应于上述聚类评价信息小于预先设置的阈值信息，根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定上述目标煤矿量对应的第二描述因子。而后，根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量。继续，根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度。最后，对上述目标传送带的传送速度进行调整，将上述传送速度的速度值调整为上述调整速度的速度值。因此，本发明可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。
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和优点，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的介绍，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附图。
图1为根据本发明的基于高压变频器的煤矿输送皮带调速方法的一些实施例的流程图；
图2为根据本发明的霍夫直线示意图；
图3为根据本发明的均衡化图像分割示意图；
图4为根据本发明的煤矿边缘示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的技术方案的具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一个实施例。此外，一个或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本实施例提供了一种基于高压变频器的煤矿输送皮带调速方法，该方法包括以下步骤：
获取煤矿图像，对上述煤矿图像进行煤矿提取处理，得到目标煤矿图像；
根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子；
对上述目标煤矿图像进行边缘检测处理，得到目标轮廓图像；
对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息；
根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类；
根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定聚类评价信息；
响应于上述聚类评价信息小于预先设置的阈值信息，根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定上述目标煤矿量对应的第二描述因子；
根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量；
根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度；
对上述目标传送带的传送速度进行调整，将上述传送速度的速度值调整为上述调整速度的速度值。
下面对上述各个步骤进行详细展开：
参考图1，示出了根据本发明的基于高压变频器的煤矿输送皮带调速方法的一些实施例的流程。该基于高压变频器的煤矿输送皮带调速方法，包括以下步骤：
步骤S1，获取煤矿图像，对煤矿图像进行煤矿提取处理，得到目标煤矿图像。
在一些实施例中，基于高压变频器的煤矿输送皮带调速方法的执行主体（例如计算设备）可以获取上述煤矿图像，对上述煤矿图像进行煤矿提取处理，得到上述目标煤矿图像。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
作为示例，本步骤可以包括以下步骤：
第一步，获取上述煤矿图像。
其中，上述煤矿图像可以是带有目标煤矿和目标传送带的图像。上述目标煤矿可以是由上述目标传送带进行传送的相同批次的煤矿。相同批次的煤矿可以是大小形状规格相近的煤矿。上述目标传送带可以是运输上述目标煤矿的待调速的传送带。上述目标煤矿在上述目标传送带上可以从上述目标传送带的中间向上述目标传送带的边缘扩散。为了预防上述目标煤矿从上述目标传送带上掉落，往往将上述目标煤矿放置在上述目标传送带的中间，使上述目标煤矿向上述目标传送带的边缘进行扩散。
例如，上述执行主体可以通过图像采集设备，获取上述煤矿图像。其中，上述图像采集设备可以是安装在上述目标传送带的正上方的相机。
第二步，对上述煤矿图像进行煤矿提取处理，得到上述目标煤矿图像。
例如，本步骤可以包括以下子步骤：
第一子步骤，对上述煤矿图像进行预处理，得到预处理图像。
其中，上述预处理可以包括灰度化和图像去噪处理。
第二子步骤，对上述预处理图像进行直方图均衡化处理，得到均衡化图像。
由于矿洞以及煤矿的颜色往往都比较昏暗，所以采集的煤矿图像偏暗，并且对煤矿图像进行预处理后得到的预处理图像同样偏暗。因此，上述执行主体可以采用直方图均衡化方法，通过使预处理图像的灰度值分布变均匀，以实现对预处理图像进行增强，调整预处理图像的整体亮度。
第三子步骤，对上述均衡化图像进行霍夫直线检测，得到霍夫直线集合。
其中，上述霍夫直线集合中的霍夫直线可以是上述执行主体对上述均衡化图像进行霍夫直线检测后得到的直线。
第四子步骤，从上述霍夫直线集合中筛选出满足筛选条件的两条直线，作为传送带边缘。
其中，上述传送带边缘可以是上述目标传送带的边缘。上述筛选条件可以是霍夫直线的长度大于或等于上述均衡化图像的长度，并且该霍夫直线离上述均衡化图像的中央的距离最近。
比如，如图2所示，上述执行主体可以对上述均衡化图像201进行霍夫直线检测，得到霍夫直线集合{霍夫直线202，霍夫直线203，霍夫直线204，霍夫直线205，霍夫直线206}。其中，霍夫直线202和霍夫直线204可以作为传送带边缘。
第五子步骤，根据上述传送带边缘，从上述均衡化图像中分割出上述目标煤矿图像。
其中，上述目标煤矿图像可以是只包含目标煤矿和目标传送带的图像。
比如，如图3所示，上述执行主体可以根据传送带边缘302和303，从均衡化图像301中分割出目标煤矿图像304。
步骤S2，根据目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子。
在一些实施例中，上述执行主体可以根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子。
其中，上述煤矿边缘可以是接近上述目标传送带边缘的目标煤矿的边缘。如图4所示，圆形用于表示目标煤矿。上述煤矿边缘可以包括：由目标煤矿401、目标煤矿402、目标煤矿403和目标煤矿404的左侧的轮廓边缘拟合得到的曲线，由目标煤矿405、目标煤矿406、目标煤矿407和目标煤矿408的右侧的轮廓边缘拟合得到的曲线。
上述目标煤矿量可以是用于表征上述目标煤矿在上述目标传送带上放置的多少的量。上述第一描述因子可以是目标煤矿图像上的传送带边缘与煤矿边缘的最小距离。上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离可以用煤矿边缘包括的所有的像素点到煤矿边缘的最小距离的累加值表征。由于传送带边缘是由两条线段组成的，所以像素点到煤矿边缘的距离会有两个值，因此，像素点到煤矿边缘的最小距离可以是这两个值中的最小值。
作为示例，本步骤可以包括以下步骤：
第一步，对上述目标煤矿图像进行煤矿边缘像素点检测，得到煤矿边缘像素点集合。
其中，上述煤矿边缘像素点检测可以通过煤矿边缘检测算法实现。上述煤矿边缘检测算法可以是用于检测上述煤矿边缘包括的煤矿边缘像素点的边缘检测算法。上述煤矿边缘像素点集合中的煤矿边缘像素点可以组成上述煤矿边缘。
第二步，根据上述煤矿边缘像素点集合和上述传送带边缘，通过第一描述因子公式，确定上述目标煤矿量对应的第一描述因子，上述第一描述因子公式为：
Figure 772425DEST_PATH_IMAGE030
其中，
Figure 196453DEST_PATH_IMAGE002
是上述目标煤矿量对应的第一描述因子。
Figure 642478DEST_PATH_IMAGE003
是最小值。
Figure DEST_PATH_IMAGE031
是上述煤矿边缘像素点集合中第
Figure 55136DEST_PATH_IMAGE005
个煤矿边缘像素点到上述传送带边缘的距离。
Figure 787469DEST_PATH_IMAGE006
是上述煤矿边缘像素点集合中煤矿边缘像素点的数量。
由于目标煤矿在目标传送带上往往从目标传送带的中间向目标传送带的边缘扩散，所以第一描述因子越小，说明目标传送带上放置的目标煤矿量越多。
步骤S3，对目标煤矿图像进行边缘检测处理，得到目标轮廓图像。
在一些实施例中，上述执行主体可以对上述目标煤矿图像进行边缘检测处理，得到上述目标轮廓图像。
其中，上述边缘检测处理可以通过目标轮廓检测算法实现。上述目标轮廓检测算法可以是用于检测目标煤矿的边缘轮廓的边缘检测算法。上述目标轮廓图像可以是由对上述目标煤矿图像进行边缘检测处理后得到的所有边缘进行拟合组成的多个目标轮廓，组成的图像。因此，上述多个目标轮廓可以包括煤矿缝隙轮廓和煤矿轮廓。可以为后续确定目标缝隙轮廓和目标煤矿轮廓提供数据依据。
作为示例，首先，上述执行主体可以通过边缘检测算法，对目标煤矿图像进行边缘检测，得到目标像素点集合。其中，上述目标像素点集合中的目标像素点可以是目标煤矿的边缘轮廓上包含的像素点。接着，上述执行主体可以从目标像素点集合中去除落在传送带边缘所在的区域的目标像素点，得到轮廓像素点集合。最后，上述执行主体可以根据上述轮廓像素点集合，得到上述目标轮廓图像。其中，上述目标轮廓图像可以是由轮廓像素点集合形成的多个目标轮廓组成的图像。
步骤S4，对目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定目标轮廓对应的可能性信息。
在一些实施例中，上述执行主体可以对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息。
其中，目标轮廓对应的可能性信息可以表征目标轮廓为煤矿缝隙轮廓的可能性。
作为示例，本步骤可以包括以下步骤：
第一步，根据上述目标轮廓图像中的每个目标轮廓的中心点，确定上述目标轮廓对应的判定区域。
其中，目标轮廓对应的判定区域可以是四边形区域。目标轮廓对应的判定区域的一个对角线可以是穿过该目标轮廓的中心点且与该目标轮廓相交形成的最长的线段。目标轮廓对应的判定区域的另一个对角线可以是穿过该目标轮廓的中心点且与上述最长的线段垂直并与该目标轮廓相交形成的线段。目标轮廓对应的判定区域可以是顺时针连接四个目标交点形成的区域。上述四个目标交点可以是判定区域的两个对角线与该判定区域对应的目标轮廓相交形成的四个交点。
第二步，根据上述目标轮廓图像中的每个目标轮廓和上述目标轮廓对应的判定区域，通过可能性公式，确定上述目标轮廓对应的可能性信息，上述可能性公式为：
Figure 636476DEST_PATH_IMAGE032
其中，
Figure 355033DEST_PATH_IMAGE008
是上述目标轮廓对应的可能性信息。
Figure 188909DEST_PATH_IMAGE009
是上述目标轮廓落在上述目标轮廓对应的判定区域内的目标轮廓点的数量。
Figure 967509DEST_PATH_IMAGE010
是上述目标轮廓上的目标轮廓点的数量。
由于目标煤矿在目标传送带上相互靠近，所以往往很难直接从煤矿图像中提取关于目标煤矿的大小数量等信息。由于目标煤矿是由上述目标传送带进行传送的相同批次的煤矿，所以，目标煤矿之间的缝隙越大，目标煤矿量往往越小；目标煤矿之间的缝隙越小，目标煤矿量往往越大。目标煤矿之间的缝隙的数量越多，目标煤矿量往往越大；目标煤矿之间的缝隙的数量越少，目标煤矿量往往越小。因此，目标煤矿之间的缝隙的大小或多少可以表征目标煤矿量。
由于目标轮廓图像中目标煤矿之间的缝隙的轮廓往往是凹的轮廓，目标煤矿的轮廓往往是凸的轮廓。所以，当目标轮廓上的像素点越多的落在该目标轮廓对应的判定区域内，该目标轮廓越可能是煤矿缝隙轮廓。因此，可以用目标轮廓落在该目标轮廓对应的判定区域内的目标轮廓点的数量与该目标轮廓包括的像素点的数量关系表征该目标轮廓对应的可能性信息。
步骤S5，根据目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类。
在一些实施例中，上述执行主体可以根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到上述目标缝隙轮廓类和上述目标煤矿轮廓类。
其中，上述目标缝隙轮廓类中的目标缝隙轮廓可以是目标煤矿之间的缝隙的轮廓。上述目标煤矿轮廓类中的目标煤矿轮廓可以是目标煤矿的轮廓。
作为示例，本步骤可以包括以下步骤：
第一步，对上述目标轮廓对应的轮廓灰度值进行归一化均值处理，得到上述目标轮廓对应的目标轮廓灰度均值。
例如，首先，上述执行主体可以对目标轮廓包括的所有的像素点对应的灰度值进行归一化处理，得到该目标轮廓对应的归一化灰度值集合。然后，上述执行主体可以根据归一化灰度值集合中的各个归一化灰度值，确定该归一化灰度值集合对应的灰度均值。最后，上述执行主体可以将归一化灰度值集合对应的灰度均值确定为该归一化灰度值集合对应的目标轮廓对应的目标轮廓灰度均值。
第二步，根据上述目标轮廓对应的目标轮廓灰度均值和可能性信息，对上述目标轮廓图像进行自适应聚类半径的均值漂移聚类，得到上述目标缝隙轮廓类和上述目标煤矿轮廓类。
其中，上述自适应聚类半径可以是上述均值漂移聚类的过程中所用到的半径。
上述均值漂移聚类的过程中的聚类偏移量和偏移方向分别为：
Figure DEST_PATH_IMAGE033
其中，
Figure 100550DEST_PATH_IMAGE034
是上述均值漂移聚类的过程中的聚类偏移量。
Figure DEST_PATH_IMAGE035
是上述均值漂移聚类的过程中的偏移方向。
Figure 701427DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE037
分别是上述均值漂移聚类过程中预先设置的自适应聚类半径内所含聚类簇中第
Figure 603524DEST_PATH_IMAGE038
个元素对应的目标轮廓灰度均值和可能性信息。
Figure DEST_PATH_IMAGE039
和
Figure 395769DEST_PATH_IMAGE040
分别是上述均值漂移聚类过程中上述自适应聚类半径内所含聚类簇中所有的元素对应的目标轮廓灰度均值和可能性信息的均值。
Figure DEST_PATH_IMAGE041
是上述均值漂移聚类过程中上述自适应聚类半径内所含聚类簇的数量。这里的聚类簇中的元素可以表征目标轮廓。一个聚类簇可以表征一类。本发明可以包括两个聚类簇。
目标煤矿往往由于受光面的不同导致目标煤矿的灰度值不同。目标煤矿之间的缝隙的灰度值往往均较低。因此，通过目标轮廓对应的目标轮廓灰度均值和可能性信息对目标轮廓进行聚类，可以避免将目标煤矿聚到目标缝隙轮廓类中，提高了聚类结果的准确性。
由于，目标煤矿的面积大小往往大于目标煤矿之间的缝隙的面积大小。所以，本发明得到的两个聚类簇中对应的目标面积最大的聚类簇可以是目标煤矿轮廓类。聚类簇对应的目标面积可以是聚类簇中的元素对应的目标轮廓的面积大小的均值。上述两个聚类簇中除了目标煤矿轮廓类之外的另一个聚类簇可以是目标缝隙轮廓类。
步骤S6，根据目标缝隙轮廓类和目标煤矿轮廓类，确定聚类评价信息。
在一些实施例中，上述执行主体可以根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定上述聚类评价信息。
其中，上述聚类评价信息可以表征聚类效果。
作为示例，本步骤可以包括以下步骤：
第一步，对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类内差异最小原则处理，得到第一评价因子。
其中，上述第一评价因子可以表征上述目标缝隙轮廓类和上述目标煤矿轮廓类的平均类内差异。
例如，上述执行主体可以通过以下公式，对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类内差异最小原则处理，得到第一评价因子：
Figure 750526DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE043
表征第
Figure 217411DEST_PATH_IMAGE044
个聚类簇内元素的差异。
Figure DEST_PATH_IMAGE045
是第
Figure 974014DEST_PATH_IMAGE044
个聚类簇内元素的数量。
Figure 828838DEST_PATH_IMAGE046
和
Figure DEST_PATH_IMAGE047
分别是第
Figure 185739DEST_PATH_IMAGE044
个聚类簇内第
Figure 174423DEST_PATH_IMAGE048
个元素对应的目标轮廓灰度均值和可能性信息。
Figure DEST_PATH_IMAGE049
和
Figure 801845DEST_PATH_IMAGE050
分别是第
Figure 358728DEST_PATH_IMAGE044
个聚类簇内所有元素对应的目标轮廓灰度均值和可能性信息的均值。
Figure 219237DEST_PATH_IMAGE051
是上述第一评价因子。
Figure 621399DEST_PATH_IMAGE052
是聚类簇的数量。
第二步，对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类间差异最大原则处理，得到第二评价因子。
其中，上述第二评价因子可以表征上述目标缝隙轮廓类和上述目标煤矿轮廓类的平均类间差异。
例如，上述执行主体可以通过以下公式，对上述目标缝隙轮廓类和上述目标煤矿轮廓类进行类间差异最大原则处理，得到第二评价因子：
Figure 867442DEST_PATH_IMAGE053
其中，
Figure DEST_PATH_IMAGE054
是第二评价因子。
Figure 860806DEST_PATH_IMAGE052
是聚类簇的数量。
Figure 208610DEST_PATH_IMAGE055
和
Figure DEST_PATH_IMAGE056
分别是所有聚类簇中的所有元素对应的目标轮廓灰度均值和可能性信息的均值。
Figure 961934DEST_PATH_IMAGE057
和
Figure DEST_PATH_IMAGE058
分别是第
Figure 344374DEST_PATH_IMAGE059
个聚类簇中的所有元素对应的目标轮廓灰度均值和可能性信息的均值。
第三步，根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定第三评价因子。
例如，根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，通过第三评价公式，确定上述第三评价因子，上述第三评价公式为：
Figure 243060DEST_PATH_IMAGE012
其中，
Figure 55989DEST_PATH_IMAGE013
是上述第三评价因子。
Figure 65534DEST_PATH_IMAGE014
是上述目标煤矿轮廓类中的目标煤矿轮廓的数量。
Figure 302480DEST_PATH_IMAGE015
是上述目标煤矿轮廓类中所有的目标煤矿轮廓对应的面积大小的均值。
Figure 106488DEST_PATH_IMAGE016
是上述目标缝隙轮廓类中的目标缝隙轮廓的数量。
Figure 179617DEST_PATH_IMAGE017
是上述目标缝隙轮廓类中所有的目标缝隙轮廓对应的面积大小的均值。上述第三评价因子可以表征目标煤矿在上述目标轮廓图像上的占比。
由于在目标传送带传送过程中目标煤矿的数量往往大于煤矿缝隙的数量，并且目标煤矿的体积往往大于煤矿缝隙所占的体积。所以，目标煤矿在上述目标轮廓图像上的占比往往大于
Figure DEST_PATH_IMAGE060
。
第四步，根据上述第一评价因子、上述第二评价因子和上述第三评价因子，确定上述聚类评价信息。
例如，上述执行主体可以根据上述第一评价因子、上述第二评价因子和上述第三评价因子，通过以下公式，确定上述聚类评价信息：
Figure DEST_PATH_IMAGE062
其中，
Figure 789590DEST_PATH_IMAGE063
是上述聚类评价信息。
Figure 130310DEST_PATH_IMAGE051
是上述第一评价因子。
Figure 105220DEST_PATH_IMAGE054
是上述第二评价因子。
Figure 914913DEST_PATH_IMAGE013
是上述第三评价因子。
上述聚类评价信息的值越小，说明聚类效果越好。上述第一评价因子越小，说明类内差异越小。上述第二评价因子越大，说明类间差异越大。上述第三评价因子越大，说明目标煤矿在上述目标轮廓图像上的占比越大。
步骤S7，响应于聚类评价信息小于预先设置的阈值信息，根据目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定目标煤矿量对应的第二描述因子。
在一些实施例中，响应于聚类评价信息小于预先设置的阈值信息，上述执行主体可以根据目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定目标煤矿量对应的第二描述因子。
作为示例，当聚类评价信息小于预先设置的阈值信息时，上述执行主体可以根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，通过第二描述因子公式，确定上述目标煤矿量对应的第二描述因子，上述第二描述因子公式为：
Figure DEST_PATH_IMAGE064
其中，
Figure 610467DEST_PATH_IMAGE020
是上述目标煤矿量对应的第二描述因子。
Figure 431793DEST_PATH_IMAGE021
是上述目标缝隙轮廓类中目标缝隙轮廓的数量。
Figure 967816DEST_PATH_IMAGE022
是上述目标缝隙轮廓类中目标缝隙轮廓的平均面积大小。
可选地，作为示例，当上述聚类评价信息大于或等于预先设置的阈值信息时，更改自适应聚类半径的数值，重复步骤S5的第二步和步骤S6，直至上述聚类评价信息小于上述阈值信息。比如，上述阈值信息可以是0.2。
步骤S8，根据第一描述因子和第二描述因子，确定目标煤矿量。
在一些实施例中，上述执行主体可以根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量。
作为示例，上述执行主体可以根据上述第一描述因子和上述第二描述因子，通过煤矿量公式，确定上述目标煤矿量，上述煤矿量公式为：
Figure 874593DEST_PATH_IMAGE024
其中，
Figure 137953DEST_PATH_IMAGE025
是上述目标煤矿量。
Figure 79364DEST_PATH_IMAGE002
是上述目标煤矿量对应的第一描述因子。
Figure 520709DEST_PATH_IMAGE020
是上述目标煤矿量对应的第二描述因子。
步骤S9，根据目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定目标传送带对应的调整速度。
在一些实施例中，上述执行主体可以根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度。
其中，上述预先确定的目标传送带的煤矿处理能力可以用目标处理能力值表征。上述目标处理能力值可以是当上述目标传送带正常工作时，上述目标传送带的传送速度与目标煤矿量的乘积可以达到的最大值。
作为示例，上述执行主体可以根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，通过调整速度公式，确定上述目标传送带对应的调整速度，上述调整速度公式为：
Figure 649202DEST_PATH_IMAGE065
其中，
Figure 217718DEST_PATH_IMAGE028
是上述目标传送带对应的调整速度。
Figure 13636DEST_PATH_IMAGE029
是预先确定的目标传送带的煤矿处理能力。
Figure 891462DEST_PATH_IMAGE025
是上述目标煤矿量。
步骤S10，对目标传送带的传送速度进行调整，将传送速度的速度值调整为调整速度的速度值。
在一些实施例中，上述执行主体可以对上述目标传送带的传送速度进行调整，将传送速度的速度值调整为上述调整速度的速度值。
作为示例，上述执行主体可以通过速度传感器获取目标传送带的传送速度。当上述调整速度的速度值大于或小于获取的传送速度时，上述执行主体可以将上述调整速度的速度值确定为上述目标传送带的传送速度的速度值，以实现对上述目标传送带的传送速度的调整。
本发明的上述各个实施例中具有如下有益效果：通过本发明的一些实施例的基于高压变频器的煤矿输送皮带调速方法，通过对煤矿图像进行处理，可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。具体来说，导致传送带的传送速度调整的不及时和确定的调整速度的准确度低下的原因在于：第一，凭借人工的主观观察确定传送带上煤矿量是否增加或减少的判断，往往不准确，往往会导致对传送带的传送速度调整的不及时，降低了煤矿运输的效率。第二，往往凭借人工主观确定的调整速度的准确度低下。因此，当首先通过人工的方式判断传送带上煤矿量是否增加或减少，接着，根据传送带上煤矿量的增加或减少，通过人工的方式对传送带的传送速度进行调整时，往往会导致传送带的传送速度调整的不及时和确定的调整速度的准确度低下。基于此，本发明的一些实施例的基于高压变频器的煤矿输送皮带调速方法，通过对煤矿图像进行处理，解决了传送带的传送速度调整的不及时和确定的调整速度的准确度低下的问题，可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。首先，获取煤矿图像，对上述煤矿图像进行煤矿提取处理，得到目标煤矿图像。由于煤矿图像可以客观的反映传送带上煤矿的量，所以通过对煤矿图像分析，可以客观准确地确定传送带上煤矿的量。其次，根据上述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子。由于传送带边缘与煤矿边缘之间的距离越小，往往目标传送带上目标煤矿的量越大。因此，可以将第一描述因子作为描述目标煤矿量的一个因素。接着，对上述目标煤矿图像进行边缘检测处理，得到目标轮廓图像。再接着，对上述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定上述目标轮廓对应的可能性信息。由于目标煤矿在目标传送带上相互靠近，所以往往很难直接从煤矿图像中提取关于目标煤矿的大小数量等信息。由于目标煤矿是由上述目标传送带进行传送的相同批次的煤矿，所以，目标煤矿之间的缝隙越大，目标煤矿量往往越小；目标煤矿之间的缝隙越小，目标煤矿量往往越大。目标煤矿之间的缝隙的数量越多，目标煤矿量往往越大；目标煤矿之间的缝隙的数量越少，目标煤矿量往往越小。因此，目标煤矿之间的缝隙的大小或多少可以表征目标煤矿量。然后，根据上述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对上述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类。目标煤矿往往由于受光面的不同导致目标煤矿的灰度值不同。目标煤矿之间的缝隙的灰度值往往均较低。因此，通过目标轮廓对应的目标轮廓灰度均值和可能性信息对目标轮廓进行聚类，可以避免将目标煤矿聚到目标缝隙轮廓类中，提高了聚类结果的准确性。再然后，根据上述目标缝隙轮廓类和上述目标煤矿轮廓类，确定聚类评价信息。之后，响应于上述聚类评价信息小于预先设置的阈值信息，根据上述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定上述目标煤矿量对应的第二描述因子。而后，根据上述第一描述因子和上述第二描述因子，确定上述目标煤矿量。继续，根据上述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定上述目标传送带对应的调整速度。最后，对上述目标传送带的传送速度进行调整，将上述传送速度的速度值调整为上述调整速度的速度值。因此，本发明可以实时调整传送带的传送速度，提高了传送带调整速度确定的准确度。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
以上上述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于高压变频器的煤矿输送皮带调速方法，其特征在于，包括以下步骤：
获取煤矿图像，对所述煤矿图像进行煤矿提取处理，得到目标煤矿图像；
根据所述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子；
对所述目标煤矿图像进行边缘检测处理，得到目标轮廓图像；
对所述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定所述目标轮廓对应的可能性信息；
根据所述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对所述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类；
根据所述目标缝隙轮廓类和所述目标煤矿轮廓类，确定聚类评价信息；
响应于所述聚类评价信息小于预先设置的阈值信息，根据所述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定所述目标煤矿量对应的第二描述因子；
根据所述第一描述因子和所述第二描述因子，确定所述目标煤矿量；
根据所述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定所述目标传送带对应的调整速度；
对所述目标传送带的传送速度进行调整，将所述传送速度的速度值调整为所述调整速度的速度值。
2.根据权利要求1所述的方法，其特征在于，所述对所述煤矿图像进行煤矿提取处理，得到目标煤矿图像，包括：
对所述煤矿图像进行预处理，得到预处理图像；
对所述预处理图像进行直方图均衡化处理，得到均衡化图像；
对所述均衡化图像进行霍夫直线检测，得到霍夫直线集合；
从所述霍夫直线集合中筛选出满足筛选条件的两条直线，作为传送带边缘；
根据所述传送带边缘，从所述均衡化图像中分割出所述目标煤矿图像。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标煤矿图像上的传送带边缘与煤矿边缘的最小距离，确定目标煤矿量对应的第一描述因子，包括：
对所述目标煤矿图像进行煤矿边缘像素点检测，得到煤矿边缘像素点集合；
根据所述煤矿边缘像素点集合和所述传送带边缘，通过第一描述因子公式，确定所述目标煤矿量对应的第一描述因子，所述第一描述因子公式为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE004
是所述目标煤矿量对应的第一描述因子，
Figure DEST_PATH_IMAGE006
是最小值，
Figure DEST_PATH_IMAGE008
是所述煤矿边缘像素点集合中第
Figure DEST_PATH_IMAGE010
个煤矿边缘像素点到所述传送带边缘的距离，
Figure DEST_PATH_IMAGE012
是所述煤矿边缘像素点集合中煤矿边缘像素点的数量。
4.根据权利要求1所述的方法，其特征在于，所述对所述目标轮廓图像中的每个目标轮廓进行缝隙轮廓可能性处理，确定所述目标轮廓对应的可能性信息，包括：
根据所述目标轮廓图像中的每个目标轮廓的中心点，确定所述目标轮廓对应的判定区域；
根据所述目标轮廓图像中的每个目标轮廓和所述目标轮廓对应的判定区域，通过可能性公式，确定所述目标轮廓对应的可能性信息，所述可能性公式为：
Figure DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE016
是所述目标轮廓对应的可能性信息，
Figure DEST_PATH_IMAGE018
是所述目标轮廓落在所述目标轮廓对应的判定区域内的目标轮廓点的数量，
Figure DEST_PATH_IMAGE020
是所述目标轮廓上的目标轮廓点的数量。
5.根据权利要求1所述的方法，其特征在于，所述根据所述目标轮廓图像中的每个目标轮廓对应的可能性信息和轮廓灰度值，对所述目标轮廓图像进行自适应聚类处理，得到目标缝隙轮廓类和目标煤矿轮廓类，包括：
对所述目标轮廓对应的轮廓灰度值进行归一化均值处理，得到所述目标轮廓对应的目标轮廓灰度均值；
根据所述目标轮廓对应的目标轮廓灰度均值和可能性信息，对所述目标轮廓图像进行自适应聚类半径的均值漂移聚类，得到所述目标缝隙轮廓类和所述目标煤矿轮廓类。
6.根据权利要求1所述的方法，其特征在于，所述根据所述目标缝隙轮廓类和所述目标煤矿轮廓类，确定聚类评价信息，包括：
对所述目标缝隙轮廓类和所述目标煤矿轮廓类进行类内差异最小原则处理，得到第一评价因子；
对所述目标缝隙轮廓类和所述目标煤矿轮廓类进行类间差异最大原则处理，得到第二评价因子；
根据所述目标缝隙轮廓类和所述目标煤矿轮廓类，确定第三评价因子；
根据所述第一评价因子、所述第二评价因子和所述第三评价因子，确定所述聚类评价信息。
7.根据权利要求6所述的方法，其特征在于，所述根据所述目标缝隙轮廓类和所述目标煤矿轮廓类，确定第三评价因子，包括：
根据所述目标缝隙轮廓类和所述目标煤矿轮廓类，通过第三评价公式，确定所述第三评价因子，所述第三评价公式为：
Figure DEST_PATH_IMAGE022
其中，
Figure DEST_PATH_IMAGE024
是所述第三评价因子，
Figure DEST_PATH_IMAGE026
是所述目标煤矿轮廓类中的目标煤矿轮廓的数量，
Figure DEST_PATH_IMAGE028
是所述目标煤矿轮廓类中所有的目标煤矿轮廓对应的面积大小的均值，
Figure DEST_PATH_IMAGE030
是所述目标缝隙轮廓类中的目标缝隙轮廓的数量，
Figure DEST_PATH_IMAGE032
是所述目标缝隙轮廓类中所有的目标缝隙轮廓对应的面积大小的均值。
8.根据权利要求1所述的方法，其特征在于，所述根据所述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，确定所述目标煤矿量对应的第二描述因子，包括：
根据所述目标缝隙轮廓类中目标缝隙轮廓的数量和平均面积大小，通过第二描述因子公式，确定所述目标煤矿量对应的第二描述因子，所述第二描述因子公式为：
Figure DEST_PATH_IMAGE034
其中，
Figure DEST_PATH_IMAGE036
是所述目标煤矿量对应的第二描述因子，
Figure DEST_PATH_IMAGE038
是所述目标缝隙轮廓类中目标缝隙轮廓的数量，
Figure DEST_PATH_IMAGE040
是所述目标缝隙轮廓类中目标缝隙轮廓的平均面积大小。
9.根据权利要求1所述的方法，其特征在于，所述根据所述第一描述因子和所述第二描述因子，确定所述目标煤矿量，包括：
根据所述第一描述因子和所述第二描述因子，通过煤矿量公式，确定所述目标煤矿量，所述煤矿量公式为：
Figure DEST_PATH_IMAGE042
其中，
Figure DEST_PATH_IMAGE044
是所述目标煤矿量，
Figure 184841DEST_PATH_IMAGE004
是所述目标煤矿量对应的第一描述因子，
Figure 570823DEST_PATH_IMAGE036
是所述目标煤矿量对应的第二描述因子。
10.根据权利要求1所述的方法，其特征在于，所述根据所述目标煤矿量和预先确定的目标传送带的煤矿处理能力，确定所述目标传送带对应的调整速度，包括：
根据所述目标煤矿量和预先确定的目标传送带的煤矿处理能力，通过调整速度公式，确定所述目标传送带对应的调整速度，所述调整速度公式为：
Figure DEST_PATH_IMAGE046
其中，
Figure DEST_PATH_IMAGE048
是所述目标传送带对应的调整速度，
Figure DEST_PATH_IMAGE050
是预先确定的目标传送带的煤矿处理能力，
Figure 225927DEST_PATH_IMAGE044
是所述目标煤矿量。
CN202210583669.2A 2022-05-27 2022-05-27 基于高压变频器的煤矿输送皮带调速方法 Active CN114671214B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210583669.2A CN114671214B (zh) 2022-05-27 2022-05-27 基于高压变频器的煤矿输送皮带调速方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210583669.2A CN114671214B (zh) 2022-05-27 2022-05-27 基于高压变频器的煤矿输送皮带调速方法

Publications (2)

Publication Number Publication Date
CN114671214A true CN114671214A (zh) 2022-06-28
CN114671214B CN114671214B (zh) 2022-08-30

Family

ID=82080868

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210583669.2A Active CN114671214B (zh) 2022-05-27 2022-05-27 基于高压变频器的煤矿输送皮带调速方法

Country Status (1)

Country Link
CN (1) CN114671214B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115375675A (zh) * 2022-10-24 2022-11-22 山东济矿鲁能煤电股份有限公司阳城煤矿 一种基于图像数据的煤炭质量检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101220816B1 (ko) * 2012-05-04 2013-01-10 상명대학교 산학협력단 화면내 에지를 검출하는 방법
WO2014053157A1 (en) * 2012-10-01 2014-04-10 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for determining a depth of a target object
CN109977842A (zh) * 2019-03-21 2019-07-05 重庆工程职业技术学院 一种煤矿监控运动目标检测方法
CN110675443A (zh) * 2019-09-24 2020-01-10 西安科技大学 一种井下输煤图像的煤块面积检测方法
CN113781510A (zh) * 2021-09-15 2021-12-10 上海金仕达软件科技有限公司 边缘检测方法、装置及电子设备
CN114091520A (zh) * 2021-12-02 2022-02-25 中煤科工开采研究院有限公司 一种井工煤矿中工作设备识别与检测的方法与装置
CN114104652A (zh) * 2022-01-25 2022-03-01 山东山矿机械有限公司 基于图像分析的井下带式输送用自动调速方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101220816B1 (ko) * 2012-05-04 2013-01-10 상명대학교 산학협력단 화면내 에지를 검출하는 방법
WO2014053157A1 (en) * 2012-10-01 2014-04-10 Telefonaktiebolaget L M Ericsson (Publ) Method and apparatus for determining a depth of a target object
CN109977842A (zh) * 2019-03-21 2019-07-05 重庆工程职业技术学院 一种煤矿监控运动目标检测方法
CN110675443A (zh) * 2019-09-24 2020-01-10 西安科技大学 一种井下输煤图像的煤块面积检测方法
CN113781510A (zh) * 2021-09-15 2021-12-10 上海金仕达软件科技有限公司 边缘检测方法、装置及电子设备
CN114091520A (zh) * 2021-12-02 2022-02-25 中煤科工开采研究院有限公司 一种井工煤矿中工作设备识别与检测的方法与装置
CN114104652A (zh) * 2022-01-25 2022-03-01 山东山矿机械有限公司 基于图像分析的井下带式输送用自动调速方法及系统

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018845A (zh) * 2022-08-09 2022-09-06 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115018845B (zh) * 2022-08-09 2022-10-25 聊城市泓润能源科技有限公司 一种润滑油磨粒质量检测方法
CN115375675A (zh) * 2022-10-24 2022-11-22 山东济矿鲁能煤电股份有限公司阳城煤矿 一种基于图像数据的煤炭质量检测方法
CN115375675B (zh) * 2022-10-24 2023-01-31 山东济矿鲁能煤电股份有限公司阳城煤矿 一种基于图像数据的煤炭质量检测方法

Also Published As

Publication number Publication date
CN114671214B (zh) 2022-08-30

Similar Documents

Publication Publication Date Title
CN114671214B (zh) 基于高压变频器的煤矿输送皮带调速方法
CN115018828B (zh) 一种电子元器件的缺陷检测方法
CN109829876B (zh) 基于机器视觉的链板缺陷在线检测装置及方法
CN110473189B (zh) 一种文本图像清晰度判断方法及系统
CN114897773B (zh) 一种基于图像处理的扭曲木材检测方法及系统
US20060147096A1 (en) Fingerprint region segmenting apparatus, directional filter unit and methods thereof
CN115546203B (zh) 基于图像数据算法的生产监测分析方法
CN115311267B (zh) 一种格纹织物异常检测方法
CN115272321A (zh) 一种基于机器视觉的纺织品缺陷检测方法
CN115115637B (zh) 基于图像金字塔思想的布匹缺陷检测方法
CN114419048A (zh) 基于图像处理的输送机在线检测方法及系统
CN114119603A (zh) 基于图像处理的快餐盒短射缺陷检测方法
CN115019160A (zh) 一种工厂仓库入库物流智能控制方法
CN115082449B (zh) 一种电子元器件缺陷检测方法
CN115115622B (zh) 一种冲压端子视觉检测装置
CN116543003A (zh) 一种图像目标分割方法及其系统
CN114550167A (zh) 一种基于人工智能的梨的品质分类方法及装置
Hobson et al. Rule based concave curvature segmentation for touching rice grains in binary digital images
Jiang et al. An Improved ORB Feature Point Extraction Algorithm Based on Image Enhancement and Adaptive Threshold
CN117635507B (zh) 一种塑胶颗粒在线视觉检测方法及系统
CN117522866B (zh) 基于掩膜的荧光微丝试验图像中丝线锚点的判别方法
CN117036923B (zh) 一种基于机器视觉的水下机器人目标检测方法
CN117522863B (zh) 基于图像特征的集成箱体质量检测方法
CN116523910B (zh) 基于图像数据的核桃成熟度智能检测方法
US20240020845A1 (en) Image Shadow Detection Method and System, and Image Segmentation Device and Readable Storage Medium

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