CN115496731A - 一种皮带跑偏检测方法、装置及电子设备 - Google Patents
一种皮带跑偏检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115496731A CN115496731A CN202211176338.3A CN202211176338A CN115496731A CN 115496731 A CN115496731 A CN 115496731A CN 202211176338 A CN202211176338 A CN 202211176338A CN 115496731 A CN115496731 A CN 115496731A
- Authority
- CN
- China
- Prior art keywords
- belt
- belt edge
- edge line
- image
- normal
- 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
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
-
- 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
- G06T2207/10004—Still image; Photographic 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
- G06T2207/30232—Surveillance
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种皮带跑偏检测方法、装置及电子设备,该方法包括:获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;获取正常皮带边缘线;根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;根据所述距离,检测皮带是否跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
Description
技术领域
本申请涉及皮带跑偏检测技术领域,尤其涉及一种皮带跑偏检测方法、装置及电子设备。
背景技术
带式输送机是煤炭运输的主要设备之一,采矿作业通常是由带式运输机将开采的煤矿从工作面运输到加工厂,带式输送机在长时间运行过程中,由于冲击疲劳和输送带表面应力不均匀等各种外界因素影响,会产生偏离,导致物料溢出,运输设备损坏,甚至人员受伤,极大地影响了生产安全和生产效率。特别地,如何准确地对带式输送机皮带跑偏进行检测是主要的研究方向之一。
相关技术中,在试图检测皮带跑偏时,往往采用机械检测装置、接触式传感器、图像处理等方式,然而前述方法在检测皮带跑偏时,无法实现精准检测,由此,如何合理、准确地检测皮带跑偏,进而提高检测皮带跑偏的精度,已成为了亟待解决的问题。
发明内容
本申请提供了一种皮带跑偏检测方法、装置及电子设备,本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了对皮带跑偏检测的精度和效率。
根据本申请的第一方面,提供了一种皮带跑偏检测方法,包括:获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;获取正常皮带边缘线;根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;根据所述距离,检测皮带是否跑偏。
另外,根据本申请上述实施例的一种皮带跑偏检测方法,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述方法,还包括:获取训练样本,其中,所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像;将所述训练样本输入所述皮带边缘检测模型中,由所述皮带边缘检测模型,根据所述样本图像和所述样本参考图像生成所述样本图像的皮带边缘区域图像;获取所述皮带边缘区域图像的边缘区域,并基于所述边缘区域调整所述皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整所述模型参数后的所述皮带边缘检测模型确定为目标皮带边缘检测模型。
根据本申请的一个实施例,所述基于所述边缘区域调整所述皮带边缘检测模型的模型参数,包括:响应于所述边缘区域超过预设边缘区域阈值,获取交叉熵损失函数,并根据所述交叉熵损失函数调整所述皮带边缘检测模型的所述模型参数。
根据本申请的一个实施例,所述对所述皮带边缘区域图像的边缘线进行特征提取,以获取皮带边缘线,包括:根据黑塞矩阵,获取所述皮带边缘区域图像中光条纹的法线方向;在所述法线方向上,基于泰勒公式,获取所述光条纹的亚像素位置;根据所述亚像素位置,获取所述皮带边缘线。
根据本申请的一个实施例,所述根据所述皮带边缘线和所述正常皮带边缘线,计算所述皮带边缘线与所述正常皮带边缘线之间的距离,包括:对所述皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与所述正常皮带边缘线之间的距离平均值;根据所述距离平均值,获取所述皮带边缘线与所述正常皮带边缘线之间的距离。
根据本申请的一个实施例,所述根据所述距离,检测皮带是否跑偏,包括:获取皮带跑偏阈值;响应于所述距离大于所述皮带跑偏阈值,确定所述皮带跑偏。
根据本申请的一个实施例,所述方法,还包括:确定所述皮带跑偏后,则生成针对皮带跑偏的预警信息。
根据本申请的第二方面,提供了一种皮带跑偏检测装置,包括:第一获取模块,用于获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;第二获取模块,用于对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;第三获取模块,用于获取正常皮带边缘线;计算模块,用于根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;检测模块,用于根据所述距离,检测皮带是否跑偏。
另外,根据本申请上述实施例的一种皮带跑偏检测装置,还可以具有如下附加的技术特征:
根据本申请的一个实施例,所述装置,还用于:获取训练样本,其中,所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像;将所述训练样本输入所述皮带边缘检测模型中,由所述皮带边缘检测模型,根据所述样本图像和所述样本参考图像生成所述样本图像的皮带边缘区域图像;获取所述皮带边缘区域图像的边缘区域,并基于所述边缘区域调整所述皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整所述模型参数后的所述皮带边缘检测模型确定为目标皮带边缘检测模型。
根据本申请的一个实施例,所述装置,还用于:响应于所述边缘区域超过预设边缘区域阈值,获取交叉熵损失函数,并根据所述交叉熵损失函数调整所述皮带边缘检测模型的所述模型参数。
根据本申请的一个实施例,所述第二获取模块,还用于:根据黑塞矩阵,获取所述皮带边缘区域图像中光条纹的法线方向;在所述法线方向上,基于泰勒公式,获取所述光条纹的亚像素位置;根据所述亚像素位置,获取所述皮带边缘线。
根据本申请的一个实施例,所述计算模块,还用于:对所述皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与所述正常皮带边缘线之间的距离平均值;根据所述距离平均值,获取所述皮带边缘线与所述正常皮带边缘线之间的距离。
根据本申请的一个实施例,所述检测模块,还用于:获取皮带跑偏阈值;响应于所述距离大于所述皮带跑偏阈值,确定所述皮带跑偏。
根据本申请的一个实施例,所述装置,还用于:确定所述皮带跑偏后,则生成针对皮带跑偏的预警信息。
为了实现上述目的,本申请第三方面实施例提出了一种电子设备,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,处理器执行程序时,实现前述的皮带跑偏检测方法。
为了实现上述目的,本申请第四方面实施例提出了非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的皮带跑偏检测方法。
为了实现上述目的,本申请第五方面实施例提出了一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如上所述的皮带跑偏检测方法。
本申请实施例提供的技术方案至少包括如下有益效果:
本申请提供了一种皮带跑偏检测方法,获取待检测图像,并将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像;对皮带边缘区域图像进行特征提取,以获取皮带边缘线,获取正常皮带边缘线,根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离,根据距离,检测皮带是否跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1为本申请实施例提供的一种皮带跑偏检测方法的流程示意图;
图2为本申请实施例提供的另一种皮带跑偏检测方法的流程示意图;
图3为本申请实施例提供的另一种皮带跑偏检测方法的流程示意图;
图4为本申请实施例提供的另一种皮带跑偏检测方法的流程示意图;
图5为本申请实施例提供的皮带边缘线与正常皮带边缘线之间的距离示意图;
图6为本申请实施例提供的另一种皮带跑偏检测方法的流程示意图;
图7为本申请实施例提供的一种皮带跑偏检测方法的流程示意图;
图8为本申请实施例提供的一种皮带跑偏检测系统的示意图;
图9为本申请实施例提供的一种皮带跑偏检测装置的结构示意图;
图10为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
下面采用实施例对本申请的皮带跑偏检测方法、装置及电子设备进行详细说明。
图1为本申请实施例提供的一种皮带跑偏检测方法的流程示意图。其中,需要说明的是,本实施例的皮带跑偏检测方法的执行主体为皮带跑偏检测装置,皮带跑偏检测装置具体可以为硬件设备,或者硬件设备中的软件等。其中,硬件设备例如终端设备、服务器等。
如图1所示,本实施例提出的皮带跑偏检测方法,包括以下步骤:
S101、获取待检测图像,并将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像。
需要说明的是,本申请对于获取待检测图像的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以利用图像采集设备,获取待检测图像。
举例而言,可以利用摄像机,获取待检测图像。
需要说明的是,为了提高获取待检测图像的质量,可以在图像采集设备周围设置光源,该光源为图像采集设备补光。
举例而言,可以将图像采集设备设置在皮带传送机中间位置的正上方。
在本申请实施例中,在获取到待检测图像后,可以将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像。
S102、对皮带边缘区域图像进行特征提取,以获取皮带边缘线。
需要说明的是,为了提高皮带跑偏检测的精度,在获取到皮带边缘区域图像后,可以对皮带边缘区域图像进行特征提取,以获取皮带边缘线。
需要说明的是,本申请对于获取皮带边缘线的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以基于黑塞Hessian矩阵的Steger算法,对皮带边缘区域图像进行特征提取,以获取皮带边缘线。
其中,Steger算法一种精度较高的线条区域提取算法,可以亚像素级提取图像中线条区域的中心线。
S103、获取正常皮带边缘线。
需要说明的是,正常皮带边缘线即皮带传送机正常工作时的皮带边缘线。
其中,皮带传送机具有输送量大、结构简单、维修方便、部件标准化等优点,广泛应用于矿山、冶金、煤炭等行业,用来输送松散物料或成件物品,根据输送工艺要求,可单台输送,也可多台组成或与其它输送设备组成水平或倾斜的输送系统,以满足不同布置型式的作业线需要。
需要说明的是,本申请对于获取正常皮带边缘线的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以查询皮带传送机的属性参数,以获取正常皮带边缘线。
可选地,可以预先设置正常皮带边缘线范围,当皮带边缘线位于正常皮带边缘线范围内,则为正常皮带边缘线。
S104、根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离。
在本申请实施例中,在获取到皮带边缘线和正常皮带边缘线后,可以根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离。
需要说明的是,为了提高计算皮带边缘线和正常皮带边缘线之间的距离的准确性,减小误差,可以通过多次求平均值的方式,获取皮带边缘线和正常皮带边缘线之间的距离。
S105、根据距离,检测皮带是否跑偏。
需要说明的是,在皮带传送机长时间的运行过程中,由于冲击疲劳和输送皮带表面应力不均匀等各种外界因素的影响,会产生皮带跑偏现象,进而导致物料溢出运输设备损坏、甚至导致人员受伤等问题,极大地影响了生产安全和生产效率,因此需要实时对皮带跑偏进行检测。
在本申请实施例中,在获取到皮带边缘线和正常皮带边缘线之间的距离后,可以根据距离,检测皮带是否跑偏。
需要说明的是,本申请中对于根据距离,检测皮带是否跑偏的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以预设皮带跑偏阈值,根据皮带跑偏阈值和距离,检测皮带是否跑偏。
举例而言,响应于距离大于皮带跑偏阈值,确定皮带跑偏;响应于距离小于或等于皮带跑偏阈值,确定皮带未跑偏。
本申请提供的皮带跑偏检测方法,通过获取待检测图像,并将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像,并对皮带边缘区域图像进行特征提取,以获取皮带边缘线,获取正常皮带边缘线,根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离,根据距离,检测皮带是否跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
下面对本申请提出的皮带边缘检测模型的获取过程进行解释说明。
作为一种可能实现的方式,如图2所示,在上述实施例的基础上,获皮带边缘检测模型的具体过程,包括以下步骤:
S201、获取训练样本,其中,训练样本包括样本图像以及与样本图像对应的样本参考图像。
需要说明的是,本申请中对于获取样本图像的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以利用摄像头,采集皮带传送机工作或未工作时的视频数据,并根据视频数据,获取样本图像。
举例而言,可以利用摄像头,从工作现场采集到的5小时的视频数据,利用跨平台计算机视觉库OpenCV提取1000幅皮带传送机上有煤炭对应的图像、皮带传送机上无煤炭对应的图像和皮带传送机运输煤炭图像,作为样本图像。可选地,可以将样本图像的平均大小为1920*1080像素。
需要说明的是,为了提高获取皮带边缘检测模型的准确性,由于样本图像越多,皮带边缘检测模型的泛化能力越强,即基于皮带边缘检测模型的输出结果越准确,因此,可以将样本图像进行水平翻转、垂直翻转等操作,增加样本图像。
需要说明的是,本申请中对于获取样本参考图像的具体方式不作限定,可以根据实际情况进行选取。
可选地,可以利用开源图像标注工具labelme对所有样本图像进行标注,以获取样本参考图像。
举例而言,可以基于labelme,利用宽度为1像素的白线描出皮带的边缘,其余部分用黑色进行填充,并进行二值化,即可获取样本参考图像。
S202、将训练样本输入皮带边缘检测模型中,由皮带边缘检测模型,根据样本图像和样本参考图像生成样本图像的皮带边缘区域图像。
在本申请实施例中,在获取到训练样本后,可以将训练样本输入皮带边缘检测模型中,由皮带边缘检测模型,根据样本图像和样本参考图像生成样本图像的皮带边缘区域图像。
S203、获取皮带边缘区域图像的边缘区域,并基于边缘区域调整皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整模型参数后的皮带边缘检测模型确定为目标皮带边缘检测模型。
可选地,响应于边缘区域超过预设边缘区域阈值,获取交叉熵损失函数,并根据交叉熵损失函数调整皮带边缘检测模型的模型参数。
需要说明的是,响应于边缘区域超过预设边缘区域阈值,即皮带边缘区域图像的边缘区域过大,表明皮带边缘检测模型的输出结果不理想。因此,为了提高皮带边缘检测模型输出结果的准确性,本申请通过改进交叉熵损失函数,即通过加权交叉熵函数来增加边缘像素的权值,以调整皮带边缘检测模型的模型参数,进而提高皮带边缘检测模型输出结果的准确性。
其中,交叉熵损失函数为:
其中,Loss为交叉熵损失函数、W1为第一权重系数、W2为第二权重系数、yx为像素类别、yl为边缘检测模型的输出结果。
本申请提供的皮带跑偏检测方法,获取训练样本,其中,训练样本包括样本图像以及与样本图像对应的样本参考图像,将训练样本输入皮带边缘检测模型中,由皮带边缘检测模型,根据样本图像和样本参考图像生成样本图像的皮带边缘区域图像,获取皮带边缘区域图像的边缘区域,并基于边缘区域调整皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整模型参数后的皮带边缘检测模型确定为目标皮带边缘检测模型。本申请通过改进交叉熵损失函数,提高皮带边缘检测模型输出结果的准确性,为后续提高皮带跑偏检测精度和效率奠定了基础。
需要说明的是,本申请中,在获取到目标皮带边缘检测模型后,可以基于目标皮带边缘检测模型,输出皮带边缘区域图像,进而可以对皮带边缘区域图像进行特征提取,以获取皮带边缘线。
作为一种可能实现的方式,如图3所示,在上述实施例的基础上,上述步骤S102中对皮带边缘区域图像的边缘线进行特征提取,以获取皮带边缘线的具体过程,包括以下步骤:
S301、根据黑塞矩阵,获取皮带边缘区域图像中光条纹的法线方向。
其中,黑塞矩阵(Hessian Matrix),是一个多元函数的二阶偏导数构成的方阵,描述了函数的局部曲率。
其中,黑塞矩阵为:
其中,x为图像中像素的行坐标、y为图像中像素的列坐标、rxx为图像沿x的二阶偏导数、rxy为图像沿xy的二阶偏导数、ryy为图像沿y的二阶偏导数。
需要说明的是,在试图获取皮带边缘区域图像中光条纹的法线方向时,可以由皮带边缘区域图像中光条纹不同点的Hessian矩阵的最大特征值的绝对值对应的特征向量进行获取。
S302、在法线方向上,基于泰勒公式,获取光条纹的亚像素位置。
其中,亚像素位置就是计算特征所在图像中的真实位置。
在本申请实施例中,在法线方向上,基于泰勒公式,即在法线方向上求极值点,获取光条纹的亚像素位置。
S303、根据亚像素位置,获取皮带边缘线。
在本申请实施例中,在获取到亚像素位置后,可以根据亚像素位置,获取皮带边缘线。
本申请提供的皮带跑偏检测方法,根据黑塞矩阵,获取皮带边缘区域图像中光条纹的法线方向,在法线方向上,基于泰勒公式,获取光条纹的亚像素位置,根据亚像素位置,获取皮带边缘线。本申请获取皮带边缘线的方法,提高了获取皮带边缘线的精度,为后续提高皮带跑偏检测精度和可靠性奠定了基础。
需要说明的是,本申请中,在获取到皮带边缘线和正常皮带边缘线后,可以根据皮带边缘线和正常皮带边缘线,计算皮带边缘线与正常皮带边缘线之间的距离。
作为一种可能实现的方式,如图4所示,在上述实施例的基础上,上述步骤S104中根据皮带边缘线和正常皮带边缘线,计算皮带边缘线与正常皮带边缘线之间的距离的具体过程,包括以下步骤:
S401、对皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与正常皮带边缘线之间的距离平均值。
需要说明的是,本申请中对于皮带边缘线进行分段的数目不作限定,可以根据实际情况进行选取。
可选地,可以对皮带边缘线进行五等分。
S402、根据距离平均值,获取皮带边缘线与正常皮带边缘线之间的距离。
在本申请实施例中,在获取到距离平均值后,可以根据距离平均值,获取皮带边缘线与正常皮带边缘线之间的距离。
需要说明的是,为了减小皮带边缘线与正常皮带边缘线之间的距离误差,将左右皮带边缘线进行等分,确定分段后的左右皮带边缘线对应的每一段与正常左右皮带边缘线之间的距离平均值,再将该平均值进行平均得到某一时刻皮带边缘线与正常皮带边缘线之间的距离。
举例而言,如图5所示,可以对左右皮带边缘线进行四等分,利用公式获取皮带边缘线与正常皮带边缘线之间的距离:
其中,d为皮带边缘线与正常皮带边缘线之间的距离、di为左皮带边缘线与正常左皮带边缘线之间的距离、dj为右皮带边缘线与正常右皮带边缘线之间的距离、i为对左皮带边缘线进行分段的数量、j为对右皮带边缘线进行分段的数量。
本申请提供的皮带跑偏检测方法,对皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与正常皮带边缘线之间的距离平均值,根据距离平均值,获取皮带边缘线与正常皮带边缘线之间的距离。本申请减小了皮带边缘线与正常皮带边缘线之间的距离的误差,提高了获取皮带边缘线的精度,为后续提高皮带跑偏检测精度和可靠性奠定了基础。
需要说明的是,本申请中,在获取到皮带边缘线与正常皮带边缘线之间的距离,可以根据皮带跑偏阈值和皮带边缘线与正常皮带边缘线之间的距离,检测皮带是否跑偏。
作为一种可能实现的方式,如图6所示,在上述实施例的基础上,上述步骤S105中根据距离,检测皮带是否跑偏的具体过程,包括以下步骤:
S601、获取皮带跑偏阈值。
需要说明的是,本申请对于皮带跑偏阈值的设置不作限定,可以根据实际情况进行设定。
举例而言,可以设置皮带跑偏阈值为td。
S602、响应于距离大于皮带跑偏阈值,确定皮带跑偏。
举例而言,响应于距离大于皮带跑偏阈值,确定皮带跑偏,即d>td,则确定皮带跑偏;响应于距离小于或等于皮带跑偏阈值,确定皮带未跑偏,即d≤td,则确定皮带跑偏。
进一步地,在确定皮带跑偏后,则生成针对皮带跑偏的预警信息,可以通过预警信息,控制皮带传送机停止运行,防止事故发生。
可选地,通过实时对皮带边缘线与正常皮带边缘线之间的距离d进行监测,可以对皮带跑偏的趋势进行预测,当跑偏趋势一直增加时,可以提醒工作人员,以提前预警。
本申请提供的皮带跑偏检测方法,获取皮带跑偏阈值,响应于距离大于皮带跑偏阈值,确定皮带跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
下面对本申请提出的皮带跑偏检测方法进行解释说明。
举例而言,如图7所示,首先制作皮带图像数据集(训练样本),可选地,可以将皮带图像输入到改进的DeepLabV3+网络进行模型训练,得到皮带边缘检测模型,通过实时获取检测图像,其中,检测图像包含完整的皮带信息,皮带位于图像中间位置,并将实时检测图像输入到皮带边缘检测模型中,得到皮带边缘分割区域图像,并提取皮带两边缘区域图像的的中心线,测量检测到的皮带边缘线与初始正常位置边缘线的距离,是否跑偏,当确定皮带跑偏后,则发出报警,控制器控制皮带机关停,当确定皮带未跑偏,则皮带运输机继续运行。
综上所述,可以根据上述方法,形成皮带跑偏检测系统,如图8所示,其中,该皮带跑偏检测系统包括:图像采集设备(摄像机)、光源、电子设备(信息处理计算机)、控制器等。其中,通过图像采集设备、光源等,可以获取待检测图像,通过电子设备,计算皮带边缘线和正常皮带边缘线之间的距离,响应于距离小于或等于皮带跑偏阈值,确定皮带未跑偏,则皮带运输机继续运行,响应于距离大于皮带跑偏阈值,确定皮带跑偏,则发出预警信息,控制器将自动停止皮带运输机的运行,防止发生更严重的事故。
本申请提供的皮带跑偏检测方法,通过获取待检测图像,并将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像,并对皮带边缘区域图像进行特征提取,以获取皮带边缘线,获取正常皮带边缘线,根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离,根据距离,检测皮带是否跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
为了实现上述实施例,本实施例提供了一种皮带跑偏检测装置,图9为本申请实施例提供的一种皮带跑偏检测装置的结构示意图。
如图9所示,该皮带跑偏检测装置1000,包括:第一获取模块110、第二获取模块120、第三获取模块130、计算模块140和检测模块150。其中,
第一获取模块110,用于获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;
第二获取模块120,用于对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;
第三获取模块130,用于获取正常皮带边缘线;
计算模块140,用于根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;
检测模块150,用于根据所述距离,检测皮带是否跑偏。
根据本申请的一个实施例,装置1000,还用于:获取训练样本,其中,所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像;将所述训练样本输入所述皮带边缘检测模型中,由所述皮带边缘检测模型,根据所述样本图像和所述样本参考图像生成所述样本图像的皮带边缘区域图像;获取所述皮带边缘区域图像的边缘区域,并基于所述边缘区域调整所述皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整所述模型参数后的所述皮带边缘检测模型确定为目标皮带边缘检测模型。
根据本申请的一个实施例,装置1000,还用于:响应于所述边缘区域超过预设边缘区域阈值,获取交叉熵损失函数,并根据所述交叉熵损失函数调整所述皮带边缘检测模型的所述模型参数。
根据本申请的一个实施例,第二获取模块120,还用于:根据黑塞矩阵,获取所述皮带边缘区域图像中光条纹的法线方向;在所述法线方向上,基于泰勒公式,获取所述光条纹的亚像素位置;根据所述亚像素位置,获取所述皮带边缘线。
根据本申请的一个实施例,计算模块140,还用于:对所述皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与所述正常皮带边缘线之间的距离平均值;根据所述距离平均值,获取所述皮带边缘线与所述正常皮带边缘线之间的距离。
根据本申请的一个实施例,检测模块150,还用于:获取皮带跑偏阈值;响应于所述距离大于所述皮带跑偏阈值,确定所述皮带跑偏。
根据本申请的一个实施例,装置1000,还用于:确定所述皮带跑偏后,则生成针对皮带跑偏的预警信息。
根据本申请提供的皮带跑偏检测装置,获取待检测图像,并将待检测图像输入至皮带边缘检测模型中,以输出待检测图像对应的皮带边缘区域图像;对皮带边缘区域图像进行特征提取,以获取皮带边缘线,获取正常皮带边缘线,根据皮带边缘线与正常皮带边缘线,计算皮带边缘线和正常皮带边缘线之间的距离,根据距离,检测皮带是否跑偏。本申请基于深度学习算法,可以自动对皮带跑偏进行检测,增强了皮带跑偏检测过程中的适应性和鲁棒性,提高了皮带跑偏检测的精度和效率。
为了实现上述实施例,本申请还提出了一种电子设备2000,如图10所示,包括存储器210、处理器220及存储在存储器210上并可在处理器220上运行的计算机程序,处理器执行程序时,实现前述的皮带跑偏检测方法。
为了实现上述实施例,本申请还提出一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前述的皮带跑偏检测方法。
为了实现上述实施例,本申请还提出一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时,实现如上所述的皮带跑偏检测方法。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (9)
1.一种皮带跑偏检测方法,包括:
获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;
对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;
获取正常皮带边缘线;
根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;
根据所述距离,检测皮带是否跑偏。
2.根据权利要求1所述的方法,其中,所述方法,还包括:
获取训练样本,其中,所述训练样本包括样本图像以及与所述样本图像对应的样本参考图像;
将所述训练样本输入所述皮带边缘检测模型中,由所述皮带边缘检测模型,根据所述样本图像和所述样本参考图像生成所述样本图像的皮带边缘区域图像;
获取所述皮带边缘区域图像的边缘区域,并基于所述边缘区域调整所述皮带边缘检测模型的模型参数,直至满足训练结束条件,将最后一次调整所述模型参数后的所述皮带边缘检测模型确定为目标皮带边缘检测模型。
3.根据权利要求2所述的方法,其中,所述基于所述边缘区域调整所述皮带边缘检测模型的模型参数,包括:
响应于所述边缘区域超过预设边缘区域阈值,获取交叉熵损失函数,并根据所述交叉熵损失函数调整所述皮带边缘检测模型的所述模型参数。
4.根据权利要求1所述的方法,其中,所述对所述皮带边缘区域图像的边缘线进行特征提取,以获取皮带边缘线,包括:
根据黑塞矩阵,获取所述皮带边缘图像中光条纹的法线方向;
在所述法线方向上,基于泰勒公式,获取所述光条纹的亚像素位置;
根据所述亚像素位置,获取所述皮带边缘线。
5.根据权利要求1所述的方法,其中,所述根据所述皮带边缘线和所述正常皮带边缘线,计算所述皮带边缘线与所述正常皮带边缘线之间的距离,包括:
对所述皮带边缘线进行分段,确定分段后的皮带边缘线对应的每一段与所述正常皮带边缘线之间的距离平均值;
根据所述距离平均值,获取所述皮带边缘线与所述正常皮带边缘线之间的距离。
6.根据权利要求1所述的方法,其中,所述根据所述距离,检测皮带是否跑偏,包括:
获取皮带跑偏阈值;
响应于所述距离大于所述皮带跑偏阈值,确定所述皮带跑偏。
7.根据权利要求1-6任一项所述的方法,其中,所述方法,还包括:
确定所述皮带跑偏后,则生成针对皮带跑偏的预警信息。
8.一种皮带跑偏检测装置,包括:
第一获取模块,用于获取待检测图像,并将所述待检测图像输入至皮带边缘检测模型中,以输出所述待检测图像对应的皮带边缘区域图像;
第二获取模块,用于对所述皮带边缘区域图像进行特征提取,以获取皮带边缘线;
第三获取模块,用于获取正常皮带边缘线;
计算模块,用于根据所述皮带边缘线与所述正常皮带边缘线,计算所述皮带边缘线和所述正常皮带边缘线之间的距离;
检测模块,用于根据所述距离,检测皮带是否跑偏。
9.一种电子设备,其特征在于,包括存储器、处理器;
其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176338.3A CN115496731A (zh) | 2022-09-26 | 2022-09-26 | 一种皮带跑偏检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211176338.3A CN115496731A (zh) | 2022-09-26 | 2022-09-26 | 一种皮带跑偏检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496731A true CN115496731A (zh) | 2022-12-20 |
Family
ID=84472945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211176338.3A Pending CN115496731A (zh) | 2022-09-26 | 2022-09-26 | 一种皮带跑偏检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167991A (zh) * | 2023-02-15 | 2023-05-26 | 中科微至科技股份有限公司 | 一种基于DeepLabv3+的皮带边缘线检测方法 |
-
2022
- 2022-09-26 CN CN202211176338.3A patent/CN115496731A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167991A (zh) * | 2023-02-15 | 2023-05-26 | 中科微至科技股份有限公司 | 一种基于DeepLabv3+的皮带边缘线检测方法 |
CN116167991B (zh) * | 2023-02-15 | 2023-09-08 | 中科微至科技股份有限公司 | 一种基于DeepLabv3+的皮带边缘线检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110697373A (zh) | 一种基于图像识别技术的传送皮带跑偏故障检测方法 | |
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
US8648895B2 (en) | Method and apparatus for performing three-dimensional measurement | |
CN104828517B (zh) | 基于视觉的皮带跑偏检测方法 | |
CN106546263B (zh) | 一种基于机器视觉的激光水平仪出射激光线检测方法 | |
CN110793587B (zh) | 一种煤矿工作面带式输送机高效安全运行监控方法 | |
AU2017349631B2 (en) | Belt inspection system and method | |
EP2694923B1 (en) | Method and device for detecting the position of a conveyor | |
KR101752554B1 (ko) | 원자력 연료 어셈블리 변형 측정을 위한 시스템 및 방법 | |
CN115496731A (zh) | 一种皮带跑偏检测方法、装置及电子设备 | |
CN110838097A (zh) | 一种基于机器视觉的输送带偏移测量方法 | |
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 | |
CN105823504B (zh) | 一种编码器的越零点处理方法 | |
CN109300125B (zh) | 一种复杂环境下城轨列车受电弓滑板图像提取方法 | |
CN114155494A (zh) | 一种基于深度学习的带式输送机输送带跑偏监测方法 | |
CN106599483B (zh) | 基于测量机器人露天矿边坡监测平面数据的处理方法 | |
CN115144399A (zh) | 一种基于机器视觉的装配质量检测方法及装置 | |
CN112288746B (zh) | 一种基于机器视觉的脱方检测方法及检测系统 | |
CN113936291A (zh) | 一种基于机器视觉的铝模板质检、回收方法 | |
JP2014230146A (ja) | 画像評価方法、画像評価装置及び画像評価プログラム | |
CN111967323A (zh) | 一种基于深度学习算法的电力带电作业安全检测方法 | |
CN115977636A (zh) | 煤矿综采工作面的控制方法、装置和电子设备 | |
CN110516725A (zh) | 基于机器视觉的木板条纹间距和颜色的检测方法 | |
CN113772364B (zh) | 一种皮带输送机跑偏检测装置的自动调整方法 | |
CN104463098A (zh) | 用图像的结构张量方向直方图特征识别煤岩 |
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 |