CN115761488A - 传送带的偏移检测方法、装置及系统 - Google Patents
传送带的偏移检测方法、装置及系统 Download PDFInfo
- Publication number
- CN115761488A CN115761488A CN202211421552.0A CN202211421552A CN115761488A CN 115761488 A CN115761488 A CN 115761488A CN 202211421552 A CN202211421552 A CN 202211421552A CN 115761488 A CN115761488 A CN 115761488A
- Authority
- CN
- China
- Prior art keywords
- image
- conveyor belt
- reference value
- extending direction
- 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
Images
Landscapes
- Control Of Conveyors (AREA)
Abstract
本公开提供了一种传送带的偏移检测方法、装置及系统,涉及检测技术领域,所述方法包括:对第一检测图像中覆盖在传送辊上的传送带进行识别以得到传送带的识别图像;确定识别图像在第一检测图像中的方位数据;根据方位数据确定识别图像的第一中线在与传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标;在第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定传送带发生偏移,第一中线和第二中线均垂直于延伸方向,参考值是响应于用户在第二检测图像中选取传送辊未被传送带覆盖的区域的操作而确定的在延伸方向上的距离。
Description
技术领域
本公开涉及检测技术领域,尤其是一种传送带的偏移检测方法、装置及系统。
背景技术
在诸如烟草领域的工业领域中,带式输送机被广泛应用于生产的各个环节。在实际生产中,带式输送机的传送带的理想运行状态是传送带中心线与传送辊中心线完全重合;而在这两条中心线不重合的情况下,可能会出现传送带偏移的问题。
传送带偏移不仅会引起机械事故(例如,传送带脱离传送辊)发生次数增多而影响生产,还会引起物料外撒,造成物料浪费。
发明内容
发明人注意到,相关技术中皮带偏移的检测方法主要分为人工检测方法、机械式检测方法和光电式检测方法。
人工检测方法主要利用人工检测(例如,人工观察)传送带是否偏移,该方法需要过多人力资源且检测精度低;机械式检测方法主要是利用机械装置(例如,探针)检测传送带是否偏移,该方法精度较差;光电式检测方法主要利用光电传感器检测传送带是否偏移,虽然该方法精度较高,但是需要根据不同的生产环境和设备提前布线和预留对应的安装孔位。然而,生产环境和设备可能随着实际需要而改变,在生产环境改变或设备改变的情况下,需要重新配置布线和安装孔位,这不适用于实际生产环境。
有鉴于此,本公开实施例提出了如下解决方案,能够适于各种生产环境且能够精确检测传送带是否偏移。
根据本公开实施例的一方面,提供一种传送带的偏移检测方法,包括:对第一检测图像中覆盖在传送辊上的传送带进行识别以得到所述传送带的识别图像;确定所述识别图像在所述第一检测图像中的方位数据;根据所述方位数据确定所述识别图像的第一中线在与所述传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标;在所述第一横坐标与所述传送辊的第二中线在所述坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定所述传送带发生偏移,所述第一中线和所述第二中线均垂直于所述延伸方向,其中:所述参考值响应于用户在第二检测图像中选取所述传送辊未被所述传送带覆盖的区域的第一操作而确定,所述参考值是所述区域在所述延伸方向上的距离,在所述第二检测图像中,所述传送辊与所述延伸方向不平行的第一边缘和所述传送带与所述延伸方向不平行的第二边缘重合。
在一些实施例中,所述方位数据包括所述识别图像的边缘与平行于所述延伸方向的线相交的两个点在所述坐标轴下的第三横坐标。
在一些实施例中,所述识别图像为矩形。
在一些实施例中,响应于用户在交互界面执行的第二操作,开始执行所述识别。
在一些实施例中,所述方法还包括:显示初始参考值,所述初始参考值响应于用户的所述第一操作而确定;响应于用户对所述初始参考值的更改操作,得到所述参考值。
在一些实施例中,所述第一检测图像是实时得到的。
在一些实施例中,利用快速区域卷积神经网络Faster R-CNN深度学习模型执行所述识别。
在一些实施例中,所述第一检测图像的中线与所述第二中线重合。
根据本公开实施例的还一方面,提供一种传送带的偏移检测装置,包括:传送带识别模块,被配置为对第一检测图像中覆盖在传送辊上的传送带进行识别以得到所述传送带的识别图像;方位确定模块,被配置为确定所述识别图像在所述第一检测图像中的方位数据;坐标确定模块,被配置为根据所述方位数据确定所述识别图像的第一中线在与所述传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标;偏移确定模块,被配置为在所述第一横坐标与所述传送辊的第二中线在所述坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定所述传送带发生偏移,所述第一中线和所述第二中线均垂直于所述延伸方向,其中:所述参考值响应于用户在第二检测图像中选取所述传送辊未被所述传送带覆盖的区域的第一操作而确定,所述参考值是所述区域在所述延伸方向上的距离,在所述第二检测图像中,所述传送辊与所述延伸方向不平行的第一边缘与所述传送带与所述延伸方向不平行的第二边缘重合。
根据本公开实施例的还一方面,提供一种传送带的偏移检测装置,包括:存储器;以及耦接至所述存储器的处理器,被配置为基于存储在所述存储器中的指令,执行上述任意一个实施例所述的方法。
根据本公开实施例的还一方面,提供一种传送带的偏移检测系统,包括:上述任意一个实施例所述的传送带的偏移检测装置;摄像装置,设置在所述传送辊的前方,被配置为对覆盖有传送带的传送辊进行拍摄以得到所述第一检测图像和所述第二检测图像。
根据本公开实施例的还一方面,提供一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令被处理器执行时实现上述任意一个实施例所述的方法。
根据本公开实施例的还一方面,提供一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现上述任意一个实施例所述的方法。
本公开实施例中,通过对第一检测图像进行识别以得到传送带的识别图像,进而确定识别图像在第一检测图像中的方位数据,并根据方位数据确定识别图像的第一中线在与传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标,进而在第一横坐标与传送辊的第二中线在该坐标轴下的第二横坐标的差值的绝对值大于参考值的一半的情况下确定传送带发生偏移,从而可以精确检测传送带运行状态。
另外,参考值是响应于用户在第二检测图像中选取传送辊未被传送带覆盖的区域的操作而确定的,不会受到生产环境改变和设备改变的影响,从而能够适于各种生产环境。
下面通过附图和实施例,对本公开的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本公开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公开的一些实施例,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。
图1是根据本公开一些实施例的传送带的偏移检测方法的流程示意图;
图2A是根据本公开一些实施例的传送带的偏移检测方法的第一检测图像的示意图;
图2B是根据本公开一些实施例的传送带的偏移检测方法的第二检测图像的示意图;
图3是根据本公开一些实施例的传送带的偏移检测装置的结构示意图;
图4是根据本公开又一些实施例的传送带的偏移检测装置的结构示意图;
图5是根据本公开一些实施例的传送带的偏移检测方法的图形用户界面(GUI)的示意图。
具体实施方式
下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例,都属于本公开保护的范围。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
另外,在本公开的描述中,术语“第一”、“第二”、“第三”等仅用于描述目的,而不能理解为指示或暗示相对重要性和顺序。类似地,虽然在附图中以特定次序描绘了操作,但是这不应该被理解为要求以所示的特定次序或者以顺序次序执行这样的操作,或者要求执行所有图示的操作以实现所希望的结果。在某些情况下,多任务处理和并行处理可以是有利的。
在烟草行业中,制作烟丝的车间所使用的多数为DPH型带式传送机。DPH型带式传送机是一种根据摩擦原理,由减速机通过某种安装形式将动力传递给主动辊,通过主动辊与传送带的摩擦、传送带与被动辊的摩擦以形成封闭的连续运动系统,进而达到物料承载和牵引目的的传送机。DPH型带式输送机主要由头部、尾部、中间段、传送带、集尘装置、支腿、出料斗等部分组成。本公开实施例中的传送带包括但不限于DPH型带式传送机所使用的传送带。
图1是根据本公开一些实施例的传送带的偏移检测方法的流程示意图。
在步骤102,对第一检测图像中覆盖在传送辊上的传送带进行识别以得到传送带的识别图像。在一些实施例中,可以利用摄像装置实时获取第一检测图像。第一检测图像例如图2A所示。
在一些实施例中,第一检测图像可以是矩形,识别图像也可以是矩形。
在一些实施例中,可以利用快速区域卷积神经网络(Faster R-CNN)深度学习模型执行识别。如图2A所示,以虚线框F1内的图像表示传送带的识别图像。其中,虚线框F1内左上方的“belt=1.00”表示Faster R-CNN深度学习模型对传送带的识别置信度,有关FasterR-CNN深度学习模型的内容将在后文介绍。
在一些实施例中,可以响应于用户在GUI执行的第二操作,开始执行识别。第二操作例如可以是点击、滑动、触摸等操作。
在步骤104,确定识别图像在第一检测图像中的方位数据。
在一些实施例中,可以利用开源计算机视觉库(OpenCV)确定识别图像在第一检测图像中的方位数据。
在一些实施例中,方位数据的单位可以是像素单位。例如,在衡量坐标的情况下,可以以像素值作为坐标的数值。
在一些实施例中,在识别图像为矩形的情况下,识别图像的方位数据例如可以包括识别图像的四个顶点的坐标、四个顶点中三个顶点的坐标、四个顶点中沿传送辊的轴线的延伸方向的垂直方向对称或相对的两个顶点的坐标。
在步骤106,根据方位数据确定识别图像的第一中线在与传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标。
在一些实施例中,方位数据包括识别图像的边缘与平行于延伸方向的线相交的两个点在坐标轴下的第三横坐标。例如,在识别图像为矩形的情况下,第三横坐标包括该矩形图像的边缘与平行于延伸方向的线相交的两个点的横坐标。
在一些实施例中,如图2A所示,识别图像的第一中线为线L1。
在步骤108,在第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定传送带发生偏移。这里,第一中线和第二中线均垂直于传送辊的轴线的延伸方向。
在一些实施例中,如图2A所示,传送辊的第二中线为线L2。
在一些实施例中,在第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值小于参考值的一半的情况下,确定传送带未发生偏移。
参考值响应于用户在第二检测图像中选取传送辊未被传送带覆盖的区域的第一操作而确定,并且,参考值是该区域在传送辊的轴线的延伸方向上的距离。在第二检测图像中,传送辊与传送辊的轴线的延伸方向不平行的第一边缘与传送带与传送辊的轴线的延伸方向不平行的第二边缘重合。
换言之,传送带在传送辊的轴线的延伸方向的位置处于刚好未超出传送辊的位置,即如果传送带进一步沿着传送辊的轴线的延伸方向向外偏移,则传送带的一部分将偏移出传送辊,从而导致机械事故和传送带上的物料外撒。
此外,在传送带刚好没有超出传送辊的位置的情况下,考虑到这种情况属于临界情况,为了安全生产起见也将这种情况视为传送带发生偏移。
在一些实施例中,第一操作可以是框选操作,框选可以是选取一个封闭区域的操作。例如图2B所示,用户利用鼠标在第二检测图像中框选传送辊未被传送带覆盖的区域(图2B中实线框F2的区域),这种情况下参考值即所框选的区域在传送辊的轴线的延伸方向上的距离。
在一些实施例中,可以从实时拍摄的第一检测图像中截取图像作为第二检测图像或以在设置传送带位置之后拍摄的图像作为第二检测图像。这里,设置传送带位置可以包括将传送带与传送辊的轴线的延伸方向不平行的一个边缘设置为和传送辊与传送辊的轴线的延伸方向不平行的一个边缘重合。
在一些实施例中,可以在GUI界面上提示传送带偏移。
如此,通过对第一检测图像进行识别以得到传送带的识别图像,进而确定识别图像在第一检测图像中的方位数据,并根据方位数据确定识别图像的第一中线在与传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标,进而在第一横坐标与传送辊的第二中线在该坐标轴下的第二横坐标的差值的绝对值大于参考值的一半的情况下确定传送带发生偏移,从而可以精确检测传送带运行状态。
另外,参考值的选取是响应于用户在第二检测图像中选取传送辊未被传送带覆盖的区域的操作而确定而不会受到生产环境改变和设备改变的影响,从而能够适于各种生产环境。
在一些实施例中,第一检测图像的中线可以与传送辊的第二中线重合。在这种情况下,第一检测图像的中线可以作为坐标轴的纵轴,传送辊的轴线可以作为坐标轴的横轴。
如此,根据第一检测图像的中线(即,坐标系的纵轴)和识别图像的中线的横坐标差值即可确定传送带是否偏移,而无需再得到传送辊的第二中线的横坐标进而计算与识别图像的中线的横坐标差值,从而提高传送带偏移的识别效率。
在一些实施例中,可以显示初始参考值并响应于用户对初始参考值的更改操作,得到参考值。这里,初始参考值响应于用户的第一操作而确定。例如,在用户框选某个区域后,自动确定该区域在传送辊的轴线的延伸方向的距离,该距离即为初始参考值。
例如,初始参考值为“100.2”,用户可以根据实际需要将初始参考值修改为“100”以得到参考值。例如,响应于用户的第一操作而确定的初始参考值与实际参考值之间具有偏差,用户根据预先确定的偏差在初始参考值的基础上进行调整即可得到实际参考值。
如此,通过显示初始参考值并可以允许用户修改初始参考值的方式,可以方便用户实时根据需求更改参考值,从而提高传送带偏移检测的可操作性和准确性。
接下来,介绍用于根据本公开一些实施例的传送带的偏移检测方法的Faster R-CNN深度学习模型。
Faster R-CNN深度学习模型的算法性能良好,通用性与鲁棒性强,且可以通过两阶网络与区域生成网络(RPN)实现精度较高的物体检测性能。此外,对于较小的数据集,Faster R-CNN深度学习模型往往可以通过微调(Fine-tune)就可达到较好的效果。这里,Fine-tune包括微调Faster R-CNN深度学习模型的参数。
在一些实施例中,Faster R-CNN深度学习模型的创建和训练过程主要有以下步骤:
1、图像标注切分:收集工业生产所使用的所有类型的传送带的样本检测图像,使用标注工具对样本检测图像中的传送带目标进行标注并将样本检测图像的格式转换为可处理的统一格式;按照70%、20%、10%的比例将样本检测图像切分为训练集、验证集、测试集,如此,可以生成训练模型所用的数据集,有利于更好地训练数据和测试模型。
2、创建模型:利用飞桨(PaddleX)模型开发工具,创建传送带目标检测模型。这里,PaddleX易集成、易使用,并且提供了统一和易用的应用程序接口(API),进而可以快速完成机器视觉领域的模型训练。
3、参数配置:对创建好的模型的训练参数进行初始配置,初始配置包括:主干网络(Backbone)选择“ResNet50”;预训练模型选择“IMAGENET”;设置初始的迭代轮数(Epoch)、学习率(Learning Rate)以及批大小(Batch Size)。
这里,Epoch是模型训练迭代的总轮数,即模型对训练集全部样本迭代一遍为一个Epoch。
Batch Size是指模型在训练过程中前向计算一次(即,一个step)所用到的样本数量。这里,1个Epoch由多个step组成,例如训练样本共有800张图像,Batch Size为8,那么每个Epoch都要利用这完整的800张图片训练一次模型,而每个Epoch总共包含100个step。
Learning Rate决定着目标函数能否收敛到局部最小值以及何时收敛到最小值。Learning Rate越大,输出误差对参数的影响就越大,但同时受到异常数据的影响也就越大,越容易发散。
一般而言,创建好的模型会携带默认的训练参数。在进行初始配置的情况下,可以根据历史经验对默认的训练参数进行调整,也可以直接利用默认的训练参数。
4、训练模型:获取前一次训练的结果,根据平均精度均值(mAP)和最大精度调整训练参数以提高模型的传送带识别准确率。这里,调整的训练参数包括迭代轮数和学习率。
例如,在mAP未达到第一阈值并且最大精度未达到第二阈值的情况下,增加Epoch;在将Epoch增加到第三阈值的情况下,如果mAP仍未达到第一阈值并且最大精度仍未达到第二阈值,则提高Learning Rate。这里,第一阈值和第二阈值例如可以是100,但第一阈值和第二阈值也可以不同。
通常情况下,Learning Rate的变化可以分为热身(WarmUp)阶段和衰减(Decay)阶段。
在Wamup阶段中,随着训练迭代,学习率从较低的值逐渐线性增长至设定的值,此时以step为单位;在Decay阶段中,随着训练迭代,学习率逐步衰减,例如每次衰减为之前的0.1,以Epoch为单位。
在PaddleX中,约束Warmup阶段必须在进入Decay阶段之前结束。
除了调整训练参数之外,还可以通过其他优化策略来提高模型的传送带识别准确率,例如可以对样本检测图像进行处理,处理包括随机亮度、随机对比度、和随机饱和度中的至少一项。
5、验证:在样本检测图像的测试集的传送带区域的有效识别的识别率不小于90%的情况下,完成Faster R-CNN深度学习模型的训练。这里,在样本检测图像测试集的传送带区域的识别置信度不小于0.9的情况下,将对应的识别作为有效识别,识别置信度表示识别出的区域为传送带区域的可能性。
在有效识别的识别率未达到例如90%的情况下,需要增大步骤1中训练样本(即,样本检测图像)的数量,并且优化步骤3中的参数。这里,有效识别的识别率达到90%可以作为该模型是否具有可行性的阈值判断条件。
6、保存模型:在验证完毕后,将训练好的模型进行保存,并导出为可部署的模型格式。模型可以部署在蟒蛇(Python)层面,可以使用“paddlex.load_model”的python接口导出可被“pdx.load_model”接口引用的模型文件。PaddleX可以使用“paddlex.load_model”接口加载模型(这里,加载的模型包括训练过程中保存的模型、导出的可部署模型)进行预测,同时PaddleX中也内置了一系列的可视化工具函数,方便检查模型效果。此外,可通过“pdx.det.visualize”接口查看目标检测结果,并可设置识别置信度,在识别置信度高于0.9(最高1.0)的情况下,可认为是有效的检测模型。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于装置实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
图3是根据本公开一些实施例的传送带的偏移检测装置的结构示意图。
如图3所示,传送带的偏移检测装置包括传送带识别模块301、方位确定模块302、坐标确定模块303和偏移确定模块304。
传送带识别模块301被配置为对第一检测图像中覆盖在传送辊上的传送带进行识别以得到传送带的识别图像。
方位确定模块302被配置为确定识别图像在第一检测图像中的方位数据。
坐标确定模块303被配置为根据方位数据确定识别图像的第一中线在与传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标。
偏移确定模块304被配置为在第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定传送带发生偏移,第一中线和第二中线均垂直于延伸方向,其中:参考值响应于用户在第二检测图像中选取传送辊未被传送带覆盖的区域的第一操作而确定,参考值是区域在延伸方向上的距离,在第二检测图像中,传送辊与延伸方向不平行的第一边缘与传送带与延伸方向不平行的第二边缘重合。
在一些实施例中,传送带的偏移检测装置还可以包括其他模块,以执行上述任意一个实施例的传送带的偏移检测方法。
图4是根据本公开又一些实施例的传送带的偏移检测装置的结构示意图。
如图4所示,传送带的偏移检测装置400包括存储器401以及耦接至该存储器401的处理器402,处理器402被配置为基于存储在存储器401中的指令,执行前述任意一个实施例的方法。
存储器401例如可以包括系统存储器、固定非易失性存储介质等。系统存储器例如可以存储有操作系统、应用程序、引导装载程序(Boot Loader)以及其他程序等。
传送带的偏移检测装置400还可以包括输入输出接口403、网络接口404、存储接口405等。这些接口403、404、405之间、以及存储器401与处理器402之间例如可以通过总线406连接。输入输出接口403为显示器、鼠标、键盘、触摸屏等输入输出设备提供连接接口。网络接口404为各种联网设备提供连接接口。存储接口405为SD卡、U盘等外置存储设备提供连接接口。
本公开实施例还提供了一种传送带的偏移检测系统,包括上述任意一个实施例的传送带的偏移检测装置;以及摄像装置,设置在传送辊的前方,被配置为对覆盖有传送带的传送辊进行拍摄以得到第一检测图像和第二检测图像。
本公开实施例还提供了一种计算机可读存储介质,包括计算机程序指令,该计算机程序指令被处理器执行时实现上述任意一个实施例的方法。
本公开实施例还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例的方法。
接下来,结合图5介绍根据本公开一些实施例的传送带的偏移检测方法的GUI界面。
在一些实施例中,可以使用PyQt5(一种GUI库)进行GUI图像化界面编写。
在一些实施例中,GUI界面包括“打开摄像头”按钮,在用户点击该按钮的情况下,可以使设置在传送辊的前方的摄像装置对覆盖有传送带的传送辊进行拍摄。
在一些实施例中,GUI界面包括“捕获图片”按钮,在用户点击该按钮的情况下,可以实时截取摄像装置拍摄的图像作为第二检测图像。
在一些实施例中,GUI界面包括“打开图片”按钮,在用户点击该按钮的情况下,可以打开存储的在设置传送带位置之后拍摄的图像作为第二检测图像。
在一些实施例中,用户可以在通过点击“捕获图片”按钮或“打开图片”按钮操作得到的图像(第二检测图像)上进行框选操作,以框选传送辊未被传送带覆盖的区域(如,图5中的实线框F3)。在这种情况下,用户可以点击“跑偏测距”的按钮以得到参考值,即得到所框选的区域在传送辊的轴线的延伸方向上的距离。
在一些实施例中,GUI界面包括“清屏”按钮,在用户点击该按钮的情况下,可以去除已框选的框线。
在一些实施例中,GUI界面包括“跑偏检测”按钮,在用户点击该按钮的情况下,可以对摄像装置拍摄的图像进行传送带的偏移检测。图5中,线L3为传送辊的第二中线(也是第一检测图像的中线),线L4是识别图像(即,传送带)的第一中线。
在一些实施例中,GUI界面包括“开启实时”按钮,在用户点击该按钮的情况下,可以实时对摄像装置拍摄的画面进行传送带的偏移检测。
在一些实施例中,GUI界面包括“距离设定”输入框和“输入”按钮,用户可以在“距离设定”输入框中输入参考值并点击“输入”按钮以使输入的参考值生效。如此,将参考值作为开放输入项,可以实现对参考值的实时调整、检测,从而方便各个场景下的使用,保证了传送带检测的灵活性和准确性。
在一些实施例中,GUI界面可以在第一预设区域显示例如“皮带跑偏”的判定结果。
在一些实施例中,GUI界面可以在第二预设区域显示第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值(如,图5中的“251.4446…”)。
在一些实施例中,考虑到第二检测图像可能画幅较大进而无法在一个GUI界面中显示完整,因此GUI界面可以在第三预设区域和第四预设区域分别显示GUI界面中缩放的第二检测图像所框选的区域在传送辊的轴线的延伸方向上的距离(如,图5中的“[‘跑偏距离:27’]”)以及对应的放大系数(如,图5中的“11.52”),可以将两者的乘积作为第一横坐标与传送辊的第二中线在坐标轴下的第二横坐标的差值的绝对值。
至此,已经详细描述了本公开的各实施例。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
本领域内的技术人员应当明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开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,本公开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非瞬时性存储介质(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。
本公开是参照根据本公开实施例的方法、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中一个流程或多个流程和/或方框图中一个方框或多个方框中指定的功能。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。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明,但是本领域的技术人员应该理解,以上示例仅是为了进行说明,而不是为了限制本公开的范围。本领域的技术人员应该理解,可在不脱离本公开的范围和精神的情况下,对以上实施例进行修改或者对部分技术特征进行等同替换。本公开的范围由所附权利要求来限定。
Claims (13)
1.一种传送带的偏移检测方法,包括:
对第一检测图像中覆盖在传送辊上的传送带进行识别以得到所述传送带的识别图像;
确定所述识别图像在所述第一检测图像中的方位数据;
根据所述方位数据确定所述识别图像的第一中线在与所述传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标;
在所述第一横坐标与所述传送辊的第二中线在所述坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定所述传送带发生偏移,所述第一中线和所述第二中线均垂直于所述延伸方向,其中:
所述参考值响应于用户在第二检测图像中选取所述传送辊未被所述传送带覆盖的区域的第一操作而确定,所述参考值是所述区域在所述延伸方向上的距离,
在所述第二检测图像中,所述传送辊与所述延伸方向不平行的第一边缘和所述传送带与所述延伸方向不平行的第二边缘重合。
2.根据权利要求1所述的方法,其中,所述方位数据包括所述识别图像的边缘与平行于所述延伸方向的线相交的两个点在所述坐标轴下的第三横坐标。
3.根据权利要求1所述的方法,其中,所述识别图像为矩形。
4.根据权利要求1所述的方法,其中,响应于用户在交互界面执行的第二操作,开始执行所述识别。
5.根据权利要求1所述的方法,还包括:
显示初始参考值,所述初始参考值响应于用户的所述第一操作而确定;
响应于用户对所述初始参考值的更改操作,得到所述参考值。
6.根据权利要求1所述的方法,其中,所述第一检测图像是实时得到的。
7.根据权利要求1所述的方法,其中,利用快速区域卷积神经网络Faster R-CNN深度学习模型执行所述识别。
8.根据权利要求1所述的方法,其中,所述第一检测图像的中线与所述第二中线重合。
9.一种传送带的偏移检测装置,包括:
传送带识别模块,被配置为对第一检测图像中覆盖在传送辊上的传送带进行识别以得到所述传送带的识别图像;
方位确定模块,被配置为确定所述识别图像在所述第一检测图像中的方位数据;
坐标确定模块,被配置为根据所述方位数据确定所述识别图像的第一中线在与所述传送辊的轴线的延伸方向平行的坐标轴下的第一横坐标;
偏移确定模块,被配置为在所述第一横坐标与所述传送辊的第二中线在所述坐标轴下的第二横坐标的差值的绝对值大于或等于参考值的一半的情况下,确定所述传送带发生偏移,所述第一中线和所述第二中线均垂直于所述延伸方向,其中:
所述参考值响应于用户在第二检测图像中选取所述传送辊未被所述传送带覆盖的区域的第一操作而确定,所述参考值是所述区域在所述延伸方向上的距离,
在所述第二检测图像中,所述传送辊与所述延伸方向不平行的第一边缘与所述传送带与所述延伸方向不平行的第二边缘重合。
10.一种传送带的偏移检测装置,包括:
存储器;以及
耦接至所述存储器的处理器,被配置为基于存储在所述存储器中的指令,执行权利要求1-8任意一项所述的方法。
11.一种传送带的偏移检测系统,包括:
权利要求9或10所述的传送带的偏移检测装置;
摄像装置,设置在所述传送辊的前方,被配置为对覆盖有传送带的传送辊进行拍摄以得到所述第一检测图像和所述第二检测图像。
12.一种计算机可读存储介质,包括计算机程序指令,其中,所述计算机程序指令被处理器执行时实现权利要求1-8任意一项所述的方法。
13.一种计算机程序产品,包括计算机程序,其中,所述计算机程序被处理器执行时实现权利要求1-8任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211421552.0A CN115761488A (zh) | 2022-11-14 | 2022-11-14 | 传送带的偏移检测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211421552.0A CN115761488A (zh) | 2022-11-14 | 2022-11-14 | 传送带的偏移检测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761488A true CN115761488A (zh) | 2023-03-07 |
Family
ID=85370699
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211421552.0A Pending CN115761488A (zh) | 2022-11-14 | 2022-11-14 | 传送带的偏移检测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761488A (zh) |
-
2022
- 2022-11-14 CN CN202211421552.0A patent/CN115761488A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
Usamentiaga et al. | Automated surface defect detection in metals: a comparative review of object detection and semantic segmentation using deep learning | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN111738322B (zh) | 一种物品表面缺陷的检测方法、装置、设备和介质 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN111179250B (zh) | 一种基于多任务学习的工业品缺陷检测系统 | |
CN109767443A (zh) | 一种布料瑕疵数据收集方法及装置 | |
CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
CN113340909B (zh) | 一种基于机器视觉的胶线缺陷检测方法 | |
US8315457B2 (en) | System and method for performing multi-image training for pattern recognition and registration | |
CN114994061A (zh) | 一种基于机器视觉的钢轨智能化检测方法及系统 | |
CN109003271A (zh) | 一种基于深度学习yolo算法的线束连接器排线质量检测方法 | |
CN112819796A (zh) | 烟丝异物识别方法及设备 | |
CN110428442A (zh) | 目标确定方法、目标确定系统和监控安防系统 | |
CN105844282A (zh) | 一种运用线扫描相机检测喷油嘴O-Ring缺陷的方法 | |
Prabuwono et al. | Development of intelligent visual inspection system (IVIS) for bottling machine | |
US20240177260A1 (en) | System and method for three-dimensional scan of moving objects longer than the field of view | |
Wu et al. | Automatic gear sorting system based on monocular vision | |
Ghidoni et al. | Automatic color inspection for colored wires in electric cables | |
Lee | A Study on Fruit Quality Identification Using YOLO V2 Algorithm | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN115761488A (zh) | 传送带的偏移检测方法、装置及系统 | |
CN111985269A (zh) | 检测模型构建方法、检测方法、装置、服务器及介质 | |
CN114235810A (zh) | 一种基于面阵工业相机的布匹瑕疵自动检测方法 | |
CN107356232A (zh) | 一种视觉检测系统用图像处理方法 |
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 |