CN116503356A - 一种基于多尺度特征提取的筛板脱落智能监测方法 - Google Patents
一种基于多尺度特征提取的筛板脱落智能监测方法 Download PDFInfo
- Publication number
- CN116503356A CN116503356A CN202310475232.1A CN202310475232A CN116503356A CN 116503356 A CN116503356 A CN 116503356A CN 202310475232 A CN202310475232 A CN 202310475232A CN 116503356 A CN116503356 A CN 116503356A
- Authority
- CN
- China
- Prior art keywords
- sieve plate
- feature extraction
- scale feature
- method based
- monitoring 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 238000000605 extraction Methods 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000001514 detection method Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 23
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 14
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 3
- 206010042496 Sunburn Diseases 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 11
- 239000003245 coal Substances 0.000 description 9
- 238000013527 convolutional neural network Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 5
- 238000009434 installation Methods 0.000 description 5
- 238000002360 preparation method Methods 0.000 description 5
- 238000010200 validation analysis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000011236 particulate material Substances 0.000 description 1
- 239000004814 polyurethane Substances 0.000 description 1
- 229920002635 polyurethane Polymers 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/048—Activation functions
-
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; 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
- G06T2207/20—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
- G06T2207/30108—Industrial image inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于多尺度特征提取的筛板脱落智能监测方法,包括如下步骤:以目标振动筛的激振器为分界,在两侧分别设置正对筛板的图像捕获设备;从所述图像捕获设备获取图像信息并进行分割和透视变换处理后,输入预训练好的筛板脱落检测模型中,获取所述目标振动筛的状态监测结果,其中,所述的筛板脱落检测模型包括顺次连接的多尺度特征提取网络、多个残差块和卷积块注意力模块。与现有技术相比,本发明实现了筛板状态有效监测,同时监测准确度高,解决或部分解决了现有技术中存在的检测滞后性大,误判性高等问题。
Description
技术领域
本发明涉及智能监测领域,尤其是涉及一种基于多尺度特征提取的筛板脱落智能监测方法。
背景技术
振动筛是一种常见的固体颗粒物料筛分设备,通常用于工业生产中的物料分级。振动筛的基本原理是利用振动力将物料向上抛起,并通过筛网对其进行筛分。与其他筛分设备相比,振动筛具有结构简单、筛分效率高、能耗低等优点,因此广泛用于煤矿、化工、冶金等领域。
振动筛的筛板是由聚氨酯材料制成,具有良好的疏水性和耐磨性。筛板和规座通过凹凸键进行连接,随着振动筛筛分作业的进行,筛板和规座之间的凹凸键会受到磨损。当磨损达到一定程度,会出现筛板松动甚至是脱落故障。若不能及时发现故障,会导致筛板上方的物料进入筛下溜槽和管道,不仅会污染回收的介质,还会导致管路堵塞等生产事故。
目前生产中无任何在线监测装置实现了对这一故障的及时诊断,我国绝大多数选煤厂都采用人工巡检的方法进行检测,这种方法不仅需要消耗大量的人力、物力和时间,而且检测的及时性和准确性也难以得到保证。
王家岭选煤厂采用了螺栓加压板的方案对筛板和规座整体进行了固定,使得整体的固定方式由软连接变成了硬链接,这样可以让筛板脱落的概率大大降低。但是,筛板脱落故障仍然不可避免,且无法对筛板故障进行实时监测。
五里堠煤业使用异物检测箱、检测探板、光电开关、控制器和报警器等组成了筛板脱落监测装置,但其机械结构较为复杂,且监测具有一定的滞后性。
中国专利申请号CN201911186854.2提供了一种基于深度图像的筛板故障智能监测方法,包括如下步骤:步骤1、根据筛板的工位,以及相机自身的内部参数,确定深度相机安装的矩阵排布;步骤2、对原始数据进行维度转换;步骤3、将维度转换后的数据中的无效数据进行处理;步骤4、对无效数据处理后的数据进行伪彩色渲染;步骤5、在深度图像中根据每块筛板的工位,划分出子图像,对每块子图像单独分析、判断工况;步骤6、获取相机捕获图像的信号强度数据,并和正常运行时的信号强度数据进行对比,以此判断筛板上面是否有煤,进一步判断原煤漏斗是否发生堵塞。
上述方法无需人工干预,是一种非介入性的监测方法,不影响正常生产,但是,上述方法通过比较图像中筛板所在区域的深度值与正常深度值进行比较判断是否发生故障,这一方案需要根据使用环境多次调整才能确定正常深度值,同时这一方案也较容易受到环境光线的影响。
针对现有的筛板脱落故障监测存在误判性、滞后性等问题,有必要设计一种筛板脱落智能监测方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于多尺度特征提取的筛板脱落智能监测方法,以实现筛板状态有效监测的同时,提高状态监测的鲁棒性。
本发明的目的可以通过以下技术方案来实现:
本发明提供了一种基于多尺度特征提取的筛板脱落智能监测方法,包括如下步骤:
以目标振动筛的激振器为分界,在两侧分别设置正对筛板的图像捕获设备;
从所述图像捕获设备获取图像信息并进行分割和透视变换处理后,输入预训练好的筛板脱落检测模型中,判断所述目标振动筛的筛板是否脱落,其中,所述的筛板脱落检测模型包括顺次连接的多尺度特征提取网络、多个残差块和卷积块注意力模块。
作为优选的技术方案,所述的预训练好的筛板脱落检测模型的获取包括如下步骤:
获取所述图像捕获设备获取的不同状态不同时间的原始图像并进行分割和透视变换处理,通过数据扩充获取样本集并进行标注;
对所述样本集进行划分并对筛板脱落检测模型进行训练,当准确率和损失函数满足预设条件后,固定并保存模型权重参数,获取所述预训练好的筛板脱落检测模型。
作为优选的技术方案,所述的透视变换处理采用下式实现:
其中,u,v是原始坐标点,[x′,y′,w′]为透视变换处理后的图像坐标点,w为参数,对应变换后的坐标为x=x′/w′,y=y′/w′,变换矩阵中,a11、a12、a21、a22表示线性变换,a31、a32表示平移,a13、a23表示透视变换。
作为优选的技术方案,所述的数据扩充包括如下步骤:
针对分割后的晒斑图片进行旋转、缩放、反转、平移变换中的至少一种变换,或调整图像亮度、对比度、饱和度、色调中的一种,得到新的图像,实现数据扩充。
作为优选的技术方案,对所述样本集进行划分具体为:
将所述样本集划分为训练集、验证集和测试集,所述训练集用于训练模型,所述验证集用于选取超参数,所述测试集用于确定模型泛化能力。
作为优选的技术方案,所述的多尺度特征提取模块包括多个并行设置的分支以及分别与各个分支连接的Concat层,每个分支上设置有至少一个卷积层,且每个分支上卷积层的卷积核大小与其他分支的卷积层的卷积核大小不同。
作为优选的技术方案,针对所述多个残差块中的任一个残差块,均包括多个卷积单元,每个卷积单元包括多个卷积层。
作为优选的技术方案,所述的卷积单元中包括两个相连的卷积层。
作为优选的技术方案,所述的筛板脱落检测模型中,再所述卷积块注意力模块之后,还包括全剧平均池化层和全连接层。
作为优选的技术方案,筛板脱落检测模型中,所述的多尺度特征提取网络和多个残差块之间还连接有最大池化层。
与现有技术相比,本发明具有以下优点:
(1)实现筛板状态有效监测:现有方案通过比较图像中筛板所在区域的深度值与正常深度值进行比较判断是否发生故障,不同于现有方案,本申请通过构建筛板脱落检测模型以监测振动筛的筛板的状态,同时模型中加入了多尺度特征提取和注意力模块对图像信号进行有效提取,从而实现了对筛板的正常和脱落状态的监测。
(2)监测准确度高:针对现有的环境光源容易影响监测结果的问题,在训练筛板脱落检测模型的过程前,通过调整图像亮度、对比度、饱和度、色调对样本集进行了扩充,解决或部分解决了环境光线影响识别结果的问题。
附图说明
图1为实施例中基于多尺度特征提取的筛板脱落智能监测方法的流程图;
图2为筛板脱落检测模型的结构示意图;
图3为训练集和验证集的准确率和损失函数图。
具体实施方式
下面将结合本发明实施例中的附图,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的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例1
如图1所述,本实施例提供了基于多尺度特征提取的筛板脱落智能监测方法以解决现有技术中存在的检测滞后性大,误判性高等问题。主要包括如下步骤:
步骤S1,设置工业相机并采集图像数据;
步骤S2,进行图像分割和数据扩充处理,形成样本;
步骤S3,构建样本集并进行划分;
步骤S4,使用样本集对MFE-CBMA-ResNet进行训练;
步骤S5,保存模型参数,获取训练好的模型。
为了实现上述目的,本发明的构思是:
首先通过工业相机获取振动筛筛板工作运行时的图像,通过工业相机的RJ45接口传到本地控制柜的通信模块中,工控机通过网线从通信模块中实时获取到工业相机采集的图像;然后工控机对图像进行预处理后通过实时监测和故障诊断系统来完成对筛板的在线检测。本发明的关键是基于深度学习的筛板图像故障分类的网络模型设计,包络对原始图像的预处理、对图像的分割方式、多尺度特征提取模块的设计、注意力模块加入的位置、以及网络模型参数的设置等。基于多尺度特征提取的筛板脱落实时监测和故障诊断系统的输出结果将在设计的上位机界面进行动态显示。基于多尺度特征提取的卷积神经网络包括训练、验证和测试三个过程。其中,使用的数据来自平顶山八矿选煤厂的真实样本。卷积神经网络的输入图像尺寸是140×140的彩色三通道图像。
工业相机安装在可能发生筛板脱落的振动筛系统的上方,将相机镜头正对筛面。由于单个工业相机镜头覆盖的范围有限,工业相机安装时需要确定好位置,使得相机镜头覆盖呈现一定的重合区域,这样保证每块筛板都处于实时监测之中。因此,每台振动筛使用两个工业相机进行监测,以激振器为分界线,一个工业相机拍摄振动筛激振器上方的筛板,另一个工业相机拍摄振动筛激振器下方的筛板。调整工业相机的拍摄到的画面大小和比例,使筛板位于镜头正中间。
根据上述构思,本实施例采用如下的技术方案:
基于多尺度特征提取的筛板脱落智能监测方法,用于获得振动筛系统运行过程中筛板的运行工况以及发生筛板脱落的故障定位点。方法包括以下步骤:
步骤1:根据选煤厂车间中的振动筛的高度和筛板位置,确定工业相机的安装位置和安装方法。
步骤2:实现工业相机和工控机之间的通信,并对传输到工控机上的原始图像进行图像扩充和数据分割。
步骤3:对预处理过的数据进行标注形成数据集,并将数据集按比例划分为测试集、验证集和训练集。
步骤4:设计多尺度特征提取模块;设计卷积神经网络。
步骤5:训练基于多尺度特征提取和注意力机制的卷积神经网络,调整网络模型的参数。
步骤6:使用调整好参数的神经网络模型进行测试,并统计其测试结果。
步骤7:将训练好的模型集成到筛板脱落智能检测系统,并将筛板脱落相关的状态信息记录到日志中。
步骤1具体包括以下步骤:
步骤1.1:将工业相机自带的电源适配器剪断,保留与相机相连的接口,并根据工业相机安装位置到中控室的距离连接适当长度的电源线。由于自带的电源适配器输出电压为12V,所以电源线的输入端需要接入12V的直流电源。
步骤1.2:为每一台振动筛安装两个工业相机,工业相机安装在选煤车间的房顶,拍摄位置以振动筛的激振器为分界线。一个工业相机拍摄振动筛上方的筛板,另一台工业相机拍摄振动筛下方的筛板,使得每台振动筛的每块筛板都能被拍摄到。
步骤1.3:用网线分别连接工业相机和本地控制柜中的交换机;工控机通过网线连接交换机,使其能够同时接收到多台工业相机传输过来的筛板图像。
步骤2具体包括以下步骤:
步骤2.1:为每个工业相机分配一个同一局域网下的IP地址。并用工控机上的软件尝试连接工业相机,判断工业相机和工控机之间是否通信成功。
步骤2.2:将工业相机采集回来的数据按照相机的IP地址保存在不同的文件夹中。工业相机拍摄视角为俯视图,所以拍摄的筛面为上窄下宽。将原始图像按照筛板大小进行分割,并使用透视变换算法使得每块筛板大小都为140×140的彩色三通道图像。透视变换的公式为:
其中,u,v是原始坐标点,写成增广向量形式,w=1.对应变换后的坐标为x=x′/w′,y=y′/w′。变换矩阵中,a11、a12、a21、a22表示线性变换,a31、a32表示平移,a13、a23表示透视变换。
步骤2.3:对分割后的筛板图片进行旋转、缩放、翻转、平移等变换,以及对数据图像进行亮度、对比度、饱和度和色调等方面的调整生成一些新的数据样本,扩充训练集的规模。
步骤3包括以下步骤:
步骤3.1:遍历所有筛板图片,将筛板图片根据正常、破损和脱落对其分别标注为1、2、3。
步骤3.2:对标注完的数据集按照8:1:1的比例划分为训练集、验证集和测试集。训练集用来训练模型;验证集用来观察模型训练情况,选择合适的超参数;测试集用来评估模型的泛化能力。
步骤4包括以下步骤:
步骤4.1:多尺度特征提取模块由卷积核1×1、3×3、5×5和7×7的卷积层组成,最后使用Concat层对四个分支的特征图进行通道拼接。为了提高模型的表达能力和收敛速度,多尺度特征提取模块的每个分支的卷积层后都加上BN层和激活函数ReLU。每个卷积层的卷积核的数量均为16,通过Concat层后得到通道数为64的输出特征图。
步骤4.2:设计残差模块Conv2_x。Conv2_x由三个残差模块组成。每个残差模块均由两个卷积层组成。每两个卷积层之间直接通过捷径通道相连接,每个卷积层的卷积核数均为64。
步骤4.3:设计残差模块Conv3_x。Conv3_x由四个残差模块组成。每个残差模块均由两个卷积层组成。
每个卷积层的卷积核数为128。
步骤4.4:设计残差模块Conv4_x。Conv4_x由五个残差模块组成。每个残差模块均由两个卷积层组成。
每个卷积层的卷积核数为256。
步骤4.5:设计残差模块Conv5_x。Conv5_x由三个残差模块组成。每个残差模块均由两个卷积层组成。
每个卷积层的卷积核数为512。
步骤4.6:设计卷积神经网络。将多尺度特征提取模块、最大池化层、Conv2_x、Conv3_x、Conv4_x、Conv5_x、空间注意力机制模块、全局平均池化层、全连接层依次连接组成基于多尺度特征提取的卷积神经网络结构。
步骤5包括以下步骤:
步骤5.1:将测试集数据放入基于多尺度特征提取的卷积神经网络中测试,设置好初始权重参数、每次输入的Batch批大小、训练的次数Epoch、学习率等超参数。
步骤5.2:每训练一次Epoch,就将验证集放入训练过的神经网络中,去选择合适的超参数。
步骤5.3:计算训练集和验证集的准确率和损失函数,如图3所示,其中,(a)为Loss曲线示意图,(b)为Accuracy曲线示意图。
步骤6包括以下步骤:
步骤6.1:将步骤5中训练好的网络模型的权重参数保存为PKL文件。
步骤6.2:将测试集放入训练好的网络模型中,计算测试集的准确率。
步骤7包括以下步骤:
步骤7.1:将训练好的模型集成到筛板脱落实时监测和故障诊断系统中。
步骤7.2:将工业相机实时采集的图像经过步骤2的预处理后,用筛板脱落实时监测和故障诊断系统对筛板的工况进行诊断。
步骤7.3:当系统诊断筛板为脱落状态时,将脱落的筛板信息保存在日志中,并在工控机界面对应筛板监测区域做出警示。
本发明通过构建筛板脱落检测模型以监测振动筛的筛板的状态,同时模型中加入了多尺度特征提取和注意力模块对图像信号进行有效提取,从而实现了对筛板的正常、脱落和破损状态的监测。
实施例2
与实施例1相比,本实施例将多尺度特征提取模块中5×5的卷积核替换为两个3×3的小卷积核级联的方式;将7×7的卷积核替换为3×3、1×5和5×1的卷积核级联。具体如图2所述。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,包括如下步骤:
以目标振动筛的激振器为分界,在两侧分别设置正对筛板的图像捕获设备;
从所述图像捕获设备获取图像信息并进行分割和透视变换处理后,输入预训练好的筛板脱落检测模型中,判断所述目标振动筛的筛板是否脱落,其中,所述的筛板脱落检测模型包括顺次连接的多尺度特征提取网络、多个残差块和卷积块注意力模块。
2.根据权利要求1所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的预训练好的筛板脱落检测模型的获取包括如下步骤:
获取所述图像捕获设备获取的不同状态不同时间的原始图像并进行分割和透视变换处理,通过数据扩充获取样本集并进行标注;
对所述样本集进行划分并对筛板脱落检测模型进行训练,当准确率和损失函数满足预设条件后,固定并保存模型权重参数,获取所述预训练好的筛板脱落检测模型。
3.根据权利要求1或2所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的透视变换处理采用下式实现:
其中,u,v是原始坐标点,[x′,y′,w′]为透视变换处理后的图像坐标点,w为参数,对应变换后的坐标为x=x′/w′,y=y′/w′,变换矩阵中,a11、a12、a21、a22表示线性变换,a31、a32表示平移,a13、a23表示透视变换。
4.根据权利要求2所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的数据扩充包括如下步骤:
针对分割后的晒斑图片进行旋转、缩放、反转、平移变换中的至少一种变换,或调整图像亮度、对比度、饱和度、色调中的一种,得到新的图像,实现数据扩充。
5.根据权利要求2所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,对所述样本集进行划分具体为:
将所述样本集划分为训练集、验证集和测试集,所述训练集用于训练模型,所述验证集用于选取超参数,所述测试集用于确定模型泛化能力。
6.根据权利要求1所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的多尺度特征提取模块包括多个并行设置的分支以及分别与各个分支连接的Concat层,每个分支上设置有至少一个卷积层,且每个分支上卷积层的卷积核大小与其他分支的卷积层的卷积核大小不同。
7.根据权利要求1所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,针对所述多个残差块中的任一个残差块,均包括多个卷积单元,每个卷积单元包括多个卷积层。
8.根据权利要求7所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的卷积单元中包括两个相连的卷积层。
9.根据权利要求1所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,所述的筛板脱落检测模型中,再所述卷积块注意力模块之后,还包括全剧平均池化层和全连接层。
10.根据权利要求1所述的一种基于多尺度特征提取的筛板脱落智能监测方法,其特征在于,筛板脱落检测模型中,所述的多尺度特征提取网络和多个残差块之间还连接有最大池化层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475232.1A CN116503356A (zh) | 2023-04-27 | 2023-04-27 | 一种基于多尺度特征提取的筛板脱落智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310475232.1A CN116503356A (zh) | 2023-04-27 | 2023-04-27 | 一种基于多尺度特征提取的筛板脱落智能监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116503356A true CN116503356A (zh) | 2023-07-28 |
Family
ID=87321243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310475232.1A Pending CN116503356A (zh) | 2023-04-27 | 2023-04-27 | 一种基于多尺度特征提取的筛板脱落智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503356A (zh) |
-
2023
- 2023-04-27 CN CN202310475232.1A patent/CN116503356A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103913468B (zh) | 生产线上大尺寸lcd玻璃基板的多视觉缺陷检测设备及方法 | |
CN108009515B (zh) | 一种基于fcn的无人机航拍图像的输电线定位识别方法 | |
CN109308447A (zh) | 在电力远程监控中自动提取设备运行参数和运行状态的方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN105654121A (zh) | 一种基于深度学习的复杂提花织物缺陷检测方法 | |
CN103984952B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面裂纹故障进行诊断的方法 | |
CN110458794B (zh) | 用于轨道列车的配件质量检测方法及装置 | |
DE112018007754T9 (de) | Informationsverarbeitungsvorrichtung, Informationsverarbeitungssystem, Verfahren und Programm | |
CN111680609B (zh) | 基于图像配准和目标检测的异物识别系统及其方法 | |
Yang et al. | Feature extraction of sewer pipe defects using wavelet transform and co-occurrence matrix | |
CN113128555B (zh) | 一种用于列车闸片部件异常检测的方法 | |
CN103984956B (zh) | 基于机器视觉图像对电力系统风力发电机叶片表面点蚀故障进行诊断的方法 | |
CN113469938A (zh) | 基于嵌入式前端处理服务器的管廊视频分析方法及系统 | |
CN116503356A (zh) | 一种基于多尺度特征提取的筛板脱落智能监测方法 | |
CN114544668B (zh) | 一种cctv管道在线检测系统 | |
CN116824479A (zh) | 用于工厂的智能巡检系统 | |
CN115953731A (zh) | 改进cnn算法模型的智能煤流监控数据分析方法 | |
CN113012113B (zh) | 一种高铁接触网供电设备螺栓松动自动检测方法 | |
Chen et al. | Attention mechanism-based CNN for surface damage detection of wind turbine blades | |
CN112967335A (zh) | 气泡尺寸监测方法及装置 | |
CN113642473A (zh) | 一种基于计算机视觉的矿下煤机状态识别方法 | |
Zhu et al. | Research on recognition algorithm of tunnel leakage based on image processing | |
CN111340802A (zh) | 一种采用人工智能技术进行自动化验布的智能验布机 | |
CN116166966B (zh) | 一种基于多模态数据融合的水质劣化事件检测方法 | |
CN113780224B (zh) | 一种变电站无人化巡视方法及系统 |
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 |