CN116596870A - 一种传送带疲劳程度检测方法及装置 - Google Patents

一种传送带疲劳程度检测方法及装置 Download PDF

Info

Publication number
CN116596870A
CN116596870A CN202310505463.2A CN202310505463A CN116596870A CN 116596870 A CN116596870 A CN 116596870A CN 202310505463 A CN202310505463 A CN 202310505463A CN 116596870 A CN116596870 A CN 116596870A
Authority
CN
China
Prior art keywords
conveyor belt
image
generating
data set
dataset
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
Application number
CN202310505463.2A
Other languages
English (en)
Inventor
王帅
梁运涛
荆德吉
张桉
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.)
Liaoning Technical University
Original Assignee
Liaoning Technical University
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 Liaoning Technical University filed Critical Liaoning Technical University
Priority to CN202310505463.2A priority Critical patent/CN116596870A/zh
Publication of CN116596870A publication Critical patent/CN116596870A/zh
Pending legal-status Critical Current

Links

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
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20028—Bilateral filtering
    • 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
    • G06T2207/20—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)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Image Processing (AREA)
  • Quality & Reliability (AREA)
  • Nonlinear Science (AREA)

Abstract

本发明实施例提供了一种传送带疲劳程度检测方法及装置，通过获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；依据所述运行图像数据集生成特征向量数据集；依据所述特征向量数据集生成图像的空间连续性特征信息集；依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。通过在激光照明设备处理下经过图像采集设备记录的传送带图像来判断传送带的疲劳状况，从而可以更加方便、快捷的对传送带进行检测。本申请不需要花费复杂的设备进行检测，更加简单、快速的检测传送带的状况，及时发现传送带破损、疲劳的区域。

Description

一种传送带疲劳程度检测方法及装置
技术领域
本发明涉及图像处理技术领域，具体涉及一种传送带疲劳程度检测方法及装置。
背景技术
工程安全问题日益越发重要，作为工程行业中的重要工具之一，传送带的安全性也受到了较为密切关注。皮带输送设备在冶金、煤炭、矿山、水泥等行业的物料运输中起着重要的作用,随着企业生产规模的扩大,大量的物料需借助于皮带输送自动完成。在生产过程中，由于恶劣的工作环境、经常出现混有棱角的矸石、细杆状物等尖锐物体等问题，皮带通常会伴随有划痕,划伤的出现，甚至会发生撕裂这样的严重破损。瞬间撕裂时通常具有以下特点:皮带跑偏,皮带上扎有较大的异物，异物通常为钢片。而缓慢撕裂时会观察到一个撕裂伤口逐渐增大，增长的过程。这个过程可能持续数小时到数周之久。撕裂检测在撕裂初期，受限于场地、成本、设备等因素的限制。
传统的传送带疲劳程度检测大多采用人工检测的方式或者借助于压力感应器等额外设备。
但人工检测的成本高昂，架设困难，容易导致误判，且人工检测花费时间较长，在检测过程中有可能发生破损点漏检、出现安全事故等。此种繁琐的检测方式对效率不高，对恢复生产工作也有很大的影响。
发明内容
鉴于所述问题，提出了本申请以便提供克服所述问题或者至少部分地解决所述问题的一种传送带疲劳程度检测方法及装置，包括：
一种传送带疲劳程度检测方法，所述方法用于通过对目标传送带在激光照明情况下的图像进行分析从而得到目标传送带的疲劳程度，包括：
获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
依据所述运行图像数据集生成特征向量数据集；
依据所述特征向量数据集生成图像的空间连续性特征信息集；
依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
优选地，所述依据所述运行图像数据集生成特征向量数据集的步骤，包括：
依据所述运行图像数据集生成滤波图像数据集；
依据所述滤波图像数据集生成轮廓图像数据集；
依据所述轮廓图像数据集生成兴趣图像数据集；
依据所述兴趣图像数据集生成特征向量数据集。
优选地，所述依据所述运行图像数据集生成滤波图像数据集的步骤，包括：
对所述运行图像数据集进行灰度化处理生成灰度化图像数据集，并依据所述灰度化图像数据集生成开运算图像数据集；
依据所述开运算图像数据集生成滤波图像数据集。
优选地，所述依据所述轮廓图像数据集生成兴趣图像数据集的步骤，包括：
将所述轮廓图像数据集分割为兴趣区域和非兴趣区域，并依据所述兴趣区域和非兴趣区域确定所述兴趣图像数据集。
优选地，所述依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度的步骤，包括：
依据所述空间连续性特征信息集生成所述目标传送带的疲劳状况集；
依据所述目标传送带的疲劳状况集生成所述目标传送带的疲劳程度。
优选地，所述依据所述开运算图像数据集生成滤波图像数据集的步骤，包括：
对所述开运算图像数据集进行二值化处理生成二值化图像数据，并依据所述二值化图像数据进行双边滤波处理生成所述滤波图像数据集。
优选地，所述依据所述兴趣图像数据集生成特征向量数据集的步骤，包括：
对所述兴趣图像数据集中的图像分别进行卷积并池化生成特征向量数据集。
为实现本申请还包括一种传送带疲劳程度检测装置，所述装置，包括：
获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
依据所述运行图像数据集生成特征向量数据集；
依据所述特征向量数据集生成图像的空间连续性特征信息集；
依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
为实现本申请还包括一种电子设备，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如所述的传送带疲劳程度检测方法的步骤。
为实现本申请还包括一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如所述的传送带疲劳程度检测方法的步骤。
本申请具有以下优点：
在本申请的实施例中，通过获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；依据所述运行图像数据集生成特征向量数据集；依据所述特征向量数据集生成图像的空间连续性特征信息集；依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。通过在激光照明设备处理下经过图像采集设备记录的传送带图像来判断传送带的疲劳状况，从而可以更加方便、快捷的对传送带进行检测。本申请不需要花费复杂的设备进行检测，本申请能够更加简单、快速的检测传送带的状况，及时发现传送带破损、疲劳的区域，从而避免了安全事故的发生。本申请提出在传送带运行的过程中进行图像数据记录，检测传送带的疲劳程度需要对整传送带的部位一一检测，本发明可记录并分析记录的图像数据从而能够准确的判断传送带的疲劳状况。
附图说明
为了更清楚地说明本申请的技术方案，下面将对本申请的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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的一种传送带疲劳程度检测方法的步骤流程图；
图2是本申请一实施例提供的经典的LeNet神经网络的七层内容和连接结构示意图；
图3是本申请一实施例提供的一种传送带疲劳程度检测方法的对LeNet改进的步骤流程图；
图4是本申请一实施例提供的一种传送带疲劳程度检测方法的LSTM神经网络单元示意图；
图5是本申请一实施例提供的一种传送带疲劳程度检测方法的无疲劳程度的灰度化图像示意图；
图6是本申请一实施例提供的一种传送带疲劳程度检测方法的有疲劳程度的灰度化图像示意图；
图7是本申请一实施例提供的一种传送带疲劳程度检测方法的无疲劳程度的二值化图像示意图；
图8是本申请一实施例提供的一种传送带疲劳程度检测方法的有疲劳程度的二值化图像示意图；
图9是本申请一实施例提供的一种传送带疲劳程度检测方法的无疲劳程度的滤波图像的示意图；
图10是本申请一实施例提供的一种传送带疲劳程度检测方法的有疲劳程度的滤波图像示意图；
图11是本申请一实施例提供的一种传送带疲劳程度检测方法的无疲劳程度的轮廓图像的示意图；
图12是本申请一实施例提供的一种传送带疲劳程度检测方法的有疲劳程度的轮廓图像示意图；
图13是本申请一实施例提供的一种传送带疲劳程度检测方法的实施例的步骤流程图；
图14是本申请一实施例提供的一种传送带疲劳程度检测方法的整体实施例的步骤流程图；
图15是本申请一实施例提供的一种传送带疲劳程度检测装置的结构框图；
图16是本发明一实施例提供的一种计算机设备的结构示意图。
具体实施方式
为使本申请的所述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
参照图1，示出了本申请一实施例提供的一种传送带疲劳程度检测方法的步骤流程图，具体包括如下步骤：
S110、获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
S120、依据所述运行图像数据集生成特征向量数据集；
S130、依据所述特征向量数据集生成图像的空间连续性特征信息集；
S140、依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
在本申请的实施例中，通过获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；依据所述运行图像数据集生成特征向量数据集；依据所述特征向量数据集生成图像的空间连续性特征信息集；依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。通过在激光照明设备处理下经过图像采集设备记录的传送带图像来判断传送带的疲劳状况，从而可以更加方便、快捷的对传送带进行检测。本申请不需要花费复杂的设备进行检测，本申请能够更加简单、快速的检测传送带的状况，及时发现传送带破损、疲劳的区域，从而避免了安全事故的发生。本申请提出在传送带运行的过程中进行图像数据记录，检测传送带的疲劳程度需要对整传送带的部位一一检测，本发明可记录并分析记录的图像数据从而能够准确的判断传送带的疲劳状况。
下面，将对本示例性实施例中的传送带疲劳程度检测方法作进一步地说明。
如上述步骤S110所述，获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像。
在本发明一实施例中，可以结合下列描述进一步说明步骤S110所述“获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像”的具体过程。
在一具体实施例中，通过分析在激光照明设备处理下经过图像采集设备记录的传送带图像来判断传送带的疲劳状况，从而可以更加方便、快捷的对传送带进行检测。
作为一种示例，通过图像数据采集设备，具体可以为CCD摄像机(Charge-coupledDevice，电荷耦合元件)，得到传送带在多个运行周期内的图像。安装激光照明设备与图像数据采集设备。在不影响图像采集设备安装的情况下，激光照明设备可安装在传送带的任意一段，且照明灯带可正好扫描覆盖传送带；图像采集设备安装在灯带的正上方。再进行图像采集作业。使传送带处于运行状态,开启激光照明设备和图像采集设备，要保证足够的采集时长，至少使目标传送带运行两个工作周期。
在一具体实施例中，工作人员在目标传送带上方任意一段安装一套激光照明设备，图像采集设备的安装需保证该设备可清晰的记录到激光照明设备在传送带上投射出的光带。具体的安装的位置取决于场地的地形。本申请中安装图像采集设备可将拍摄到的视频数据存储在移动硬盘中。使用本申请提出的系统处理视频中提取的图片信息，对传送带运行的图像进行分析，最后得出该传送带的疲劳情况。
在一具体实施例中，将目标传送带转移至适宜的环境。在进行检测前，需要使待测的传送带设备转移至光线较暗的环境下，便于后续的测试工作，在此场地中传送带须保证可正常运转。
作为一种示例，所述图像数据集是数据采集部分，将未运转的传送带放置在摄像机下，打开摄像机并开始录像，此时开启传送带。为了确保传送带每一处细节都能进行录制，让传送带运行两个周期，也就是传送带每一处细节都完整的在摄像头前经过两次。两个周期是最低的标准，但是为了保证网络处理的速度，传送带周期也不要太多，五-六个周期就是极限了。为了能够清晰捕捉传送带的纹理细节，传送带的转速不会很快，这就会导致的视频时长可能会较长。所以视频逐帧切分后的数据量还是很大的，数据量太大网络处理起来就比较慢。
作为一种示例，所述图像数据集为为目标传送带在激光照明情况下两个运行周期的图像；或；所述图像数据集为目标传送带在激光照明情况下三个运行周期的图像；或；所述图像数据集为目标传送带在激光照明情况下四个运行周期的图像；或；所述图像数据集为目标传送带在激光照明情况下五个运行周期的图像；或；所述图像数据集为目标传送带在激光照明情况下六个运行周期的图像；或；所述图像数据集为目标传送带在激光照明情况下七个运行周期的图像。
如上述步骤S120所述依据所述运行图像数据集生成特征向量数据集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述运行图像数据集生成特征向量数据集”的具体过程。
如下列步骤所述，依据所述运行图像数据集生成滤波图像数据集；具体地，对所述运行图像数据集进行灰度化处理生成灰度化图像数据集，并依据所述灰度化图像数据集生成开运算图像数据集；依据所述开运算图像数据集生成滤波图像数据集。
在本发明一实施例中，可以结合下列描述进一步说明步骤“对所述运行图像数据集进行灰度化处理生成灰度化图像数据集”的具体过程。
在一具体实施例中，对图像进行灰度化处理，将彩色图片转换为灰度图，目的在于方便后边的特征识别，灰度化即将彩色图像转化成为灰度图像的过程，彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有255个值可取，一个像素点可以有255*255*255种颜色的变化范围。灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，其一个像素点的变化范围为255种，将彩色图像灰度化处理可以减少后续的图像的计算量变。本发明中使用加权平均法对图像进行灰度化处理。
Gray＝R*0.299+G*0.587+B*0.114
作为一种示例，对采集到图像进行灰度化处理。将彩色图片转换为灰度图，目的在于方便后边的特征识别，具体如图5和图6所示。
在本发明一实施例中，可以结合下列描述进一步说明步骤“依据所述灰度化图像数据集生成开运算图像数据集”的具体过程。
在一具体实施例中，使用开运算对灰度化图像数据进行处理，目的在于减少由于CCD摄像机光传感器受到的温度变化带来的影响。
在本发明一实施例中，可以结合下列描述进一步说明步骤“依据所述开运算图像数据集生成滤波图像数据集”的具体过程。
如下列步骤所述，对所述开运算图像数据集进行二值化处理生成二值化图像数据，并依据所述二值化图像数据进行双边滤波处理生成所述滤波图像数据集，具体如图7和图8所示。
在一具体实施例中，对所述开运算图像数据集进行二值化处理，方便后续进行Hough变换(Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间)操作，并对二值化图像数据使用双边滤波进行降噪处理,减少图片中的干扰成分，具体如图9和图10所示。
在一具体实施例中，对所述开运算图像数据集进行二值化处理，并使用双边滤波进行降噪，方便后续进行霍夫Hough变换操作。
需要说明的是，二值化是将灰度图像转为二值图像的过程，二值图像即为每个像素只有两个可能值的数字图像，将大于某个临界灰度值(阈值)的像素灰度设为灰度极大值，小于这个值的为灰度极小值，从而实现二值化。本发明使用固定阈值T来对图像进行处理，f(x,y)表示在坐标(x,y)处的灰度值，g(x,y)表示经过处理后的灰度值
需要说明的是，双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果，其采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布。g(i,j)代表输出点，S(i,j)的是指以(i,j)为中心的(2N+1)(2N+1)的大小的范围,N为滤波板(核)半径N，f(k,l)代表(多个)输入点,w(i,j,k,l)代表经过两个高斯函数计算出的值
在一具体实施例中，使用霍夫变换Hough变换对灰度图中的内容进行曲线检测，目的在于检测出图像中光带的轮廓，具体如图11和图12所示。
需要说明的是，霍夫变换(Hough Transform)是图像处理中的一种特征提取技术，是通过一种投票算法检测具有特定形状的物体。该过程在一个参数空间中通过计算累计结果的局部最大值得到一个符合该特定形状的集合作为霍夫变换结果。霍夫变换运用两个坐标空间之间的变换将在一个空间中具有相同形状的曲线或直线映射到另一个坐标空间的一个点上形成峰值，从而把检测任意形状的问题转化为统计峰值问题。
如上述步骤S120所述依据所述运行图像数据集生成特征向量数据集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述运行图像数据集生成特征向量数据集”的具体过程。
如下列步骤所述，依据所述滤波图像数据集生成轮廓图像数据集。
在一具体实施例中，使用Hough变换对灰度图中的内容进行曲线检测，目的在于检测出图像中光带的轮廓，即轮廓图像数据集。
如上述步骤S120所述依据所述运行图像数据集生成特征向量数据集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述运行图像数据集生成特征向量数据集”的具体过程。
如下列步骤所述，依据所述轮廓图像数据集生成兴趣图像数据集。具体地，将所述轮廓图像数据集分割为兴趣区域和非兴趣区域，并依据所述兴趣区域和非兴趣区域确定所述兴趣图像数据集。
作为一种示例，所述依据所述兴趣区域和非兴趣区域确定所述兴趣图像数据集的步骤，具体为，将所述非兴趣区域进行删除，保留所述兴趣区域
在一具体实施例中，将通过Hough变换从二值化图像中检测到的光带区域设定为兴趣区域，剪切保留图片中的兴趣区域部分，剪切删除图片中的非兴趣区域部分，目的在于减少计算机的计算负担。
如上述步骤S120所述依据所述运行图像数据集生成特征向量数据集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S120所述“依据所述运行图像数据集生成特征向量数据集”的具体过程。
如下列步骤所述，依据所述兴趣图像数据集生成特征向量数据集。具体地，对所述兴趣图像数据集中的图像分别进行卷积并池化生成特征向量数据集。
在一具体实施例中，将预处理之后的图像输入到LeNet神经网络中进行特征提取，输出特征向量，便于将灰度图像的特征作为一个连续的序列作为LSTM神经网络(LongShort-Term Memory，长短期记忆网络)的输入。
本申请中使用LeNet神经网络完成提取图像特征数据的任务。LeNet卷积神经网络十分高效，一般常用于手写体字符识别，手写体识别的过程也是输入图像数据，因而在本发明中使用LeNet网络依然可以达到很好的识别效果。
需要说明的是，经典的LeNet神经网络的七层内容和连接结构如图2所示。Benet神经网络一共有七层，加上输入，图中展示的内容一共有八层，是因为第一张图片作为输入层input(输入)，在神经网络种输入层input(输出)并不算做神经网络的一部分。七层神经网络对应图片分别为：第一层C1卷积层、第二层S2池化层、第三层C3卷积层、第四层S4池化层(下采样层)、第五层C5卷积层、第六层F6全连接层、第七层输出层。C1、C3、C5卷积层的功能均为提取特征。S2、S4池化层的目的均为降低数据维度、减少数据量、减轻计算负担、提升计算速度。F6全连接层是为了将得到的所有特征图以特征向量的形式连接并储存起来。输出层是将经过神经网络处理后的结果进行分类并输出。的下面将逐一介绍以上七层网络的工作流程。
第一层C1卷积层：输入层输入64×64像素的灰度图片，灰度图片通过6个5×5的卷积核进行卷积操作进行特征提取，提取到六个通道的28×28像素的特征图。
第二层S2池化层：在S2池化层中使用6个2×2大小的采样区域对六个通道的特征图进行池化操作得到14×14像素的特征图。在S2池化层中，池化后的特征数据输入到激活函数中，本申请所使用的激活函数sigmoid(Sigmoid function，Sigmoid函数)。
第三层C3卷积层：在C3卷积层中，使用16个5×5的卷积核对从激活函数sigmoid输出的特征图进行卷积操作，得到16张大小为10×10像素的特征图。
第四层S4池化层：在S4池化层中使用16个大小为2×2的采样区域对16个通道的特征图进行池化操作得到5×5像素的特征图。在S2池化层中，池化后的特征数据输入到激活函数中。S4中每个特征图的大小是C3中特征图大小的1/4。本发明所使用的激活函数sigmoid。
第五层C5卷积层：在C5层中，使用120个5×5的卷积核对S4层中sigmoid的输出特征图进行卷积，得到120个1×1的特征图。将120个1×1的特征向量首尾相相连形成特征向量输入到第六层F6全连接层中。
第六层F6全连接层：F6层有84个节点，每个节点与F5层的全部120个单元之间进行全连接，计算输入的特征向量和权重向量之间的点积运算。
作为一种示例，对所述兴趣图像数据集中的图像分别进行卷积并池化生成特征向量数据集的具体步骤如下：对所述兴趣图像数据进行第一卷积生成第一特征数据；对所述第一特征数据进行第二池化生成第二特征数据；对所述第二特征数据进行第三卷积生成第三特征数据；对所述第三特征数据进行第四池化生成第四特征数据；对所述第四特征数据进行第五卷积生成第五特征数据；对所述第五特征数据进行第六池化生成第六特征数据；对所述第六特征数据进行第七卷积生成第七特征数据。
在一具体实施例中，在本申请中对原有的经典的LeNet(卷积神经网络)进行了一定程度的改进，改进内容及最终结果如下：
第一层C1卷积层：从输入层输入一组32×32大小的数据组(可以理解为一张大小为32×32像素的图片)，数据组通过6个9×9的卷积核进行卷积操作进行特征提取，提取到六个通道的大小为24×24的特征数据。
第二层S2池化层：在S2池化层中使用6个2×2的选择框对六个通道的特征数据进行池化操作得到大小为12×12的特征数据。在S2池化层中，池化后的特征数据输入到激活函数中。本发明所使用的激活函数ReLu(Linear rectification function，线性整流函数)。
第三层C3卷积层：在C3卷积层中，使用16个3×3的卷积核对从激活函数ReLu输出的特征数据进行卷积操作，得到16个10×10的特征数据。
第四层S4池化层：在S4池化层中使用16个2×2的选择框对16个通道的特征数据进行池化操作得到大小为5×5的特征数据。在S4池化层中，池化后的特征数据输入到激活函数中。本发明所使用的激活函数ReLu。
第五层C5卷积层：在C5卷积层中，使用16个2×2的卷积核对从激活函数ReLu输出的特征数据进行卷积操作，得到16个4×4大小的特征数据。
第六层S6池化层：在S4池化层中使用16个2×2的选择框对16个通道的特征数据进行池化操作得到2×2的特征数据。在S6池化层中，池化后的特征数据输入到激活函数中。本发明所使用的激活函数ReLu。
第七层C7卷积层：在C7层中，使用2×2的卷积核对S6层中ReLu的输出特征数据进行卷积，得到的特征数据后将特征向量首尾相相连形成特征向量输入到第六层F6全连接层中。
在一具体实施例中，所述七层神经网络如图3所示。
在一具体实施例中，LSTM即长短期记忆网络它是RNN(Recurrent NeuralNetwork，循环神经网络)的一种变体，传统的RNN网络易产生梯度消失/弥散、梯度爆炸，难处理长距离的依赖问题，使用时存在较大局限性，LSTM能够克服这些缺点，可广泛使用于语音识别、图片识别、自然语言处理等。
LSTM网络可以学习到长序列之间的关系，在本发明中LSTM可以处理上一部分中LeNet网络提取的特征向量。
在LSTM的每个单元中有三种类型的门：遗忘门、输入门和输出门。遗忘门决定上一时刻的单元状态ct-1有多少保留到当前时刻的单元状态ct；输入门决定当前时刻的隐藏状态输入xt和上一时刻的隐藏状态输出ht-1有多少保存到当前时刻的单元状态ct；输出门决定当前时刻的单元状态ct有多少作为当前时刻的隐藏状态输出ht；遗忘门和输入门控制当前时刻t的LSTM单元状态ct
遗忘门的公式如下：
ft＝σ(Wf[ht-1,xt]+bf)
其中，W为权重参数矩阵，b为偏置向量，σ为Sigmoid函数，其值域为(0，1)
输入门的公式如下：
it＝σ(Wi[ht-1,xt]+bi)
at＝tanh(WC[ht-1,xt]+bC)
其中，W为权重参数矩阵，b为偏置向量，tanh为激活函数，其值域为(-1,1)
单元状态公式如下：
其中，为候选单元状态，⊙表示按元素相乘
输出门公式如下：
ot＝σ(Wo[ht-1,xt]+bo)
隐藏状态/最终输出公式为：
ht＝ot⊙tanh(ct)
在一具体实施例中，将预处理之后的图像输入到LeNet神经网络中进行特征提取，输出特征向量，便于将灰度图像的特征作为一个连续的序列作为LSTM神经网络的输入，具体如图4所示。
如上述步骤S130依据所述特征向量数据集生成图像的空间连续性特征信息集。
在本发明一实施例中，可以结合下列描述进一步说明步骤S130所述“依据所述特征向量数据集生成图像的空间连续性特征信息集”的具体过程。
在一具体实施例中，将LeNet神经网络中提取到的特征向量输入到LSTM神经网络中提取特征,继续输出特征向量，提取出图像的空间连续性信息。
如上述步骤S140依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
在本发明一实施例中，可以结合下列描述进一步说明步骤S140所述“依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常”的具体过程。
在一具体实施例中，将LSTM神经网络的输出层中加入两个并列的全连接层，目的在于使两个并列的全连接层分别对LSTM神经网络中输入的特征向量分别进行回归运算，最后分别输出结果，从而得出传送带的疲劳状况。将识别到的出现疲劳状况图像对应建立一个空白文件夹中，并按照时间排序，最终完成整个系统对传送带疲劳状况的检测，并根据检测到的受损情况判断是否要对传送带进行修补或更换等操作。
在一具体实施例中，本实施方案分为三个部分，步骤1～4为前期准备工作部分，步骤5～10为图像预处理部分，步骤11～12为模型训练部分，步骤13～16为图像识别结果部分。以下内容中，除步骤1-3之外的部分均使用Python语言进行编程实现。
步骤1：将被测传送带转移至适宜的环境。在进行检测前，需要使待测的传送带设备转移至光线较暗的环境下，便于后续的测试工作，在此场地中传送带须保证可正常运转。
步骤2：购置激光照明设备与图像数据采集设备。采用的激光照明设备可投射出条形红色激光灯带；图像采集设备为一个CCD高清摄像头。
步骤3：安装激光照明设备与图像数据采集设备。在不影响图像采集设备安装的情况下，激光照明设备可安装在传送带的任意一段，且照明灯带可正好扫描覆盖传送带；图像采集设备安装在灯带的正上方。
步骤4：进行图像采集作业。使传送带处于运行状态,开启激光照明设备和图像采集设备，要保证足够的采集时长，至少使传送带运行两个工作周期。
步骤5：对采集到图像进行灰度化处理。将彩色图片转换为灰度图，目的在于方便后边的特征识别。
步骤6：使用开运算对图像进行处理。目的在于减少由于CCD摄像机光传感器受到的温度变化带来的影响。
步骤7：对步骤6中得到的图像进行二值化处理，方便后续进行Hough变换操作。
步骤8：对二值化后的图像使用双边滤波进行降噪处理,减少图片中的干扰成分。
步骤9：使用Hough变换对灰度图中的内容进行曲线检测，目的在于检测出图像中光带的轮廓。
步骤10：将通过Hough变换从灰度图中检测到的光带区域设定为兴趣区域。
步骤11：剪切保留图片中的兴趣区域部分，剪切删除图片中的非兴趣区域部。目的在于减少计算机的计算负担。
步骤12将预处理之后的图像输入到LeNet神经网络中进行特征提取，输出特征向量，便于将灰度图像的特征作为一个连续的序列作为LSTM神经网络的输入。
步骤13：将LeNet神经网络中提取到的特征向量输入到LSTM神经网络中提取特征,继续输出特征向量，提取出图像的空间连续性信息。
步骤14：将LSTM神经网络的输出层中加入两个并列的全连接层，目的在于使两个并列的全连接层分别对LSTM神经网络中输入的特征向量分别进行回归运算，最后分别输出结果，从而得出传送带的疲劳状况。
步骤15：将识别到的出现疲劳状况图像对应建立一个空白文件夹中，并按照时间排序，最终完成整个系统对传送带疲劳状况的检测，并根据检测到的受损情况判断是否要对传送带进行修补或更换等操作。
在一具体实施例中，传统的传送带疲劳检测方法，一般是将传送带进行人工检测，这就需要安排工作人员对其工作状态仔细检查，若工作中出现疏漏，将对整个工件状况判断出现影响。本发明提出的系统可以直接通过摄像头对工件进行监测，避免了人工操作时可能发生的疏漏。本申请中采取的检测方法对外界环境要求较低，不需要将转送带进行转移至其他地方等操作，大大减轻了准备检测环境的工作负担；激光照明设备的安装较为灵活，可以安装在传送带的任意一段，图像采集设备只需根据激光照明设备的安装进行调整即可，避免整个系统在进行检测时收到厂房内部结构的干扰。本申请本发明中使用的设备——激光照明设备、图像采集设备价格较为低廉、使用简单易于安装操作，极大减小了使用成本和操作的复杂程度。本申请中在图像预处理部分使用了二值化、灰度检测，可减小整个系统运行的工作量，且可增加系统对图像采集数据的识别度。本申请采用了LeNet网络与LSTM网络的结合，利用LeNet网络提取图像的特征作为一个连续的序列输入到LSTM中，达到向模型输入图像数据特征，得出传送带疲劳状况的功能，如图13和图14所示。
对于装置实施例而言，由于其与方法实施例基本相似，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。
参照图15，示出了本申请一实施例提供的一种传送带疲劳程度检测装置，具体包括如下模块，
图像数据模块510：用于获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
特征向量模块520：用于依据所述运行图像数据集生成特征向量数据集；
空间连续性特征模块530：用于依据所述特征向量数据集生成图像的空间连续性特征信息集；
疲劳程度模块540：用于依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
在本发明一实施例中，所述特征向量模块520还包括：
滤波图像数据子模块：用于依据所述运行图像数据集生成滤波图像数据集；
轮廓数据子模块：用于依据所述滤波图像数据集生成轮廓图像数据集；
兴趣图像数据子模块：用于依据所述轮廓图像数据集生成兴趣图像数据集；
特征向量数据子模块：用于依据所述兴趣图像数据集生成特征向量数据集。
在本发明一实施例中，所述滤波图像数据子模块，包括：
开运算图像数据子模块：用于对所述运行图像数据集进行灰度化处理生成灰度化图像数据集，并依据所述灰度化图像数据集生成开运算图像数据集；
滤波图像数据集生成子模块：用于依据所述开运算图像数据集生成滤波图像数据集。
在本发明一实施例中，所述兴趣图像数据子模块，包括：
兴趣图像数据集确定子模块：用于将所述轮廓图像数据集分割为兴趣区域和非兴趣区域，并依据所述兴趣区域和非兴趣区域确定所述兴趣图像数据集。
在本发明一实施例中，所述疲劳程度模块540，包括：
疲劳状况集生成子模块：用于依据所述空间连续性特征信息集生成所述目标传送带的疲劳状况集；
疲劳程度生成子模块：用于依据所述目标传送带的疲劳状况集生成所述目标传送带的疲劳程度。
在本发明一实施例中，所述滤波图像数据集生成子模块，包括：
二值化子模块：用于对所述开运算图像数据集进行二值化处理生成二值化图像数据，并依据所述二值化图像数据进行双边滤波处理生成所述滤波图像数据集。
特征向量子模块：用于对所述兴趣图像数据集中的图像分别进行卷积并池化生成特征向量数据集。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
在本具体实施例与上述具体实施例中有重复的操作步骤，本具体实施例仅做简单描述，其余方案参考上述具体实施例描述即可。
对于装置实施例而言，由于其与方法实施例基本相似，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。
参照图16，示出了本申请的一种传送带疲劳程度检测方法的计算机设备，具体可以包括如下：
上述计算机设备12以通用计算设备的形式表现，计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，内存28，连接不同系统组件(包括内存28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、音视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
内存28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器30和/或高速缓存存储器32。计算机设备12可以进一步包括其他移动/不可移动的、易失性/非易失性计算机体统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(通常称为“硬盘驱动器”)。尽管图16中未示出，可以提供用于对可移动非易失性磁盘(如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其他光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质界面与总线18相连。存储器可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块42，这些程序模块42被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其他程序模块42以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本申请所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24、摄像头等)通信，还可与一个或者多个使得操作人员能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其他计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过I/O接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN))，广域网(WAN)和/或公共网络(例如因特网)通信。如图16所示，网络适配器20通过总线18与计算机设备12的其他模块通信。应当明白，尽管图16中未示出，可以结合计算机设备12使用其他硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元16、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统34等。
处理单元16通过运行存储在内存28中的程序，从而执行各种功能应用以及数据处理，例如实现本申请实施例所提供的一种传送带疲劳程度检测方法。
也即，上述处理单元16执行上述程序时实现：获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；依据所述运行图像数据集生成特征向量数据集；依据所述特征向量数据集生成图像的空间连续性特征信息集；依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
在本申请实施例中，本申请还提供一种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如本申请所有实施例提供的一种传送带疲劳程度检测方法。
也即，给程序被处理器执行时实现：获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；依据所述运行图像数据集生成特征向量数据集；依据所述特征向量数据集生成图像的空间连续性特征信息集；依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言——诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言——诸如“C”语言或类似的程序设计语言。程序代码可以完全地在操作人员计算机上执行、部分地在操作人员计算机上执行、作为一个独立的软件包执行、部分在操作人员计算机上部分在远程计算机上执行或者完全在远程计算机或者服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到操作人员计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。本说明书中的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他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
尽管已描述了本申请实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种传送带疲劳程度检测方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (10)

1.一种传送带疲劳程度检测方法，所述方法用于通过对目标传送带在激光照明情况下的图像进行分析从而得到目标传送带的疲劳程度，其特征在于，包括：
获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
依据所述运行图像数据集生成特征向量数据集；
依据所述特征向量数据集生成图像的空间连续性特征信息集；
依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
2.根据权利要求1所述的传送带疲劳程度检测方法，其特征在于，所述依据所述运行图像数据集生成特征向量数据集的步骤，包括：
依据所述运行图像数据集生成滤波图像数据集；
依据所述滤波图像数据集生成轮廓图像数据集；
依据所述轮廓图像数据集生成兴趣图像数据集；
依据所述兴趣图像数据集生成特征向量数据集。
3.根据权利要求2所述的传送带疲劳程度检测方法，其特征在于，所述依据所述运行图像数据集生成滤波图像数据集的步骤，包括：
对所述运行图像数据集进行灰度化处理生成灰度化图像数据集，并依据所述灰度化图像数据集生成开运算图像数据集；
依据所述开运算图像数据集生成滤波图像数据集。
4.根据权利要求2所述的传送带疲劳程度检测方法，其特征在于，所述依据所述轮廓图像数据集生成兴趣图像数据集的步骤，包括：
将所述轮廓图像数据集分割为兴趣区域和非兴趣区域，并依据所述兴趣区域和非兴趣区域确定所述兴趣图像数据集。
5.根据权利要求1所述的传送带疲劳程度检测方法，其特征在于，所述依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度的步骤，包括：
依据所述空间连续性特征信息集生成所述目标传送带的疲劳状况集；
依据所述目标传送带的疲劳状况集生成所述目标传送带的疲劳程度。
6.根据权利要求3所述的传送带疲劳程度检测方法，其特征在于，所述依据所述开运算图像数据集生成滤波图像数据集的步骤，包括：
对所述开运算图像数据集进行二值化处理生成二值化图像数据，并依据所述二值化图像数据进行双边滤波处理生成所述滤波图像数据集。
7.根据权利要求2所述的传送带疲劳程度检测方法，其特征在于，所述依据所述兴趣图像数据集生成特征向量数据集的步骤，包括：
对所述兴趣图像数据集中的图像分别进行卷积并池化生成特征向量数据集。
8.一种传送带疲劳程度检测装置，所述装置用于通过对目标传送带在激光照明情况下的图像进行分析从而得到目标传送带的疲劳程度，其特征在于，包括：
图像数据模块，用于获取目标传送带的运行图像数据集；其中，所述运行图像数据集为目标传送带在激光照明情况下至少两个运行周期的图像；
特征向量模块，用于依据所述运行图像数据集生成特征向量数据集；
空间连续性特征模块，用于依据所述特征向量数据集生成图像的空间连续性特征信息集；
疲劳程度模块，用于依据所述空间连续性特征信息集生成所述目标传送带的疲劳程度；其中，所述疲劳程度包括更换、修补以及正常。
9.一种电子设备，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的传送带疲劳程度检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的传送带疲劳程度检测方法的步骤。
CN202310505463.2A 2023-05-05 2023-05-05 一种传送带疲劳程度检测方法及装置 Pending CN116596870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310505463.2A CN116596870A (zh) 2023-05-05 2023-05-05 一种传送带疲劳程度检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310505463.2A CN116596870A (zh) 2023-05-05 2023-05-05 一种传送带疲劳程度检测方法及装置

Publications (1)

Publication Number Publication Date
CN116596870A true CN116596870A (zh) 2023-08-15

Family

ID=87607300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310505463.2A Pending CN116596870A (zh) 2023-05-05 2023-05-05 一种传送带疲劳程度检测方法及装置

Country Status (1)

Country Link
CN (1) CN116596870A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060266A1 (en) * 2007-08-31 2009-03-05 University Of Georgia Research Foundation, Inc. Methods and Systems for Analyzing Ratiometric Data
CN109993055A (zh) * 2019-02-21 2019-07-09 北京以萨技术股份有限公司 一种基于神经网络的连续异常图像检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090060266A1 (en) * 2007-08-31 2009-03-05 University Of Georgia Research Foundation, Inc. Methods and Systems for Analyzing Ratiometric Data
CN109993055A (zh) * 2019-02-21 2019-07-09 北京以萨技术股份有限公司 一种基于神经网络的连续异常图像检测方法

Similar Documents

Publication Publication Date Title
CN111080620B (zh) 一种基于深度学习的道路病害检测方法
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN110148130B (zh) 用于检测零件缺陷的方法和装置
CN111444921A (zh) 划痕缺陷检测方法、装置、计算设备和存储介质
CN109753878B (zh) 一种恶劣天气下的成像识别方法及系统
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
US20230014823A1 (en) Defect detection in image space
US20230222643A1 (en) Semantic deep learning and rule optimization for surface corrosion detection and evaluation
CN113989257A (zh) 基于人工智能技术的电力综合管廊沉降裂缝识别方法
CN113469921B (zh) 图像缺陷修复方法、系统、计算机设备及存储介质
CN111126115A (zh) 暴力分拣行为识别方法和装置
Xiang et al. Moving object detection and shadow removing under changing illumination condition
CN112270658A (zh) 一种基于机器视觉的电梯钢丝绳检测方法
CN113379737A (zh) 基于图像处理及深度学习的管道缺陷智能检测方法及应用
CN111723634A (zh) 一种图像检测方法、装置、电子设备及存储介质
CN109993744B (zh) 一种海上逆光环境下的红外目标检测方法
CN115587966A (zh) 一种在光照不均匀条件下零件有无缺漏的检测方法及系统
CN112288726B (zh) 一种井下带式输送机带面异物检测方法
CN116596870A (zh) 一种传送带疲劳程度检测方法及装置
Derevyanchuk et al. Recognition images of broken window glass
CN112801963B (zh) 一种视频图像遮挡检测方法及系统
US11481881B2 (en) Adaptive video subsampling for energy efficient object detection
CN114529906A (zh) 基于字符识别的输电设备数字仪表异常检测方法及系统
KR102199572B1 (ko) 딥러닝 기반의 역방향 사물 검사 방법
CN116778532B (zh) 一种煤矿井下人员目标跟踪方法

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