CN117197131A - 传送带撕裂识别的方法和设备及计算设备 - Google Patents
传送带撕裂识别的方法和设备及计算设备 Download PDFInfo
- Publication number
- CN117197131A CN117197131A CN202311454075.2A CN202311454075A CN117197131A CN 117197131 A CN117197131 A CN 117197131A CN 202311454075 A CN202311454075 A CN 202311454075A CN 117197131 A CN117197131 A CN 117197131A
- Authority
- CN
- China
- Prior art keywords
- conveyor belt
- image
- neural network
- images
- branch
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 238000003384 imaging method Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000001678 irradiating effect Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 12
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种传送带撕裂识别的方法及计算设备,涉及图像处理与生产安全技术领域。所述方法包括:利用激光辅助成像获取连续多帧的图像;将所述连续多帧的图像通过错位叠加到一张图,实现空间上将连续多帧图像压缩到一张图像;利用双分支分类神经网络对图像进行处理,通过处理结果判断传送带是否撕裂。利用本发明的方法可减少因环境干扰导致的图像误识别,提高图像判断准确性,及时发现传送带撕裂情况,避免造成生产经济损失,保障生产安全。
Description
技术领域
本发明涉及图像处理与生产安全技术领域,具体涉及一种传送带撕裂识别的方法和设备及计算设备。
背景技术
随着人工智能技术的发展,图片数据资源正在突飞猛进地增长。图像作为信息传播的核心,蕴含着丰富的信息,基于深度学习的相关技术已开始深入到各行各业,并在一些行业取得了一定的成果,如工业制造领域。
在矿山领域中,传送带输送物料是一个非常关键的环节,传送带发生撕裂会直接影响到正常的生产工作,造成巨大的经济损失。导致传送带撕裂的原因主要是硬物挤压到传送带,传送带承载极限后会被刺穿,传送带继续运转造成刺孔被拉长,整条传送带有可能会在极短时间内被划开。这就需要及时发现传送带的撕裂部位,并防止撕裂部位进一步扩大,最大程度减小生产损失。
发明内容
本发明旨在提供用于撕裂识别的方法和设备及计算设备,及时发现传送带在运输中无预见性的撕裂,保证正常的生产工作,降低经济损失。
根据本发明的一方面,提供一种传送带撕裂识别的方法,其特征在于,包括:利用激光辅助成像获取连续多帧的图像;
将所述连续多帧的图像通过错位叠加到一张图,实现空间上将连续多帧图像压缩到一张图像;
利用双分支分类神经网络对图像进行处理,通过处理结果判断传送带是否撕裂。
根据一些实施例,所述激光辅助成像获取连续多帧的图像,包括:
在传送带上方固定线激光器,通过激光线照射传送带底部辅助成像;
在传送带下方安装工业相机,获取到相机成像数据后分析拍摄到的图像中激光线特征。
根据一些实施例,所述激光辅助成像获取连续多帧的图像,还包括:
将RGB三通道图转单通灰度图得到的灰度图像。
根据一些实施例,所述图像通过错位叠加到一张图,包括:
将n帧图像通过上下错位像素的方式,依次累加到空白图上;
重叠位置的像素直接相加。
根据一些实施例,所述n帧图像中的n为大于3的整数。
根据一些实施例,所述双分支分类神经网络包括第一分支分类神经网络和第二分支分类神经网络,其中:
所述第一分支分类神经网络为质量判断分支,通过成像置信度判断激光线是否受到干扰;
所述第二分支分类神经网络为撕裂判断分支,通过撕裂置信度分析激光线特征是否为撕裂。
根据一些实施例,所述双分支分类神经网络,还包括:
由一个独立卷积层及两个残差块组成的骨干网络,连接至所述第一分支分类神经网络及所述第二分支分类神经网络,所述第一分支分类神经网络及所述第二分支分类神经网络基于残差神经网络。
根据一些实施例,所述传送带撕裂识别,包括:
传送带在运行过程中,沿着所述传送带的纵向方向产生撕裂的识别。
根据本发明的另一方面,提供一种传送带撕裂识别的设备,其特征在于,包括线激光器、工业相机和传送带平台,其中:
所述线激光器向传送带平台上发射激光线;
所述工业相机捕捉传送带平台上的激光线,并分析激光线成像特征。
根据本发明的另一方面,提供一种计算设备,包括处理器,以及存储器,存储有计算机程序,当所述计算机程序被所述处理器执行时,使得所述处理器执行如上任一项所述的方法。
根据本发明的另一方面,提供一种非瞬时性计算机可读存储介质,其上存储有计算机可读指令,当所述指令被处理器执行时,使得所述处理器执行如上任一项所述的方法。
根据本发明的实施例,获取来自工业相机的图像,对所述图像进行图像预处理,通过对叠加图像分类实现对连续多帧视频分类的效果,减少了计算量,缩短了图像处理时间,可节约计算资源。同时,通过将连续多帧视频压缩成单张图像的方式,能够使撕裂特征更加显著且能够提升推理速度,因此是一种比较高效的方法。
此外,通过本发明的方法进行图像预处理,可以将单帧无法识别的单线特征转化成多帧线到面的特征,在得到较为稳定的处理效果的同时也更容易通过深度学习模型识别图像。
根据示例实施例,本发明提出的所述传送带撕裂识别的方法,利用双分支分类网络结构实现了图像质量识别和撕裂判断的两种功能,可以减少因图像质量异常导致的误识别,提升撕裂识别准确率。根据有一些实施例,两个分支可共享骨干网络参数,还能减少计算量,提高图片的处理效率。
本发明提出的传送带撕裂识别的方法,能在短时间内识别到传送带的撕裂情况,减少因传送带发生撕裂造成的生产异常,保障生产安全,避免因传送带撕裂造成的经济损失。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍。
图1示出传送带撕裂识别示意图。
图2示出另一传送带撕裂识别示意图。
图3示出传送带未撕裂的成像示意图。
图4示出传送带撕裂的成像示意图。
图5示出根据示例实施例传送带撕裂识别的方法流程图。
图6示出根据示例实施例连续多帧图像压缩到一张图像的示意图。
图7示出根据示例实施例双分支分类神经网络的组成框图。
图8示出根据本发明示例实施例的计算设备的框图。
具体实施方式
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本发明概念的教示。如本文中所使用,术语“及/或”包括相关联的列出项目中的任一个及一或多者的所有组合。
本发明所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
在矿业生产中,传送带是运送物料中的关键一环,针对传送带的破损及撕裂,采取有效的方法及时发现、精准定位并迅速关停机器可以避免因传送带撕裂造成的生产停工、避免经济损失。为此,本发明提出一种传送带撕裂识别的方法,根据示例实施例,通过线激光器发射激光线,工业相机捕捉传送带平台上的激光线,并分析激光线成像特征,经过图像数据分析对比,可有效判断传送带表面破损情况。根据本发明实施例的传送带撕裂识别的方法能在短时间内识别到传送带的撕裂,并在发现撕裂后及时关停传送带机器,防止撕裂部位进一步扩大。相较于传统的图像处理、通过人工提取图像的特征的方法,大大提升了工作的效率和识别的准确度。
下面结合附图对本发明的示例实施例进行说明。
图1示出传送带撕裂识别示意图。
参见图1,在传送带下方设置工业相机,获取工业相机的成像数据。
通过传统图像处理的方法人工提取图像的特征,识别是否撕裂,直接成像识别难度较大,传送带运行起来会存在运动模糊,并且撕裂处不明显时很难抓拍到有效撕裂成像特征,召回率低。
在所述传统图像的基础上,对获取的图像进一步做图像处理,通过深度学习目标检测、分割等方法自动提取特征,识别是否撕裂。但对整个图像进行目标检测或者语义分割方法计算量大,延时高,很难满足实时性要求。
图2示出另一传送带撕裂识别示意图。
根据一些实施例,在传统图像处理的基础上,增加线激光器,传送带撕裂识别的设备由线激光器和工业相机共同组成。
所述线激光器向传送带平台上发射激光线,所述工业相机捕捉传送带平台上的激光线,并分析激光线成像特征。当传送带底面未发生撕裂时,传送带表面连续,激光线呈一条连续均匀的曲线,如图3所示。当传送带撕裂后,传送带底面产生裂缝,原先连续光滑的投射线在裂开处产生不连续断点或不平滑曲线,如图4所示。
仅通过分析激光线的平滑度或者连续性来判断是否撕裂,只是将传送带撕裂成像端特征不明显问题,转成激光线特征来识别,只适用于成像理想情况。实际使用环境一般比较复杂,激光线的成像特征会受到各种环境因素干扰,例如传送带下方外来物干扰,环境因素也会影响成像效果,如露天条件下,光线、水滴、灰尘干扰等,进而导致大量的误识别,频繁误识别造成的停机也会导致一定的经济损失。
因此,根据本发明实施例,提出一种传送带撕裂识别的方法,针对上述图像识别的方法进行改进,减小误识别,提高生成效率。
图5示出根据示例实施例传送带撕裂识别的方法流程图。
根据示例实施例,提出一种连续帧空间压缩图像预处理方法,对工业相机对采集的传送带激光线图像进行图像处理。
参见图5,在S101,利用激光辅助成像原理获取连续多帧的图像。
根据示例实施例,工业相机的焦距、位置和角度固定,选取合适的位置布置所述工业相机,确保检测角度能使传送带横截面完全覆盖。
根据一些实施例,在传送带上方固定线激光器,通过激光线照射传送带底部辅助成像;在传送带下方安装工业相机,获取到相机成像数据后分析拍摄到的图像中激光线特征。
根据一些实施例,通过线激光器发射的激光线照射在传送带底部辅助成像,利用激光辅助成像原理获取连续多帧的图像。
在S103,将所述连续多帧的图像通过错位叠加到一张图。
根据一些实施例,将连续多帧的图像转为灰度图,去除冗余数据。通过RGB三通道图转单通灰度图,将连续多帧灰度图通过错位叠加到一张图,实现空间上的连续多帧图像压缩到一张图像。
根据一些实施例,将n帧图像通过上下错位像素的方式,依次累加到空白图上,重叠位置的像素直接相加。例如,所述n帧图像中的n为大于3的整数。
在S105,利用双分支分类神经网络对图像进行处理。
根据一些实施例,利用双分支分类神经网络对图像进行处理,所述双分支分类神经网络包括第一分支分类神经网络和第二分支分类神经网络。
所述第一分支分类神经网络为质量判断分支,所述第二分支分类神经网络为撕裂判断分支,利用双分支分类神经网络对图像进行处理,分别通过成像置信度和撕裂置信度分析激光线特性。
根据一些实施例,所述双分支分类神经网络,还包括由一个独立卷积层及两个残差块组成的骨干网络,连接至所述第一分支分类神经网络及所述第二分支分类神经网络。
在S107,通过所述图像处理结果判断传送带是否撕裂。
利用所述双分支分类神经网络对图像进行处理,其中,通过成像置信度判断激光线是否受到干扰、通过撕裂置信度分析激光线特征是否为撕裂。
当成像置信度大于正常成像阈值且撕裂置信度大于撕裂阈值,则输出结果判断传送带撕裂。
根据一些实施例,所述置信度阈值范围是0~1,步长为0.1,默认阈值0.5,可根据识别精度动态调整,阈值越大不越不容易触发,识别精确率越高,召回率低;相反,召回率高,识别精确率低。
根据示例实施例的方法可用于识别传送带在运行过程中沿着所述传送带的纵向方向产生的撕裂。
根据一些实施例,还提供一种传送带撕裂识别的设备,包括线激光器、工业相机和分析设备。所述线激光器向传送带发射激光线,所述工业相机捕捉传送带上的激光线。所述分析设备将所述连续多帧的图像通过错位叠加到一张图,实现空间上将连续多帧图像压缩到一张图像,并利用双分支分类神经网络对图像进行处理,通过处理结果判断传送带是否撕裂。
图6示出根据示例实施例连续多帧图像压缩到一张图像的示意图。
如前所述,将连续多帧RGB三通道图转单通灰度图,根据一些实施例,通过试验测得,所述连续多帧的图像,经实际测试结果比对得出,6帧效果相对比较稳定,最少不应低于4帧,低于4帧的效果相比单帧图像的效果提升较小。
根据一些实施例,叠加方式利用像素累加法实现,经过参数设置的工业相机拍摄的激光线成像是一张黑白图,背景为黑色,背景的像素值在0附近,激光线为白色,激光线的像素值在255附近。
根据示例实施例,假设原图初始图像的长宽尺寸为w*h,将连续6帧图像压缩到一张图像,首先需要生成一张尺寸为w*(h+15*6)的空白图,15为本示例实施例中的错位像素,所述错位像素值可根据实际激光线的弯曲程度调整,将6帧图像上下错位15像素,如图6所示依次累加到空白图上,重叠位置像素可直接相加,连续多帧空间压缩图像预处理完成。
图7示出根据示例实施例双分支分类神经网络的组成框图。
根据一些实施例,双分支分类神经网络包括两个分支分类神经网络。第一分支分类神经网络为质量判断分支,第二分支分类神经网络为撕裂判断分支。
根据另一些实施例,双分支分类神经网络包括骨干网络和两个分支分类神经网络。所述骨干网络后面引出两个分支分类神经网络,其中,第一分支分类神经网络为质量判断分支,第二分支分类神经网络为撕裂判断分支。
根据示例实施例,骨干网络和两个分支分类神经网络可基于残差神经网络,但本发明不限于此。
根据示例实施例,双分支分类神经网络中的骨干网络部分是由网络输入、独立卷积层和两个残差块组成。所述骨干网络中的残差块2通过第一激活函数与第一分支分类神经网络中的残差块3和第二分支分类神经网络中的残差块4相连。
所述第一分支分类神经网络中的残差块3连接相对应的3*3卷积层、全局平均池化和第二激活函数构成质量判断分支;所述第二分支分类神经网络中的残差块4连接相对应的3*3卷积层、全局平均池化和第三激活函数构成撕裂判断分支。其中,所述第一激活函数可为Relu(Rectified Linear Unit)激活函数,所述第二激活函数和第三激活函数可为Softmax激活函数。
根据示例实施例,骨干网络的网络输入图像尺寸为1*128*128,第一分支分类神经网络和第二分支分类神经网络的图像输入尺寸为16*16*32。训练时,所述第一分支分类神经网络和第二分支分类神经网络共享骨干网络的参数,先同步优化大约20轮,之后冻结骨干网络的参数,调优训练第一分支分类神经网络和第二分支分类神经网络参数,分别训练大约80轮。
对所述双分支分类神经网络进行模型训练,首先进行数据收集,在真实环境下部署工业相机及激光设备采集传送带运行图像数据样本,包含成像正常样本及干扰样本用于图像质量分类训练;同时,人工模拟传送带撕裂数据,包含传送带正常运行数据以及传送带人工撕裂后的成像数据用于传送带撕裂识别训练。在数据收集后,进行数据标注,人工对已收集的样本进行分类处理,形成两个属性、四个类别组合样本,分别为图像成像正常、图像成像异常、传送带撕裂、传送带未撕裂。
再对所述双分支分类神经网络进行模型推理,分为撕裂报警(Ⅰ级)、异常预警(Ⅱ级)图像质量异常预警(Ⅲ级)的三级预警。
在实际部署推理运行时,若传送带发生真实撕裂,质量判断分支输出成像置信度未达到预设阈值,撕裂判断分支输出撕裂置信度超出预设阈值后触发撕裂报警(Ⅰ级)。
若激光线受到干扰或者发生真实撕裂,质量判断分支输出成像置信度和撕裂判断分支输出撕裂置信度均超出预设阈值后触发异常预警(Ⅱ级),这种情况可能是激光线受到干扰造成的撕裂误识别,或者发生真实撕裂,同时激光线也受到干扰触发报警。
如果只有质量判断分支输出成像置信度达到预设阈值,则触发图像质量异常预警(Ⅲ级),可能是激光强度异常、镜头遮挡、外界强光干扰等,需要人工介入调节成像质量。
根据示例实施例,本发明提出的所述传送带撕裂识别的方法,通过此方法进行图像预处理,可以将单帧无法识别的单线特征转化成多帧线到面的特征,这样更容易通过深度学习模型识别。
根据示例实施例,本发明提出的图像预处理方法,通过叠加图像分类的方法实现连续多帧视频分类的效果,减少了计算量,缩短了图像处理时间,节约计算资源。
根据示例实施例,本发明提出的一种双分支分类网络结构实现了图像质量识别和撕裂判断的两种功能,可以结合第一分支分类神经网络和第二分支分类神经网络结果,减少因图像质量异常导致误识别,同时第一分支分类神经网络和第二分支分类神经网络共享骨干网络的参数,减少计算量,大大提高图片处理效率。
图8示出根据本发明示例实施例的计算设备的框图。
如图8所示,计算设备30包括处理器12和存储器14。计算设备30还可以包括总线22、网络接口16以及I/O接口18。处理器12、存储器14、网络接口16以及I/O接口18可以通过总线22相互通信。
处理器12可以包括一个或多个通用CPU(Central Processing Unit,处理器)、微处理器、或专用集成电路等,用于执行相关程序指令。根据一些实施例,计算设备30还可包括为处理器12进行加速的高性能显示适配器(GPU)20。
存储器14可以包括易失性存储器形式的机器系统可读介质,例如随机存取存储器(RAM)、只读存储器(ROM)和/或高速缓存存储器。存储器14用于存储包含指令的一个或多个程序以及数据。处理器12可读取存储在存储器14中的指令以执行上述根据本发明实施例的方法。
计算设备30也可以通过网络接口16与一个或者多个网络通信。该网络接口16可以是无线网络接口。
总线22可以为包括地址总线、数据总线、控制总线等。总线22提供了各组件之间交换信息的通路。
需要说明的是,在具体实施过程中,计算设备30还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
本发明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上述方法的步骤。计算机可读存储介质可以包括但不限于任何类型的盘,包括软盘、光盘、DVD、CD-ROM、微型驱动器以及磁光盘、ROM、RAM、EPROM、EEPROM、DRAM、VRAM、闪速存储器设备、磁卡或光卡、纳米系统(包括分子存储器IC)、网络存储设备、云存储设备,或适合于存储指令和/或数据的任何类型的媒介或设备。
本发明实施例还提供一种计算机程序产品,该计算机程序产品包括存储计算机程序的非瞬时性计算机可读存储介质,该计算机程序可操作来使计算机执行如上述方法实施例中记载的任何一种方法的部分或全部步骤。
本领域的技术人员可以清楚地了解到本发明的技术方案可借助软件和/或硬件来实现。本说明书中的“单元”和“模块”是指能够独立完成或与其他部件配合完成特定功能的软件和/或硬件,其中硬件例如可以是现场可编程门阵列、集成电路等。
需要说明的是,对于前述的各方法实施例,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,本发明并不受所描述的动作顺序的限制,因为依据本发明,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,所涉及的动作和模块并不一定是本发明所必须的。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置,可通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些服务接口,装置或单元的间接耦合或通信连接,可以是电性或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储器中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储器中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
以上具体地展示和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附条款的精神和范围内的各种修改和等效设置。
Claims (10)
1.一种传送带撕裂识别的方法,其特征在于,包括:
利用激光辅助成像获取传送带连续多帧的图像;
将所述连续多帧的图像通过错位叠加到一张图,实现空间上将连续多帧图像压缩到一张图像;
利用双分支分类神经网络对图像进行处理,通过处理结果判断传送带是否撕裂。
2.根据权利要求1所述的方法,其特征在于,所述利用激光辅助成像获取连续多帧的图像,包括:
在传送带上方固定线激光器,通过激光线照射传送带底部辅助成像;
在传送带下方安装工业相机,获取到相机成像数据后分析拍摄到的图像中激光线特征。
3.根据权利要求1所述的方法,其特征在于,将所述连续多帧的图像通过错位叠加到一张图,包括:
将连续多帧的图像转为灰度图;
将n帧图像通过上下错位像素的方式,依次累加到空白图上;
重叠位置的像素直接相加。
4.根据权利要求3所述的方法,其特征在于,所述n帧图像中的n为大于3的整数。
5.根据权利要求1所述的方法,其特征在于,所述双分支分类神经网络包括第一分支分类神经网络和第二分支分类神经网络,其中:
所述第一分支分类神经网络为质量判断分支,通过成像置信度判断激光线是否受到干扰;
所述第二分支分类神经网络为撕裂判断分支,通过撕裂置信度分析激光线特征是否为撕裂。
6.根据权利要求5所述的方法,其特征在于,所述双分支分类神经网络还包括:
由一个独立卷积层及两个残差块组成的骨干网络,连接至所述第一分支分类神经网络及所述第二分支分类神经网络,所述第一分支分类神经网络及所述第二分支分类神经网络基于残差神经网络。
7.根据权利要求5所述的方法,其特征在于,通过处理结果判断传送带是否撕裂,包括:
当所述成像置信度大于正常成像阈值且所述撕裂置信度大于撕裂阈值,则判断传送带撕裂。
8.根据权利要求1所述的方法,其特征在于, 所述方法用于识别传送带在运行过程中沿着所述传送带的纵向方向产生的撕裂。
9.一种传送带撕裂识别的设备,其特征在于,包括线激光器、工业相机和分析设备,其中:
所述线激光器向传送带发射激光线;
所述工业相机捕捉传送带上的激光线得到连续多帧的图像;
所述分析设备将所述连续多帧的图像通过错位叠加到一张图,实现空间上将连续多帧图像压缩到一张图像,并利用双分支分类神经网络对图像进行处理,通过处理结果判断传送带是否撕裂。
10.一种计算设备,其特征在于,包括:
处理器;以及
存储器,存储有计算机程序,当所述计算机程序被所述处理器执行时,实现如权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454075.2A CN117197131B (zh) | 2023-11-03 | 2023-11-03 | 传送带撕裂识别的方法和设备及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311454075.2A CN117197131B (zh) | 2023-11-03 | 2023-11-03 | 传送带撕裂识别的方法和设备及计算设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117197131A true CN117197131A (zh) | 2023-12-08 |
CN117197131B CN117197131B (zh) | 2024-03-26 |
Family
ID=88989070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311454075.2A Active CN117197131B (zh) | 2023-11-03 | 2023-11-03 | 传送带撕裂识别的方法和设备及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117197131B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004191774A (ja) * | 2002-12-12 | 2004-07-08 | Ricoh Co Ltd | 両面転写方法、両面転写装置、画像形成方法、及び画像形成装置 |
CN1538249A (zh) * | 2003-02-14 | 2004-10-20 | ������������ʽ���� | 图像调整方法、图像形成装置和存储产品 |
CN110598712A (zh) * | 2019-08-28 | 2019-12-20 | 万维科研有限公司 | 物体位置识别方法、装置、计算机设备及存储介质 |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN114348581A (zh) * | 2022-01-29 | 2022-04-15 | 山东省科学院激光研究所 | 一种皮带撕裂检测方法和系统 |
-
2023
- 2023-11-03 CN CN202311454075.2A patent/CN117197131B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004191774A (ja) * | 2002-12-12 | 2004-07-08 | Ricoh Co Ltd | 両面転写方法、両面転写装置、画像形成方法、及び画像形成装置 |
CN1538249A (zh) * | 2003-02-14 | 2004-10-20 | ������������ʽ���� | 图像调整方法、图像形成装置和存储产品 |
CN110598712A (zh) * | 2019-08-28 | 2019-12-20 | 万维科研有限公司 | 物体位置识别方法、装置、计算机设备及存储介质 |
CN111539360A (zh) * | 2020-04-28 | 2020-08-14 | 重庆紫光华山智安科技有限公司 | 安全带佩戴识别方法、装置及电子设备 |
CN114348581A (zh) * | 2022-01-29 | 2022-04-15 | 山东省科学院激光研究所 | 一种皮带撕裂检测方法和系统 |
Non-Patent Citations (3)
Title |
---|
侯成成: "输送带纵向撕裂视听检测系统研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 01, pages 34 - 35 * |
孙国栋: "有限距离的斜程大气透过率测量研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 08, pages 36 - 37 * |
林俊: "基于计算机视觉的矿用输送带异常情况检测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 05 * |
Also Published As
Publication number | Publication date |
---|---|
CN117197131B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11887064B2 (en) | Deep learning-based system and method for automatically determining degree of damage to each area of vehicle | |
KR20200013148A (ko) | 콘크리트 구조물 결함 분석 서비스 제공 방법, 시스템 및 컴퓨터 프로그램 | |
CN111260629A (zh) | 基于图像处理的受电弓结构异常检测算法 | |
CN113962274B (zh) | 一种异常识别方法、装置、电子设备及存储介质 | |
CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测系统及检测方法 | |
CN109711407B (zh) | 一种车牌识别的方法及相关装置 | |
KR20200004822A (ko) | 디스플레이 스크린 주변 회로 검출 방법, 장치, 전자기기 및 저장매체 | |
CN113139572B (zh) | 一种基于图像的列车空气弹簧的故障检测方法 | |
CN111275679A (zh) | 一种基于图像的太阳能电池缺陷检测系统及方法 | |
CN112364740B (zh) | 一种基于计算机视觉的无人机房监控方法及系统 | |
CN111222478A (zh) | 一种工地安全防护检测方法和系统 | |
CN113469997B (zh) | 平面玻璃的检测方法、装置、设备和介质 | |
CN112061171B (zh) | 一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置 | |
CN110751619A (zh) | 一种绝缘子缺陷检测方法 | |
CN111127448A (zh) | 一种基于孤立森林检测空气弹簧故障的模型及方法 | |
CN115272980A (zh) | 一种基于机器视觉的运输皮带表面检测方法及系统 | |
CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
CN116580357A (zh) | 工人安全头盔实时检测方法、系统、设备及存储介质 | |
CN115829965A (zh) | 一种基于深度学习的x射线图像中气孔缺陷的检测方法 | |
D'Angelo et al. | Deep learning-based object detection for digital inspection in the mining industry | |
CN114627122A (zh) | 一种缺陷检测方法及装置 | |
CN117197131B (zh) | 传送带撕裂识别的方法和设备及计算设备 | |
CN112613560A (zh) | 一种基于Faster R-CNN的铁路动车头罩前开闭破损故障识别方法 | |
CN113553953B (zh) | 车辆抛物检测方法、装置、电子装置及可读存储介质 | |
CN114724091A (zh) | 一种输电线路导线异物识别方法及装置 |
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 |