CN117876363A - 一种带式输送机托辊运行状态在线检测方法及系统 - Google Patents
一种带式输送机托辊运行状态在线检测方法及系统 Download PDFInfo
- Publication number
- CN117876363A CN117876363A CN202410269193.4A CN202410269193A CN117876363A CN 117876363 A CN117876363 A CN 117876363A CN 202410269193 A CN202410269193 A CN 202410269193A CN 117876363 A CN117876363 A CN 117876363A
- Authority
- CN
- China
- Prior art keywords
- carrier roller
- image
- running state
- shaft surface
- edge
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000003708 edge detection Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 108010063499 Sigma Factor Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000015110 jellies Nutrition 0.000 description 2
- 239000008274 jelly Substances 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,本发明涉及一种带式输送机托辊运行状态在线检测方法及系统,该方法包括对待测托辊轴面进行标记,并获取不同转速下的托辊轴面图像,提取图像梯度值,并根据托辊轴面图像的图像梯度值调整滤波器的权重,以得到不同参数下的多个图像滤波器;将托辊轴面图像输入多个图像滤波器,以得到不同的参考图像;将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘;根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态。通过本发明的方案,能够提高带式输送机托辊实时运行状态的检测精度和监测工作效率,降低人工成本,在带式输送机出口机型中具有先进性和代表性。
Description
技术领域
本发明一般地涉及图像处理技术领域。更具体地,本发明涉及一种带式输送机托辊运行状态在线检测方法及系统。
背景技术
输送机的正常运行依靠托辊转动,通过托辊与传送带之间的摩擦力带动传送带运输货物。这一运作原理依靠托辊轴承的旋转功能,以及托辊筒皮与传送带之间具备足够的摩擦力。由于托辊自身运行条件恶劣,极易造成轴承和托辊筒皮等部件损坏,导致托辊运动状态异常,从而使得输送机运行受阻,甚至损坏。
对于托辊运行状态的检测,目前所采用的技术手段通常是利用托辊运行过程中的轴向图进行判断。通过托辊轴面上人工标记的残影在图像中扫过范围的边缘夹角大小得到托辊的旋转速度,并将获得的旋转速度与设定速度比较,进而判断托辊的运行状态是否正常。但由于在图像拍摄过程中相机的卷帘曝光而产生的果冻效应以及托辊转速的不均匀,使得人工标记在图像中呈现不规则锯齿状,极大地影响着对于托辊运行状态的判断。
基于此,如何解决目前托辊运行状态判断不准确的问题,是目前提升运输机运行效率的重点。
发明内容
为解决上述一个或多个技术问题,本发明提出通过对滤波器输出结果的融合得到人工标记残影边缘相对平滑的图像,通过两边缘的夹角大小确定托辊的旋转速度,最后通过输送带设定速度与检测出托辊旋转速度的差距判断托辊的运行状态是否正常,有效提升了托辊运行状态判断的准确性,提升了生产效率。为此,本发明在如下的多个方面中提供方案。
在第一方面中,本发明提供了一种带式输送机托辊运行状态在线检测方法包括:对待测托辊轴面进行标记,并获取不同转速下的托辊轴面图像;根据所述托辊轴面图像提取图像梯度值;构建滤波器,并根据所述托辊轴面图像的图像梯度值调整滤波器的权重,以得到不同参数下的多个图像滤波器;将所述托辊轴面图像输入多个图像滤波器,以得到不同的参考图像;将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘;根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态。
在一个实施例中,根据所述托辊轴面图像提取图像梯度值包括:通过Sobel算子得到托辊轴面图像的横向梯度和纵向梯度,所述横向梯度和纵向梯度的计算公式为:
,其中,Rm×n表示灰度值矩阵,rm-1,n-1表示托辊轴面图像中坐标为(m-1,n-1)的像素点的灰度值,Sx表示横向梯度矩阵,Sx,m-1,n为托辊轴面图像中坐标为(m-1,n-1)的像素点的横向梯度值,Sy表示纵向梯度矩阵,Sy,m-1,n-1为托辊轴面图像中坐标为(m-1,n-1)的像素点的纵向梯度值。
在一个实施例中,根据所述托辊轴面图像的图像梯度值调整滤波器的权重包括:设置滤波器的初始状态;计算滤波器中心点的邻侧三个位置处的灰度值均值;确定所述灰度值均值与滤波器中心点对应的灰度值之间的差值;根据所述差值和自定义权重参数确定调整因子,并根据所述调整因子对滤波器的权重进行分配。
在一个实施例中,计算滤波器中心点的邻侧三个位置处的灰度值均值包括:响应于滤波器中心点对应图像位置的横向梯度大于0,计算滤波器中心点的右侧纵向的三个位置处的灰度值均值;响应于滤波器中心点对应图像位置的横向梯度小于0,计算滤波器中心点的左侧纵向的三个位置处的灰度值均值。
在一个实施例中,将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘包括:计算每个参考图像的平滑程度;将每个参考图像的全部灰度值与对应的平滑程度相乘,再将相乘的结果按照位置对应相加,得到参考图像融合后的结果;对融合后的结果进行膨胀操作和腐蚀操作,再进行边缘检测,得到残影边缘;对所述残影边缘进行聚类,以得到边缘的两边对应的夹角,进而得到标记边缘。
在一个实施例中,其中平滑程度的计算公式为:,其中μi为第i条曲线的平滑程度,Si为第i条曲线的曲率折线与坐标轴横轴围成的面积,Ni为第i条曲线的曲率折线与坐标轴横轴的交点数,Di为第i条曲线的局部间断点的数量,d表示调整滤波器的自定义权重参数的数量。
在一个实施例中,对所述残影边缘进行聚类,以得到边缘的两边对应的夹角包括:对残影边缘每一像素点的位置信息进行聚类,得到两类像素点,分别为残影边缘的两边;提取残影边缘的两边的法向量,以计算得到边缘的两边对应的夹角,其中所述夹角的计算公式为:,式中,β表示边缘的两边对应的夹角,λ1和λ2分别表示边缘的两边对应的法向量。
在一个实施例中,根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态包括:根据标记边缘的角度和卷帘曝光时间确定托辊旋转速度;响应于托辊旋转速度与角速度设定值的差距大于阈值,判定托辊运行状态异常。
在第二方面中,本发明还提供了一种带式输送机托辊运行状态在线检测系统,包括:处理器;存储器,其存储有用于带式输送机托辊运行状态在线检测的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如前文一个或多个实施例中所述的带式输送机托辊运行状态在线检测方法。
本发明的有益效果在于:通过对托辊进行标记,并利用更新权重后的滤波器得到多个参考图像,利用图像融合和边缘检测技术确定标记边缘的夹角,通过该夹角确定托辊的旋转速度,从而对托辊的运行状态进行判定,有效提升了托辊运行状态检测的准确性,有效提升了带式输送机的运输质量。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明的带式输送机托辊运行状态在线检测方法的流程图;
图2是应用本发明的方法进行检测的流程示意图;
图3是根据本发明的方法生成的曲率折线图;
图4是像素点横向梯度和纵向梯度求和的示意图;
图5是根据法向量求取两边的夹角的示意图;
图6是本发明的带式输送机托辊运行状态在线检测系统的示意图。
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一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
为了实现托辊的运行状态的准确检测,本方案中利用图像处理技术,使用不同参数下特定的滤波器对获取的托辊轴面图像进行处理,得到多个参考图像,由于使用的滤波器权重是根据图像梯度进行动态调整的,所以得到的参考图像边缘具有不同程度的锯齿效果或反锯齿效果,按照参考图像边缘每一点的曲率得到每个参考图像的权重,对所有参考图像进行加权融合,根据融合后图像的灰度值状况得到优化后的标记残影边缘。根据标记残影边缘的夹角得到托辊的转动速度,通过设定速度与检测出的托辊转动速度的差距判断托辊运行状态是否正常。
下面结合附图来详细描述本发明的具体实施方式。
图1是本发明的带式输送机托辊运行状态在线检测方法100的流程图。
如图1所示,在步骤S101处,获取不同转速下的托辊轴面图像。具体地,可以对待测托辊轴面进行标记,并获取不同转速下的托辊轴面图像。
在步骤S102处,根据托辊轴面图像提取图像梯度值。在一些实施例中,可以通过Sobel算子得到托辊轴面图像的横向梯度和纵向梯度。其中横向梯度和纵向梯度的计算公式为:
。
其中,Rm×n表示灰度值矩阵,rm-1,n-1表示托辊轴面图像中坐标为(m-1,n-1)的像素点的灰度值,Sx表示横向梯度矩阵,Sx,m-1,n为托辊轴面图像中坐标为(m-1,n-1)的像素点的横向梯度值,Sy表示纵向梯度矩阵,Sy,m-1,n-1为托辊轴面图像中坐标为(m-1,n-1)的像素点的纵向梯度值。
在步骤S103处,构建滤波器,调整滤波器的权重。具体地,可以构建滤波器,并根据托辊轴面图像的图像梯度值调整滤波器的权重,以得到不同参数下的多个图像滤波器。在一些实施例中,首先,设置滤波器的初始状态。然后,计算滤波器中心点的邻侧三个位置处的灰度值均值。接着,确定灰度值均值与滤波器中心点对应的灰度值之间的差值。最后,根据差值和自定义权重参数确定调整因子,并根据所述调整因子对滤波器的权重进行分配。
其中,在计算滤波器中心点的邻侧三个位置处的灰度值均值时,响应于滤波器中心点对应图像位置的横向梯度大于0,计算滤波器中心点的右侧纵向的三个位置处的灰度值均值。响应于滤波器中心点对应图像位置的横向梯度小于0,计算滤波器中心点的左侧纵向的三个位置处的灰度值均值。进一步,纵向梯度的计算与上述过程同理,故不再重复说明。
在步骤S104处,图像滤波,获得参考图像。具体地,将托辊轴面图像输入多个图像滤波器,以得到不同的参考图像。
在步骤S105处,获取标记边缘。具体地,将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘。在一些实施例中,可以计算每个参考图像的平滑程度,然后将每个参考图像的全部灰度值与对应的平滑程度相乘,再将相乘的结果按照位置对应相加,得到参考图像融合后的结果。对融合后的结果进行膨胀操作和腐蚀操作,再进行边缘检测,得到残影边缘。对残影边缘进行聚类,以得到边缘的两边对应的夹角,进而得到标记边缘。
其中平滑程度的计算公式为:
。
其中μi为第i条曲线的平滑程度,Si为第i条曲线的曲率折线与坐标轴横轴围成的面积,Ni为第i条曲线的曲率折线与坐标轴横轴的交点数,Di为第i条曲线的局部间断点的数量,d表示调整滤波器的自定义权重参数的数量。
对上述残影边缘进行聚类,以得到边缘的两边对应的夹角时,可以对残影边缘每一像素点的位置信息进行聚类,得到两类像素点,分别为残影边缘的两边。提取残影边缘的两边的法向量,以计算得到边缘的两边对应的夹角,其中夹角的计算公式为:
。
式中,β表示边缘的两边对应的夹角,λ1和λ2分别表示边缘的两边对应的法向量。
在步骤S106处,判断托辊运行状态。具体地,可以根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态。在一些实施例中,根据标记边缘的角度和卷帘曝光时间确定托辊旋转速度。响应于托辊旋转速度与角速度设定值的差距大于阈值,判定托辊运行状态异常。
接下来将结合一个具体的实施例对本发明的方案进行详细说明。
图2是其中应用本发明的方法进行检测的流程示意图。
如图2所示,静止状态下,在托辊轴面做一条与托辊轴面颜色色域相差较大且过轴心的标记线。当托辊转动时,拍摄托辊的轴面图像,该标记线将出现一个转动范围,该转动范围具有一定的夹角。
为了获取该夹角,第一步,需要获取不同转速下托辊的轴向图,通过语义分割获取图像中的托辊区域。具体地,(1)获取输送机不同设定速度下托辊的轴向图,同时为了便于处理,将托辊的轴向图转换为灰度图。(2)通过语义分割得到图像托辊区域,相关步骤为:数据集采用摄像头正对托辊轴向拍摄的图像。标签分为图像托辊区域和背景两类,即图像托辊区域标注为1,背景对应位置的标注为0。网络采用Unet结构,使用交叉熵损失函数。(3)对得到的托辊轴向图,使用训练完成的语义分割模型做处理,将图像中的托辊区域提取出来。
在图像拍摄过程中托辊处于旋转状态,由于相机的卷帘曝光而产生的果冻效应以及托辊转动速度的不均匀,使得标记残影区域边缘存在不同程度的锯齿现象,影响着对于标记移动边缘的识别,进而影响对托辊旋转速度的判断。故根据托辊轴面图像的横向梯度和纵向梯度动态地修改滤波器权重,由于残影边缘具有一定宽度,在经过滤波后残影边缘线会出现线段的中轴深边缘浅的效果,从而获得残影边缘不同于初始图像的参考图像。通过修改参数σ获得多个权重不同的滤波器,从而得到多个参考图像。由于参数σ具有对边缘修正程度的调节作用,且由于滤波器权重是根据图像梯度进行动态调节的,所以滤波器输出的参考图像锯齿程度均小于初始运动图像。
具体过程为:通过Sobel算子得到托辊轴面图像的横向梯度和纵向梯度Sy。根据图像对应区域每个像素点的图像梯度值动态调整滤波器权重,将滤波器作用于图像,得到动态调节后的参考图像。通过使用d个不同参数σ获取2d个参考图像,对参考图像进行加权融合。
具体地,通过Sobel算子得到图像Rm×n的横向梯度Sx和纵向梯度Sy。
。
其中,Rm×n表示灰度值矩阵,rm-1,n-1表示托辊轴面图像中坐标为(m-1,n-1)的像素点的灰度值,Sx表示横向梯度矩阵,Sx,m-1,n为托辊轴面图像中坐标为(m-1,n-1)的像素点的横向梯度值,Sy表示纵向梯度矩阵,Sy,m-1,n-1为托辊轴面图像中坐标为(m-1,n-1)的像素点的纵向梯度值。
根据图像对应区域每个像素点的图像梯度动态调整滤波器权重,将滤波器作用于图像,得到动态调节后的参考图像。
为避免滤波器作用过程中相邻两步的计算结果产生冲突,确定滤波器Kx和Ky是初始状态为3×3,步长为2的邻域算子。
根据托辊轴面图像的横向梯度Sx和纵向梯度Sy动态设置滤波器Kx和Ky的权重。其中Kx和Ky各个位置的权重分别为kx,i,j和ky,i,j。当滤波器在作用于托辊轴面图像的过程中横向移动p个像素点纵向移动q个像素点时,滤波器的中心点对应图像相应位置的灰度值为rp+1,q+1,对应的横向梯度和纵向梯度分别为sx,p+1,q+1和sy,p+1,q+1。根据梯度情况将高灰度值区域的灰度值补充到低灰度值区域,从而达到修补曲线锯齿效果的目的,具体做法为:
当滤波器中心点对应图像位置的横向梯度大于0时,滤波器中心点对应的图像位置(p+1,q+1)像素点右侧的灰度值大于左侧。为了衡量(p+1,q+1)位置的灰度值与其右侧灰度值的差距,将滤波器中心点位置对应图像的位置(p+1,q+1)的右侧及右侧上下两像素灰度值(共rp+2,q+1,rp+2,q+2,rp+2,q三个值)的均值减去滤波器中心点对应图像位置的值rp+1,q+1,得到两者的差值,两者的差越大说明此处越可能是边缘,此时更应该增大滤波器右侧三个位置的权重,将右侧灰度值补充到左侧。
为了应用于设置滤波器权重,再将此差值除以右侧三像素点的均值对该差距进行归一化,再乘以可根据实际情况进行调整差距的自定义权重参数σ,得到第一调整因子δ1,将此第一调整因子δ1作为权重平均分给滤波器右侧三个位置,剩余的权重1-δ1平均分配给剩余位置,在此情况下滤波器的权重如下表1所示:
表1 横向梯度大于0时滤波器的权重
上述,式中,δ1为第一调整因子,σ为自定义权重参数,h p+1,q+1为rp+2,q+1,rp+2,q+2,rp+2,q的均值,rp+1,q+1为滤波器中心点在图像上对应位置的灰度值。
当滤波器中心点对应图像位置的横向梯度小于0时,滤波器中心点对应的图像位置(p+1,q+1)左侧的灰度值大于右侧,为了衡量(p+1,q+1)位置的灰度值与其左侧灰度值的差距,将滤波器中心点位置对应图像的位置(p+1,q+1)的左侧及左侧上下两像素灰度值(共rp,q+1,rp,q+2,rp,q三个值)的均值减去滤波器中心点对应图像位置rp+1,q+1灰度值,得到两者的差值,两者的差越大说明此处越可能是边缘,此时更应该增大滤波器左侧三个值,将左侧灰度值补充到右侧。为了应用于设置滤波器权重,再将此差值除以左侧三像素点的均值对该差距进行归一化,再乘以可根据实际情况进行调整差距的自定义权重参数σ,得到第二调整因子δ2,将此第二调整因子作为权重平均分给左侧三个权重,剩余权重的1-δ2平均分配给剩余位置,在此情况下滤波器的权重如下表2所示:
表2 横向梯度小于0时滤波器的权重
上述,其中δ2为第二调整因子,σ为自定义权重参数,w p+1,q+1为rp,q+1,rp,q+2,rp,q的均值,rp+1,q+1为滤波器中心点在图像上对应位置的灰度值。
在考虑纵向梯度时,原理与上述过程同理。区别仅在于根据滤波器中心点对应图像位置的纵向梯度判断对应调整因子的作用位置,在此不做赘述,例如,当纵向梯度大于0时,滤波器的权重如下表3所示:
表3 纵向梯度大于0滤波器的权重
上述,其中δ3为第三调整因子,/>为自定义权重参数,f p+1,q+1为rp+2,q+2,rp,q+2,rp+1,q+2的均值rp+1,q+1为滤波器中心点在图像上对应位置的灰度值。
当纵向梯度小于0时,滤波器的权重如下表4所示:
表4 纵向梯度小于0滤波器的权重
上述,其中δ4为第四调整因子,σ为自定义权重参数,gp+1,q+1为rp+2,q,rp,q,rp+1,q的均值,rp+1,q+1为滤波器中心点在图像上对应位置的灰度值。
将滤波器Kx和Ky作用于图像Rm×n,得到处理后的结果Qx和Qy。由于滤波器Kx和Ky的权重是根据对应位置的图像梯度sx,p+1,q+1和sy,p+1,q+1动态设置的,处理结果将沿着原图产生不同方向的变化。
通过使用d个不同参数σ获取2d个参考图像,对参考图像进行加权融合。在本实施例中d=3,σ∈[0,1],本领域技术人员可根据实际实施情况进行调整,为了综合判断曲线的锯齿情况及弯曲情况,在这里可以采用以下方法:将上步得到的边缘曲线每一点的曲率ρi,按顺序及正负置于坐标轴横轴的两侧,连接相邻点得到曲线整体的曲率折线图。如图3所示,曲率折线与坐标轴横轴围成的面积越大表示原曲线整体越弯曲,曲率折线与坐标轴横轴的交点数越大说明原曲线锯齿程度越高,即越不平滑,同时由于滤波操作的特殊性原曲线会出现局部不连续现象从而产生局部间断点,局部间断点越多代表该曲线越不连续。使用曲率折线与坐标轴横轴围成的面积、曲率折线与坐标轴横轴的交点数和原曲线局部间断点数综合判断曲线的平滑程度μi,μi越大说明曲线越平滑,则在融合时权重越大,μi的计算方式如下:
。
其中μi为第i条曲线的平滑程度,Si为第i条曲线的曲率折线与坐标轴横轴围成的面积,Ni为第i条曲线的曲率折线与坐标轴横轴的交点数,Di为第i条曲线的局部间断点的数量,d表示调整滤波器的自定义权重参数的数量。
对每个参考图像按照对应平滑程度进行加权融合。将每个参考图像的全部灰度值乘以该图像对应的平滑程度,再将相乘的结果按照位置对应相加,得到参考图像融合后的结果。对融合后的结果先后进行膨胀操作和腐蚀操作,再进行边缘检测,得到相对平滑的残影边缘。
对残影边缘每一像素点按位置信息进行聚类,得到两类像素点,分别为残影边缘的两边。对每一边所有像素点的横向梯度和纵向梯度分别求和,得到每条线的横向梯度和纵向梯度,如图4所示,黑色箭头表示每个像素点对应的横向梯度和纵向梯度。根据向量相加法则,每个像素点对应的横向梯度相加,以及每个像素点对应的纵向梯度相加,得到每条线的法向量λ1和λ2。如图5所示,通过向量法求夹角公式得到两边缘夹角β。该夹角公式为。
通过标记移动范围的两边缘角度大小得到托辊旋转速度θ,通过输送机设定速度计算得到设定速度下托辊的角速度ω与检测出托辊旋转速度θ的差距判断托辊运行状态是否正常。
输送机设定传输速度V,由于输送机设定速度即为托辊的线速度,所以可使用线速度与角速度的转换公式ω=V/r,通过托辊半径r与输送机设定速度V,即可得到输送机设定速度V时托辊的转动速度ω。
通过标记移动范围的夹角β,和卷帘曝光时间t(为形成一张图片的时间,通常为1/60秒),根据角速度公式θ=β/t,得到托辊旋转速度θ。当θ与ω的差距φ(归一化处理后)超过0.2(本领域技术人员可根据实际情况进行调整),说明托辊运行状态异常,当φ在0.2以内则认为托辊运行状态正常,其中。至此,通过在线检测方法检测出输送机压辊的运行状态。
图6是本发明的带式输送机托辊运行状态在线检测系统的示意图。
本发明还提供了一种带式输送机托辊运行状态在线检测系统。如图6所示,所述系统包括处理器和存储器,所述存储器存储有计算机程序指令,当所述计算机程序指令被所述处理器执行时实现根据前文所述的一种带式输送机托辊运行状态在线检测方法。
所述系统还包括通信总线和通信接口等本领域技术人员熟知的其他组件,其设置和功能为本领域中已知,因此在此不再赘述。
在本发明中,前述的存储器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。例如,计算机可读存储介质可以是任何适当的磁存储介质或者磁光存储介质,比如,阻变式存储器RRAM(Resistive RandomAccess Memory)、动态随机存取存储器DRAM(Dynamic Random Access Memory)、静态随机存取存储器SRAM(Static Random-Access Memory)、增强动态随机存取存储器EDRAM(Enhanced Dynamic Random Access Memory)、高带宽内存HBM(High-Bandwidth Memory)、混合存储立方HMC(Hybrid Memory Cube)等等,或者可以用于存储所需信息并且可以由应用程序、模块或两者访问的任何其他介质。任何这样的计算机存储介质可以是设备的一部分或可访问或可连接到设备。本发明描述的任何应用或模块可以使用可以由这样的计算机可读介质存储或以其他方式保持的计算机可读/可执行指令来实现。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (9)
1.一种带式输送机托辊运行状态在线检测方法,其特征在于,包括:
对待测托辊轴面进行标记,并获取不同转速下的托辊轴面图像;
根据所述托辊轴面图像提取图像梯度值;
构建滤波器,并根据所述托辊轴面图像的图像梯度值调整滤波器的权重,以得到不同参数下的多个图像滤波器;
将所述托辊轴面图像输入多个图像滤波器,以得到不同的参考图像;
将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘;
根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态。
2.根据权利要求1所述的带式输送机托辊运行状态在线检测方法,其特征在于,根据所述托辊轴面图像提取图像梯度值包括:
通过Sobel算子得到托辊轴面图像的横向梯度和纵向梯度,所述横向梯度和纵向梯度的计算公式为:
其中,Rm×n表示灰度值矩阵,rm-1,n-1表示托辊轴面图像中坐标为(m-1,n-1)的像素点的灰度值,Sx表示横向梯度矩阵,Sx,m-1,n为托辊轴面图像中坐标为(m-1,n-1)的像素点的横向梯度值,Sy表示纵向梯度矩阵,Sy,m-1,n-1为托辊轴面图像中坐标为(m-1,n-1)的像素点的纵向梯度值。
3.根据权利要求1所述的带式输送机托辊运行状态在线检测方法,其特征在于,根据所述托辊轴面图像的图像梯度值调整滤波器的权重包括:
设置滤波器的初始状态;
计算滤波器中心点的邻侧三个位置处的灰度值均值;
确定所述灰度值均值与滤波器中心点对应的灰度值之间的差值;
根据所述差值和自定义权重参数确定调整因子,并根据所述调整因子对滤波器的权重进行分配。
4.根据权利要求3所述的带式输送机托辊运行状态在线检测方法,其特征在于,计算滤波器中心点的邻侧三个位置处的灰度值均值包括:
响应于滤波器中心点对应图像位置的横向梯度大于0,计算滤波器中心点的右侧纵向的三个位置处的灰度值均值;
响应于滤波器中心点对应图像位置的横向梯度小于0,计算滤波器中心点的左侧纵向的三个位置处的灰度值均值。
5.根据权利要求1所述的带式输送机托辊运行状态在线检测方法,其特征在于,将不同的参考图像进行加权融合和边缘检测,以得到待测托辊轴面上的标记边缘包括:
计算每个参考图像的平滑程度;
将每个参考图像的全部灰度值与对应的平滑程度相乘,再将相乘的结果按照位置对应相加,得到参考图像融合后的结果;
对融合后的结果进行膨胀操作和腐蚀操作,再进行边缘检测,得到残影边缘;
对所述残影边缘进行聚类,以得到边缘的两边对应的夹角,进而得到标记边缘。
6.根据权利要求5所述的带式输送机托辊运行状态在线检测方法,其特征在于,其中平滑程度的计算公式为:
其中μi为第i条曲线的平滑程度,Si为第i条曲线的曲率折线与坐标轴横轴围成的面积,Ni为第i条曲线的曲率折线与坐标轴横轴的交点数,Di为第i条曲线的局部间断点的数量,d表示调整滤波器的自定义权重参数的数量。
7.根据权利要求5所述的带式输送机托辊运行状态在线检测方法,其特征在于,对所述残影边缘进行聚类,以得到边缘的两边对应的夹角包括:
对残影边缘每一像素点的位置信息进行聚类,得到两类像素点,分别为残影边缘的两边;
提取残影边缘的两边的法向量,以计算得到边缘的两边对应的夹角,其中所述夹角的计算公式为:
式中,β表示边缘的两边对应的夹角,λ1和λ2分别表示边缘的两边对应的法向量。
8.根据权利要求1所述的带式输送机托辊运行状态在线检测方法,其特征在于,根据标记边缘对应的角度大小确定托辊旋转速度,并根据角速度设定值判断托辊运行状态包括:
根据标记边缘的角度和卷帘曝光时间确定托辊旋转速度;
响应于托辊旋转速度与角速度设定值的差距大于阈值,判定托辊运行状态异常。
9.一种带式输送机托辊运行状态在线检测系统,其特征在于,包括:
处理器;
存储器,其存储有用于带式输送机托辊运行状态在线检测的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-8任意一项所述的带式输送机托辊运行状态在线检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269193.4A CN117876363B (zh) | 2024-03-11 | 一种带式输送机托辊运行状态在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410269193.4A CN117876363B (zh) | 2024-03-11 | 一种带式输送机托辊运行状态在线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117876363A true CN117876363A (zh) | 2024-04-12 |
CN117876363B CN117876363B (zh) | 2024-06-07 |
Family
ID=
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030168317A1 (en) * | 2002-01-14 | 2003-09-11 | Fromme Christopher C. | Conveyor belt inspection system and method |
CN108007388A (zh) * | 2017-06-30 | 2018-05-08 | 长沙湘计海盾科技有限公司 | 一种基于机器视觉的转盘角度高精度在线测量方法 |
CN111210477A (zh) * | 2019-12-26 | 2020-05-29 | 深圳大学 | 一种运动目标的定位方法及系统 |
CN113870293A (zh) * | 2021-09-27 | 2021-12-31 | 东莞拓斯达技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114509089A (zh) * | 2021-12-31 | 2022-05-17 | 成都弓网科技有限责任公司 | 一种非接触式轨道交通列车速度方向里程检测方法及系统 |
CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
CN115294111A (zh) * | 2022-09-30 | 2022-11-04 | 江苏联耀建筑装备有限公司 | 输送机托辊运行状态检测方法及装置 |
CN117359608A (zh) * | 2022-06-30 | 2024-01-09 | 北京极智嘉科技股份有限公司 | 机器人运动控制法以及装置 |
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030168317A1 (en) * | 2002-01-14 | 2003-09-11 | Fromme Christopher C. | Conveyor belt inspection system and method |
CN108007388A (zh) * | 2017-06-30 | 2018-05-08 | 长沙湘计海盾科技有限公司 | 一种基于机器视觉的转盘角度高精度在线测量方法 |
CN111210477A (zh) * | 2019-12-26 | 2020-05-29 | 深圳大学 | 一种运动目标的定位方法及系统 |
CN113870293A (zh) * | 2021-09-27 | 2021-12-31 | 东莞拓斯达技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
CN114509089A (zh) * | 2021-12-31 | 2022-05-17 | 成都弓网科技有限责任公司 | 一种非接触式轨道交通列车速度方向里程检测方法及系统 |
CN117359608A (zh) * | 2022-06-30 | 2024-01-09 | 北京极智嘉科技股份有限公司 | 机器人运动控制法以及装置 |
CN114972349A (zh) * | 2022-08-01 | 2022-08-30 | 山东西曼克技术有限公司 | 基于图像处理的托辊运行状态检测方法及系统 |
CN115294111A (zh) * | 2022-09-30 | 2022-11-04 | 江苏联耀建筑装备有限公司 | 输送机托辊运行状态检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111583229B (zh) | 一种基于卷积神经网络路面故障检测方法 | |
CN107561738B (zh) | 基于fcn的tft-lcd表面缺陷快速检测方法 | |
CN105160686B (zh) | 一种基于改进sift算子的低空多视角遥感影像匹配方法 | |
CN116309510A (zh) | 数控加工表面缺陷定位方法及装置 | |
CN106600559A (zh) | 模糊核获取以及图像去模糊方法及装置 | |
CN112767359B (zh) | 复杂背景下的钢板角点检测方法及系统 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN115359053A (zh) | 一种金属板材缺陷智能检测方法及系统 | |
CN114926839A (zh) | 基于rpa和ai的图像识别方法及电子设备 | |
CN111539938A (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
CN113077392A (zh) | 一种针对指针表模糊照片的高准确度自动读数方法 | |
Shavetov et al. | Computer vision in control and robotics for educational purposes | |
CN117876363B (zh) | 一种带式输送机托辊运行状态在线检测方法及系统 | |
CN117876363A (zh) | 一种带式输送机托辊运行状态在线检测方法及系统 | |
CN116823677B (zh) | 一种图像增强的方法、装置、存储介质及电子设备 | |
CN111161140A (zh) | 一种畸变图像的矫正方法及装置 | |
CN112435190A (zh) | 一种基于车辆运动与数据增广的运动模糊目标检测方法 | |
CN107734294A (zh) | 监控图像复原系统及方法 | |
CN114372993B (zh) | 一种基于图像矫正的斜拍货架分层检测方法及系统 | |
CN116466104A (zh) | 一种基于lk跟踪和灰度统计特征法的视频测流方法及装置 | |
CN116342519A (zh) | 一种基于机器学习的图像处理方法 | |
CN116051473A (zh) | 焊缝缺陷识别模型建立方法及装置、识别方法及装置 | |
CN116105606A (zh) | 一种钢铁宽厚板长度视觉测量系统和方法 | |
CN107967691A (zh) | 一种视觉里程计算方法和装置 | |
CN107480710A (zh) | 特征点匹配结果处理方法和装置 |
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 |