JP7052778B2 - ベルトコンベアのベルト異常監視方法及びベルト異常監視装置 - Google Patents

Description

本発明は、ベルトコンベアのベルト異常監視方法及びベルト異常監視装置に関する。

製鉄プロセスで必要となる主原料の鉄鉱石や石炭は、海外から船で運ばれて原料ヤードに貯蓄され、成分調整された後に、高炉工場、焼結工場、コークス工場等に搬送される。この際、原料の搬送にはベルトコンベアが用いられるが、ベルトコンベアのベルトは、長距離にわたって敷設されており、またその設置場所も高所であることから、人の目が届きづらくその状態を監視しにくい。このような背景から、特許文献１には、ベルトに当接された変位部の変位を検知することによってベルトの異常を推定する技術が提案されている。また、特許文献２には、ベルト面の損傷部位の面積に応じてベルトの損傷レベルを判定する技術が提案されている。

特開２０１７－１９１０３１号公報 特開２０１８－１２２９９５号公報

しかしながら、特許文献１に記載の技術では、変位部を変位させるほどベルトの損傷が大きくならないとベルトの異常を検出できないために、ベルトの初期異常の検出精度に問題がある。また、ベルトが蛇行することによってベルトが変位部と当接していない場合には、ベルトの異常を検出することができない。一方、特許文献２に記載の技術は、ベルト面の損傷部位の面積に応じてベルトの損傷レベルを判定するので、ベルトの幅方向端部に形成された凹凸や切れ目等の損傷部位の状態判定を行うことができない。

本発明は、上記課題に鑑みてなされたものであって、その目的は、ベルトの幅方向端部の状態を精度よく判定してベルトの異常状態を監視可能なベルトコンベアのベルト異常監視方法及びベルト異常監視装置を提供することにある。

本発明に係るベルトコンベアのベルト異常監視方法は、ベルトコンベアのベルトの幅方向端部領域を含む前記ベルトの所定範囲の画像データを取得する取得ステップと、前記画像データを入力、前記画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して、前記取得ステップにおいて取得した画像データを入力することにより、前記取得ステップにおいて取得した画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを判定する判定ステップと、前記取得ステップにおいて画像データが取得されたベルトの位置を特定し、前記判定ステップにおいて判定された劣化レベルの情報を特定されたベルトの位置の情報と共に出力する出力ステップと、を含むことを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記取得ステップ、前記判定ステップ、及び前記出力ステップが、前記ベルトコンベアが稼働している間、繰り返し実行されることを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記出力ステップは、前記画像データが取得されたベルトの位置の情報に基づいて前記劣化レベルをマップ表示するステップを含むことを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記出力ステップは、前記劣化レベルに応じて表示色を変更するステップを含むことを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、学習用の画像データと学習用の画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルのオペレータによる判定値との組を学習用データとして用いて前記劣化レベル判定モデルを機械学習させる学習ステップを含むことを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記劣化レベル判定モデルは、畳み込みニューラルネットワークであることを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記学習用の画像データには、前記ベルトの幅方向端部領域に形成された損傷部位を異なる複数の位置から撮影したベルトの画像データが含まれることを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記学習用の画像データには、前記ベルトの幅方向端部領域に形成された損傷部位の位置を画像処理により変化させたベルトの画像データが含まれることを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法は、上記発明において、前記劣化レベル判定モデルによる劣化レベルの判定値とオペレータによる劣化レベルの判定値とが一致する割合を示す正答率が所定値未満である場合、追加学習用の画像データと追加学習用の画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルのオペレータによる判定値との組を追加学習用データとして用いて前記劣化レベル判定モデルを機械学習させる追加学習ステップを含むことを特徴とする。

本発明に係るベルトコンベアのベルト異常監視装置は、ベルトコンベアのベルトの幅方向端部領域を含む前記ベルトの所定範囲の画像データを取得する取得手段と、前記画像データを入力、前記画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して、前記取得手段が取得した画像データを入力することにより、前記取得手段が取得した画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを判定する判定手段と、前記取得手段が画像データを取得したベルトの位置を特定し、前記判定手段が判定した劣化レベルの情報を特定されたベルトの位置の情報と共に出力する出力手段と、を備えることを特徴とする。

本発明に係るベルトコンベアのベルト異常監視方法及びベルト異常監視装置によれば、ベルトの幅方向端部の状態を精度よく判定してベルトの異常状態を監視できる。

図１は、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成を示す模式図である。 図２は、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成を示すブロック図である。 図３は、本発明の一実施形態である劣化レベル判定処理の流れを示すフローチャートである。 図４は、マップ表示画面の一例を示す図である。 図５は、本発明の一実施形態である学習処理の流れを示すフローチャートである。 図６は、ベルトの幅方向端部領域の劣化レベルの一例を示す図である。 図７は、畳み込みニューラルネットワークの構成例を示す図である。 図８は、本発明の一実施形態である追加学習処理の流れを示すフローチャートである。

以下、図面を参照して、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成及びその動作について説明する。

〔構成〕
まず、図１を参照して、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の監視対象となるベルトコンベアの一構成例について説明する。図１は、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成を示す模式図である。

図１に示すように、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の監視対象となるベルトコンベア１は、電動機１１及び減速機１２を用いてプーリ１３を回転駆動することによってローラー１４に沿って無端状のベルト１５を走行させることにより、原料１６をシュート１７に搬送する装置である。本発明の一実施形態であるベルトコンベアのベルト異常監視装置は、ベルトコンベア１のベルト１５の幅方向端部の劣化レベルを判定してベルト１５の異常状態を監視する。

次に、図１及び図２を参照して、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成について説明する。図２は、本発明の一実施形態であるベルトコンベアのベルト異常監視装置の構成を示すブロック図である。

図１及び図２に示すように、本発明の一実施形態であるベルトコンベアのベルト異常監視装置は、照明装置２、可視カメラ３、画像データ収集装置４、データ蓄積装置５、データ演算装置６、及びデータ表示装置７を備えている。

図１に示すように、照明装置２は、一方向に走行しているベルト１５の幅方向端部を含むベルト１５の表面領域に照明光を均等に照射する。なお、照明装置２を複数配置してもよい。

可視カメラ３は、周知の撮像装置によって構成され、照明光が照射されたベルト１５の表面領域の画像を所定の撮影間隔で撮影することにより、ベルト１５の１周分の画像を撮影する。なお、画像の撮影間隔やベルト１５の長手方向における画像の大きさは、ベルト１５の長手方向に画像の切れ目が生じないように、ベルト１５の速度を考慮して設定されている。また、ベルト１５の１周分の動画を撮影し、ベルト１５の長手方向に沿って動画を分割することにより、ベルト１５の１周分の画像を撮影するようにしてもよい。また、昼間等の光量が十分にある条件下で撮影する場合には照明装置２をオフしてもよい。また、可視カメラ３を複数配置してもよい。また、ベルト１５の幅方向端部領域を明瞭に撮影できるようにベルト１５の画像撮影は夜間に行うことが望ましい。

図２に示すように、画像データ収集装置４は、可視カメラ３が撮影したベルト１５の１周分の画像データをベルト画像データ４１として収集し、収集したベルト画像データ４１をデータ蓄積装置５に格納する。また、画像データ収集装置４は、ベルト１５の画像を撮影した時刻及びそのときのベルト１５の速度のデータをモーター駆動データ４２として取得し、取得したモーター駆動データ４２をデータ蓄積装置５に格納する。

データ蓄積装置５は、周知の不揮発性記憶装置によって構成され、画像データ収集装置４が収集したベルト画像データ４１とモーター駆動データ４２とを関連付けして記憶するデータベース５１を備えている。

データ演算装置６は、プロセッサ、メモリ、ディスプレイ等を備える周知の情報処理装置によって構成され、プロセッサがコンピュータプログラムを実行することにより、ベルト位置計算部６１、ベルト端部画像抽出部６２、ベルト端部画像解析部６３、及びベルト端部状態判定部６４として機能する。これら各部の機能については後述する。

データ表示装置７は、プロセッサ、メモリ、ディスプレイ等を備える周知の情報処理装置によって構成され、プロセッサがコンピュータプログラムを実行することにより、マッピング部７１及びマップ表示部７２として機能する。これら各部の機能については後述する。

〔劣化レベル判定処理〕
このような構成を有する本発明の一実施形態であるベルトコンベアのベルト異常監視装置は、以下に示す劣化レベル判定処理を実行することにより、ベルト１５の幅方向端部の状態を精度よく判定してベルト１５の異常状態を監視する。以下、図３を参照して、本発明の一実施形態である劣化レベル判定処理の流れについて説明する。

図３は、本発明の一実施形態である劣化レベル判定処理の流れを示すフローチャートである。図３に示すフローチャートは、ベルトコンベアのベルト異常監視装置に対して劣化レベル判定処理の実行指令が入力されたタイミングで開始となり、劣化レベル判定処理はステップＳ１の処理に進む。劣化レベル判定処理は、ベルトコンベアのベルト異常監視装置の電源がオン状態である間、所定の制御周期毎に繰り返し実行される。

ステップＳ１の処理では、可視カメラ３が、照明光が照射されたベルト１５の表面領域の１周分の画像を撮影する。なお、ベルト１５が幅方向に振動したとしてもベルト１５の幅方向端部領域の画像が撮影できるように、ベルト１５の幅方向の振動量を考慮して可視カメラ３の視野を設定することが望ましい。また、照明光が照射された画像を撮影することにより、夜間において輝度のばらつきが少ない画像を撮影することができる。そして、画像データ収集装置４が、可視カメラ３が撮影したベルト１５の画像のデータ（ベルト画像データ４１）と、ベルト１５の画像を撮影した時刻及びそのときのベルト１５の速度（モーター駆動データ４２）と、を取得し、取得したベルト画像データ４１とモーター駆動データ４２とを関連付けしてデータ蓄積装置５のデータベース５１内に格納する。これにより、ステップＳ１の処理は完了し、劣化レベル判定処理はステップＳ２の処理に進む。

ステップＳ２の処理では、ベルト位置計算部６１が、データ蓄積装置５のデータベース５１からベルト画像データ４１及びそのベルト画像データに関連付けされているモーター駆動データ４２を読み出す。そして、ベルト位置計算部６１は、モーター駆動データ４２を用いてベルト画像データ４１が示すベルト１５の撮像位置を特定する。具体的には、ベルト位置計算部６１は、ベルト１５に予め設定された基準点が撮影された時刻と処理対象の画像データの撮影時刻との時間差及びベルト１５の速度から画像データが示す位置の基準点からの距離を算出し、算出された距離をベルト１５の撮像位置として特定する。なお、ベルト１５の長手方向に沿って予め目印を付与し、目印の画像に基づいてベルト１５の撮像位置を特定してもよい。これにより、ステップＳ２の処理は完了し、劣化レベル判定処理はステップＳ３の処理に進む。

ステップＳ３の処理では、ベルト端部画像抽出部６２が、ステップＳ２の処理において読み出されたベルト画像データ４１から、ベルト１５の長手方向に沿った全ての幅方向端部領域を含む画像を抽出する。なお、抽出する画像の位置及び大きさは、ベルト１５の幅方向の振動等を考慮して予め設定されているものとする。これにより、ステップＳ３の処理は完了し、劣化レベル判定処理はステップＳ４の処理に進む。

ステップＳ４の処理では、ベルト端部画像抽出部６２が、ステップＳ３の処理において抽出されたベルト１５の幅方向端部領域を含む画像のデータをステップＳ２の処理において特定されたベルト１５の撮像位置のデータと関連付けして保存用のストレージ等に記憶する。これにより、ステップＳ４の処理は完了し、劣化レベル判定処理はステップＳ５の処理に進む。

ステップＳ５の処理では、ベルト端部状態判定部６４が、ベルト１５の幅方向端部領域を含む画像を入力、ベルト１５の幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して、ステップＳ４の処理において記憶したベルト１５の幅方向端部領域を含む画像のデータを入力することにより、ステップＳ１の処理において撮影されたベルト１５の幅方向端部領域の劣化レベルを判定する。これにより、ステップＳ５の処理は完了し、劣化レベル判定処理はステップＳ６の処理に進む。

ステップＳ６の処理では、ベルト端部状態判定部６４が、ステップＳ４の処理において関連付けして記憶されたベルト１５の幅方向端部領域を含む画像のデータとその撮像位置のデータに対して、ステップＳ５の処理において判定された劣化レベルのデータを関連付けさせて保存用のストレージ等に記憶する。これにより、ステップＳ６の処理は完了し、劣化レベル判定処理はステップＳ７の処理に進む。

ステップＳ７の処理では、マッピング部７１が、ステップＳ６の処理において記憶されたデータを用いて、劣化レベルが所定値以上と判定されたベルト１５の全長画像の位置にマークを付与し、マップ表示部７２が、マークが付与されたベルト１５の全長画像を表示する。具体的には、マップ表示部７２は、図４に示すようなマップ表示画面８にベルト１５の全長画像を表示し、劣化レベルが所定値以上と判定されたベルト１５の位置を示すマークＰ１～Ｐ４を全長画像に重畳表示する。なお、正常時は青色、異常時は赤色といったように、劣化レベルに応じてマークＰ１～Ｐ４の表示色を変更してもよい。また、図４に示す例では、マップ表示画面８には、ベルト画像表示ウィンドウ８１がベルト１５の全長画像と共に表示され、マークＰ１～Ｐ４が選択操作されるのに応じて、選択されたマークにおけるベルト１５の画像がベルト画像表示ウィンドウ８１に表示されるようになっている。このステップＳ７の処理によれば、オペレータは、劣化レベルが所定値以上と判定された位置のベルト１５の状態を容易に確認することができるようになる。これにより、ステップＳ７の処理は完了し、一連の劣化レベル判定処理は終了する。

〔学習処理〕
次に、図５を参照して、上記ステップＳ５の処理において用いた劣化レベル判定モデルの学習処理の流れについて説明する。

図５は、本発明の一実施形態である学習処理の流れを示すフローチャートである。図５に示すフローチャートは、データ演算装置６に対して学習処理の実行指令が入力されたタイミングで開始となり、学習処理はステップＳ１１の処理に進む。

ステップＳ１１の処理では、オペレータが、ベルト１５の幅方向端部領域を含む学習用のベルト１５の画像データを選定する。これにより、ステップＳ１１の処理は完了し、学習処理はステップＳ１２の処理に進む。

ステップＳ１２の処理では、オペレータが、ステップＳ１１の処理において選定した画像データにおけるベルト１５の幅方向端部領域の劣化レベルを分類する。本実施形態では、オペレータは、図６に示すような幅方向端部領域の特徴に基づいて幅方向端部領域の劣化レベルを分類する。幅方向端部領域の特徴としては、破損部の面積の割合、破損部の幅方向長さ、破損部の長手方向長さ、破損部先端の破損角度等を例示できる。図６に示す例では、幅方向端部の形状がほぼ直線である場合、劣化レベルとして正常ラベルが付与され、幅方向端部に小さな凹凸がある場合には、劣化レベルとして正常ラベルより危険度が大きいラベル１が付与される。また、幅方向端部に大きな凹凸がある場合、劣化レベルとしてラベル１より危険度が大きいラベル２が付与され、幅方向端部に切れ目がある場合には、劣化レベルとしてラベル２より危険度が大きいラベル３が付与される。これにより、ステップＳ１２の処理は完了し、学習処理はステップＳ１３の処理に進む。

ステップＳ１３の処理では、ベルト端部画像解析部６３が、学習用のベルト１５の画像データとその劣化レベルとの組を学習用データとして、ベルト１５の幅方向端部領域を含む画像を入力、ベルト１５の幅方向端部の劣化レベルを出力とする劣化レベル判定モデルを機械学習させる。機械学習方法は、特に限定されないが、画像認識において有効な、図７に示すような畳み込みニューラルネットワーク（Convolutional Neural Network：CNN）を用いた機械学習方法を用いることが望ましい。図７に示す例では、畳み込みニューラルネットワークは、入力層、畳み込み層、プーリング層、及び全結合層を備えている。但し、畳み込みニューラルネットワークの層数は図７に示す例に限定されることはない。

なお、各劣化レベルの画像データの数が同じ程度になるように、画像データ数が少ない劣化レベルについては、画像データに対して左右反転処理、上下反転処理、回転処理、鏡面処理等の画像処理を施して損傷部位の位置を変化させて画像データの数を増やしておくことが望ましい。また、画像中におけるベルト１５の劣化位置がある程度の分布を有するように、同じ劣化位置をずらして撮影した複数の画像を用意することが望ましい。これにより、ステップＳ１３の処理は完了し、学習処理はステップＳ１４の処理に進む。

ステップＳ１４の処理では、ベルト端部画像解析部６３が、ステップＳ１３の処理において機械学習した学習済の劣化レベル判定モデルを出力する。これにより、ステップＳ１４の処理は完了し、一連の学習処理は終了する。

〔追加学習処理〕
次に、図８を参照して、上記の学習処理において生成された学習済の劣化レベル判定モデルを追加学習させる追加学習処理の流れについて説明する。なお、ベルトコンベア１の基盤が変更された場合やベルト１５によって搬送される原料１６が変更された場合には、新たに収集されたベルト画像データ及びモーター駆動データを用いて新たな劣化レベル判定モデルを生成する再学習処理を行うことが望ましい。

図８は、本発明の一実施形態である追加学習処理の流れを示すフローチャートである。図８に示すフローチャートは、データ演算装置６に対して追加学習処理の実行指令が入力されたタイミングで開始となり、追加学習処理はステップＳ２１の処理に進む。

ステップＳ２１の処理では、ベルト端部画像解析部６３が、劣化レベル判定処理において保存用のストレージ等に記憶された画像データの中から任意の画像データを評価用画像データとして劣化レベル毎に抽出する。これにより、ステップＳ２１の処理は完了し、追加学習処理はステップＳ２２の処理に進む。

ステップＳ２２の処理では、オペレータが、評価用画像データ内に撮影されている幅方向端部領域の劣化レベルを判定する。これにより、ステップＳ２２の処理は完了し、追加学習処理はステップＳ２３の処理に進む。

ステップＳ２３の処理では、ベルト端部画像解析部６３が、保存用のストレージ等に記憶されている評価用画像データの劣化レベルとステップＳ２２の処理においてオペレータが判定した劣化レベルとが一致している割合を正答率として算出する。そして、ベルト端部画像解析部６３は、算出された正答率が所定の評価値以上であるか否かを判別する。判別の結果、正答率が所定の評価率以上である場合（ステップＳ２３：Ｙｅｓ）、ベルト端部画像解析部６３は、劣化レベル判定モデルの判定精度は高いと判断し、一連の追加学習処理を終了する。一方、正答率が所定の評価率未満である場合には（ステップＳ２３：Ｎｏ）、ベルト端部画像解析部６３は、劣化レベル判定モデルの判定精度は低いと判断し、追加学習処理をステップＳ２４の処理に進める。

ステップＳ２４の処理では、ベルト端部画像解析部６３が、追加学習用のベルト１５の画像データとその劣化レベルとの組を追加学習用データとして劣化レベル判定モデルを追加学習させることにより、劣化レベル判定モデルを更新する。これにより、ステップＳ２４の処理は完了し、一連の追加学習処理は終了する。

以上の説明から明らかなように、本発明の一実施形態であるベルトコンベアのベルト異常監視装置は、ベルトコンベア１のベルト１５の幅方向端部領域を含むベルト１５の所定範囲の画像データを取得し、画像データを入力、画像データに含まれるベルト１５の幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して取得した画像データを入力することにより、取得した画像データに含まれるベルト１５の幅方向端部領域の劣化レベルを判定し、画像データが取得されたベルトの位置を特定し、判定された劣化レベルの情報を特定されたベルトの位置の情報と共に出力する。

このような構成によれば、ベルト１５の幅方向端部の状態を精度よく判定してベルト１５の異常状態を監視することができる。また、適切な周期でベルトコンベア１の保全アクションをとることにより、ベルトコンベア１の取り換え周期を最大化してコストを削減することができる。さらに、ベルト１５の破断による設備停止状態を回避することによって、次工程の生産性を向上させることができる。

以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１ ベルトコンベア
２ 照明装置
３ 可視カメラ
４ 画像データ収集装置
５ データ蓄積装置
６ データ演算装置
７ データ表示装置
１１ 電動機
１２ 減速機
１３ プーリ
１４ ローラー
１５ ベルト
１６ 原料
１７ シュート
４１ ベルト画像データ
４２ モーター駆動データ
５１ データベース
６１ ベルト位置計算部
６２ ベルト端部画像抽出部
６３ ベルト端部画像解析部
６４ ベルト端部状態判定部
７１ マッピング部
７２ マップ表示部

Claims (10)

1. ベルトコンベアのベルトの幅方向端部領域を含む前記ベルトの所定範囲の画像データを取得する取得ステップと、
   前記画像データを入力、前記画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して、前記取得ステップにおいて取得した画像データを入力することにより、前記取得ステップにおいて取得した画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを判定する判定ステップと、
   前記取得ステップにおいて画像データが取得されたベルトの位置を特定し、前記判定ステップにおいて判定された劣化レベルの情報を特定されたベルトの位置の情報と共に出力する出力ステップと、
   を含むことを特徴とするベルトコンベアのベルト異常監視方法。
2. 前記取得ステップ、前記判定ステップ、及び前記出力ステップが、前記ベルトコンベアが稼働している間、繰り返し実行されることを特徴とする請求項１に記載のベルトコンベアのベルト異常監視方法。
3. 前記出力ステップは、前記画像データが取得されたベルトの位置の情報に基づいて前記劣化レベルをマップ表示するステップを含むことを特徴とする請求項１又は２に記載のベルトコンベアのベルト異常監視方法。
4. 前記出力ステップは、前記劣化レベルに応じて表示色を変更するステップを含むことを特徴とする請求項３に記載のベルトコンベアのベルト異常監視方法。
5. 学習用の画像データと学習用の画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルのオペレータによる判定値との組を学習用データとして用いて前記劣化レベル判定モデルを機械学習させる学習ステップを含むことを特徴とする請求項１～４のうち、いずれか１項に記載のベルトコンベアのベルト異常監視方法。
6. 前記劣化レベル判定モデルは、畳み込みニューラルネットワークであることを特徴とする請求項５に記載のベルトコンベアのベルト異常監視方法。
7. 前記学習用の画像データには、前記ベルトの幅方向端部領域に形成された損傷部位を異なる複数の位置から撮影したベルトの画像データが含まれることを特徴とする請求項５又は６に記載のベルトコンベアのベルト異常監視方法。
8. 前記学習用の画像データには、前記ベルトの幅方向端部領域に形成された損傷部位の位置を画像処理により変化させたベルトの画像データが含まれることを特徴とする請求項５～７のうち、いずれか１項に記載のベルトコンベアのベルト異常監視方法。
9. 前記劣化レベル判定モデルによる劣化レベルの判定値とオペレータによる劣化レベルの判定値とが一致する割合を示す正答率が所定値未満である場合、追加学習用の画像データと追加学習用の画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルのオペレータによる判定値との組を追加学習用データとして用いて前記劣化レベル判定モデルを機械学習させる追加学習ステップを含むことを特徴とする請求項１～８のうち、いずれか１項に記載のベルトコンベアのベルト異常監視方法。
10. ベルトコンベアのベルトの幅方向端部領域を含む前記ベルトの所定範囲の画像データを取得する取得手段と、
    前記画像データを入力、前記画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを出力とする学習済の劣化レベル判定モデルに対して、前記取得手段が取得した画像データを入力することにより、前記取得手段が取得した画像データに含まれる前記ベルトの幅方向端部領域の劣化レベルを判定する判定手段と、
    前記取得手段が画像データを取得したベルトの位置を特定し、前記判定手段が判定した劣化レベルの情報を特定されたベルトの位置の情報と共に出力する出力手段と、
    を備えることを特徴とするベルトコンベアのベルト異常監視装置。

Images