[发明专利]一种基于YOLOv3的传送带托辊检测方法

说明书

本发明涉及一种基于YOLOv3的传送带托辊检测方法，属于计算机视觉和深度学习领域，通过将YOLOv3的特征提取网络darknet53更换为轻量级特征提取网络Mobilenet，将YOLOv3损失函数中的边框损失和中心损失替换为GIOU损失，构建改进YOLOv3‑Mobilenet的皮带托辊检测模型。在训练集上训练所述模型，在测试集上测试其性能，将性能测试结果和其他模型性能进行比较。本发明提出的目标识别方法泛化能力强，实现了对托辊的有效检测，为后续判别皮带是否脱离轨道及监测运行状态提供了有效保障，减小参数计算量的同时，提高了原YOLOv3目标检测模型的速度及准确度。

技术领域

本发明属于计算机视觉和深度学习领域，特别是涉及一种传送带托辊运行状态的检测方法。

背景技术

托辊是传送带的重要组成部分，主要作用是支撑传送带和物料重量，由于传送带托辊损耗及故障率较高，托辊容易发生形变而造成较大的安全隐患；长期以来，托辊故障依靠人工巡检，工作强度大且漏检严重，无法对其运行状态进行有效监测；因此，实现传送带托辊的智能检测，对后续托辊的故障诊断以及生产线的智能化改造具有重要意义。

目前主流的基于深度学习的目标检测方法主要分为以候选框和以回归方法为基础的两大类方法。基于候选框的方法主要有R-CNN、Fast-RCNN、Faster-RCNN等方法，这类方法虽然检测精度高，但是计算量大，且检测速度慢，无法实时检测目标；基于回归的目标检测方法，主要有SSD和YOLO两大系列方法，SSD算法虽然从不同尺寸提取特征，但没有考虑不同尺寸之间的关系，只是单纯的提取，特征表达能力不强，而YOLOv3采用FPN结构，利用多尺寸特征融合进行预测，可同时预测检测对象的类别和位置，但YOLOv3对小目标检测准确率不高，且训练参数较大，耗费计算资源，在移动端和嵌入式端无法直接使用。

发明内容

为了解决现有技术中的不足，本发明的目的在于提供一种基于改进YOLOv3-mobilenet的传送带托辊运行状态检测方法，所述检测方法能够实现传送带托辊的实时性检测，旨在保证提升托辊检测速度和准确率的同时，尽可能的减小模型参数量，用以加快模型的部署。

为了实现上述目的，本发明采用的具体方案为：

一种基于YOLOv3的传送带托辊检测方法，包括以下步骤：

S1、在不同环境下采集皮带托辊图片，制作初始样本数据集；

S2、对步骤S1得到的初始样本数据集中的图片数据进行预处理及数据增强，得到最终样本数据集；

S3、对步骤S2得到的最终样本数据集进行标注，并划分为训练集、测试集和验证集；

S4、构建YOLOv3-mobilenet目标检测模型；

S5、将步骤S4得到的YOLOv3-mobilenet目标检测模型中的作为定位损失的边框损失和中心点损失改为GIOU损失，得到改进YOLOv3-Mobilenet目标检测模型；

S6、在训练集上训练改进YOLOv3-mobilenet目标检测模型，并在测试集上测试改进YOLOv3-mobilenet算法性能；

S7、将步骤S6得到的改进YOLOv3-mobilenet目标检测模型在测试集上的性能测试结果与YOLOv3-mobilenet、YOLOv3、SSD进行比较，得到性能比较结果；

作为对上述方案的进一步优化，步骤S1具体包括：

S11、通过在皮带两侧不同位置安装摄像头，实时拍摄皮带转动情况下托辊的图片信息，获得托辊视频；

S12、将S11获取到的托辊视频进行分帧处理，提取每一帧的图像，得到不同时间段的托辊图像序列集；