[发明专利]一种基于机器视觉的带式输送机输送带防撕裂方法及装置

说明书

本发明属于机器视觉领域，尤其涉及一种带式输送机输送带防撕裂的方法及装置。通过两路视频图像分别检测输送带输送过程中的划痕和破裂、散落异物，并引入机器学习决策树算法对上述划痕和破裂检测结果、散落异物检测结果进行传送机输送带防撕裂的实时检测和预警，及时输出输送带的缺陷检测结果并使输送机及时停机，从而防止输送带更严重的撕裂，大大降低了经济损失。同时，分别对语义分割算法模型和yolov4‑tiny网络模型进行了改进，有效提高了模型训练和图像检测的准确性，从而提高了输送带防撕裂的检测和预警的准确性。

技术领域

本发明属于机器视觉领域，尤其涉及一种带式输送机输送带防撕裂的方法及装置。

背景技术

大型带式输送机，多用于煤矿，钢厂、码头，带式输送机是工业生产传送运输的重要设备，在输送物料的过程中，因为输送距离远，物料杂质、落料耐磨衬板脱落等因素都能造成输送带撕裂，由于运行距离长，监护人员不能及时发现，输送带的损失较大，导致重大的事故。因此，带式输送机安全防护研究要解决的首要问题便是异物检测和输送带裂痕的检测，如能早期检测出导致输送带撕裂的异物，并作出响应，就能在很大程度上减小输送带撕裂对矿业生产过程的影响。

近年，对带式输送机输送带防撕裂的研究，取得了许多成果。专利文献1(CN211768501U)，公开了一种使用在输送带机上的防输送带撕裂装置，该装置包括支撑装置、物料接触部件、感应接近开关以及辅助感应部件，当输送带机的输送带出现撕裂故障时，该装置发出故障警报并使输送带机停止运行。专利文献2(CN112070117A)，提出了一种输送带撕裂检测方法，该方法包括：获取若干个撕裂输送带图像和若干个正常输送带图像；对获取的撕裂输送带图像和正常输送带图像进行预处理，得到清晰的撕裂输送带图像和正常输送带图像后，将所述清晰的撕裂输送带图像作为正样本，将所述清晰的正常输送带图像作为负样本；提取出所述正样本和所述负样本中的各个图像的哈尔特征，并根据所述哈尔特征构建出若干个弱分类器；将若干个所述弱分类器进行迭代组合，得到若干个强分类器后，将若干个强分类器进行组合得到级联分类器；采用所述级联分类器对实时采集的输送带图像进行识别，以检测出输送带是否发生纵向撕裂。专利文献3(CN111289529A)，提出了一种基于AI智能分析的输送输送带撕裂检测系统及检测方法，该系统包括补光灯、AI传感器、AI智能分析终端、网络交换机、后台数据操作终端、联动输出控制装置、报警设备和停机保护装置，该检测方法通过离线训练学习形成输送带撕裂特征码，部署到AI智能分析终端，AI智能分析终端实时采集AI传感器的视频图像，采用神经网络学习方法，准确判断输送带裂缝的长度及宽度，当输送带出现撕裂时，能够在最快的时间内输出停机保护信号和报警信号，并根据输送带撕裂检测结果，去控制联动输出控制装置，输出报警信号和停机保护信号，实现远程实时保护和监测输送输送带状态。专利文献4(CN111947927A)，提出了一种基于色度理论的滚动轴承故障检测方法，该方法根据采集到的轴承振动信息，采用色度算法计算轴承的类RGB特征，并采用支持向量数据描述算法SVDD进行分类，实现故障检测。专利文献5(CN111947927A)，提出了一种基于卷积多头自注意力机制的轴承故障检测方法，该方法首先采集故障轴承振动信号，对采集的故障轴承振动信号进行预处理，生成轴承故障数据集；然后构建卷积多头自注意力机制网络并训练，得到轴承故障检测结果。

但是，专利文献1中公开的一种使用在输送带机上的防输送带撕裂装置和专利文献4中公开的滚动轴承故障检测方法都未使用机器学习方法对故障进行预警，从而故障预警的准确性和效率较低，无法满足输送带防撕裂的准确性要求；专利文献2公开的一种输送带撕裂检测方法使用了级联检测方法对故障进行检测，没有使用深度学习方法；专利文献3公开的一种基于AI智能分析的输送输送带撕裂检测系统及检测方法仅仅使用神经网络方法判断检测输送带撕裂和撕裂长度，没有涉及防撕裂预警告警。专利文献5中公开的基于卷积多头自注意力机制的轴承故障检测方法是故障轴承振动信号进行处理分类，尚未涉及输送带防撕裂的研究。

鉴于上述问题，本发明提供一种带式输送机输送带撕裂的方法及装置，以克服上述技术问题。

发明内容