[发明专利]一种基于深度学习的矿用输送带大块物料检测方法及系统

说明书

本发明公开了一种基于深度学习的矿用输送带大块物料检测方法及系统，该方法包括：防爆监控装置采集物料图像作为样本集；对预处理后的图像进行目标标记，并将标记结果分类为训练集、验证集和测试集；构建基于深度学习的目标检测网络模型；训练网络模型达到收敛状态，得到训练好的块状物料检测模型；将测试集图像输入训练好的块状物料检测模型中，判断输送带中是否出现了块状物料；判断块状物料是否为大块物料；若检测到大块物料，软件平台记录此时的异常信息，并控制报警设备发出报警信号。本发明克服了传统图像检测方法对物料目标和其运输背景因灰度十分相近而难以准确区分的缺陷，能够对监控区域进行实时监控，不需要人进行巡视，减少人力成本。

技术领域

本发明涉及煤矿智能化技术领域，具体涉及一种基于深度学习的矿用输送带大块物料检测方法及系统。

背景技术

我国是以煤为主要能源的国家，煤炭是我国能源消费的主体且短期内不会改变，煤炭工业能否健康、稳定发展事关我国能源安全和经济可持续发展。带式输送机是煤炭运输的关键设备，在煤炭运输中起着至关重要的作用。一旦带式输送机出现故障不能正常运转，煤矿的正常生产就将受到严重影响。输送带作为整个带式运输机系统的核心部件并且价格昂贵(据统计约占带式运输机运行成本的40％以上)，由于矿井下环境复杂恶劣，输送带上面的物料大小不一，再加上皮带本身的强度问题，在生产中很容易出现跑偏、打滑、断带以及纵向撕带的事故。这些事故的出现不仅会影响安全生产，而且会造成十分惨重的经济损失。

对这些输送带事故分析可以看出，输送带纵向撕裂在输送带损害中较易发生，并危害最为突出。其中，大部分的输送带纵撕问题是由于大块物料(如大块煤、大块矸石、锚杆等)进入运煤皮带系统对输送带压砸造成的。截至目前，大部分的输送带安全防护研究都是集中在输送带的纵向撕裂检测。输送带纵撕检测虽然能够检测出输送带纵撕的早期阶段并作出响应，减小输送带纵撕对矿井生产过程的影响，但是却不能在根本上预防输送带纵撕的发生。因此从输送带纵撕事故的原因出发，如果能在大块物料进入输送带运输系统的早期阶段，精确识别出大块物料并将其从系统中取出，则可以极大的预防其对输送带运输系统的损害，预防输送带纵撕，保障输送带运输系统的安全稳定运行。

此外，随着工业4.0的不断推进，煤炭综合自动化的不断进步，基于机器视觉的图像检测技术逐渐成为新的发展方向。机器视觉是一种利用光学元件、图像传感器等设备，自动对物体进行图像采集和相关处理的先进技术，其处理结果可以用于控制各种机械设备的工作情况。与各种传统技术相比，机器视觉技术具有非接触、经济、灵活、可靠等优点。如能在带式输送机运输系统中研究一种基于深度学习的矿用输送带大块物料检测方法对带式输送机进行大块物料检测，则可实现煤矿矿井带式输送机智能化监测的功能。同时，增加的输送带图像检测功能降低了岗位工人的劳动强度，提高了报警装置的灵敏度及准确性，保证了安全生产；另外，通过新增摄像机，岗位工人也可直接观察运输情况，更有利于观察与操作。

发明内容

针对大块物料对输送带运输系统的损害问题，本发明提出一种基于深度学习的矿用输送带大块物料检测方法及系统。

为了实现上述技术目的，本发明采用如下技术方案：

一种基于深度学习的矿用输送带大块物料检测方法，包括如下步骤：

S1：通过防爆监控装置实时采集现场的输送带物料图像作为样本集；

S2：筛选出样本集中有块状物体的图像，对筛选后的图像进行预处理，然后对预处理后的图像进行目标标记，并将标记结果分类为训练集、验证集和测试集；

S3：构建基于深度学习的目标检测网络模型YOLOv3；

S4：将步骤S2中的训练集和验证集图像输入YOLOv3网络模型进行训练并对其参数进行微调，直至网络模型达到收敛状态，得到训练好的块状物料检测模型；