[发明专利]基于视频图像的带式输送机纵撕检测方法、装置及系统

权利要求书

1.一种基于视频图像的带式输送机纵撕检测方法，其特征在于，包括以下步骤：

获取带式输送机上带面视频图像、下带面视频图像以及两侧带面视频图像；

根据上带面视频图像，通过预设的上带面带宽检测模型得到上带面宽度；

获取并根据上带面当前带面载荷，得到上带面当前带宽阈值，根据上带面宽度及上带面当前带宽阈值，得到上带面异常度；

根据下带面视频图像，通过预设的下带面异物检测模型得到下带面异常度；

根据两侧带面视频图像，通过预设的侧带面裂痕检测模型得到侧带面异常度；

根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果。

2.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述上带面带宽检测模型通过如下方式构建：

获取若干上带面视频图像，并进行带面边缘标记，得到第一数据样本；并将第一数据样本分为第一训练数据样本和第一测试数据样本；

通过第一训练数据样本训练预设的深度学习算法模型，并通过第一测试数据样本测试训练后的深度学习网络模型，当满足第一预设测试要求时，得到上带面带宽检测模型；

所述下带面异物检测模型通过如下方式构建：

获取若干下带面视频图像，并进行异物标记，得到第二数据样本；并将第二数据样本分为第二训练数据样本和第二测试数据样本；

通过第二训练数据样本训练预设的深度学习算法模型，并通过第二测试数据样本测试训练后的深度学习网络模型，当满足第二预设测试要求时，得到下带面异物检测模型；

所述侧带面裂痕检测模型通过如下方式构建：

获取若干侧带面视频图像，并进行侧带面裂痕标记，得到第三数据样本；并将第三数据样本分为第三训练数据样本和第三测试数据样本；

通过第三训练数据样本训练预设的深度学习算法模型，并通过第三测试数据样本测试训练后的深度学习网络模型，当满足第三预设测试要求时，得到侧带面裂痕检测模型。

3.根据权利要求2所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述深度学习网络模型为YOLOv3网络模型。

4.根据权利要求2所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述获取若干侧带面视频图像的具体方法为：

获取若干历史侧带面视频图像；

选取带有裂痕的历史侧带面视频图像，通过预设的扩增方法进行扩增，得到若干扩增历史侧带面裂痕视频图像；

组合若干历史侧带面视频图像以及若干扩增历史侧带面裂痕视频图像，得到若干侧带面视频图像。

5.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述根据上带面当前带面载荷，得到上带面当前带宽阈值的具体方法为：根据上带面当前带面载荷，通过预设的载荷-带宽阈值范围对应关系，得到上带面当前带宽阈值；所述根据上带面宽度及上带面当前带宽阈值，得到上带面异常度的具体方法为：

根据上带面宽度及上带面当前带宽阈值，通过下式得到上带面异常度Y1：

其中，V_width为上带面宽度，T_{width，weight}为上带面当前带宽阈值，T_width，max是带式输送机带宽最大偏差阈值，abs()为绝对值计算函数。

6.根据权利要求1所述的基于视频图像的带式输送机纵撕检测方法，其特征在于，所述根据上带面异常度、下带面异常度以及侧带面异常度，得到带式输送机纵撕故障检测结果的具体方法为：

将上带面异常度、下带面异常度以及侧带面异常度根据预设的权重，进行加权求和得到综合异常度；

获取预设的综合异常度阈值，当综合异常度大于综合异常度阈值时，带式输送机发生纵撕故障，否则，带式输送机正常运行。