[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

说明书

本发明属于带式输送机领域，公开了一种基于视频图像的带式输送机纵撕检测方法、装置及系统，通过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。满足现有纵撕检测的实时性和准确性的需求。

技术领域

本发明属于带式输送机领域，涉及一种基于视频图像的带式输送机纵撕检测方法、装置及系统。

背景技术

输送带是带式输送机的关键组成部分，由于受外力以及自身内部的影响会引起纵撕事故，虽然纵撕事故不常发生，但是，一旦发生就需要投入大量人力物力才能完成事故处理，给煤炭企业带来了严重的经济损失。

为了及时发现纵撕事故，降低带式输送机纵撕事故带来的影响，人们提出了多种防纵撕装置及方法，常见的接触式包括棒形检测装置、秤重式和漏料检测装置，以及非接触式的X光透射检测、电磁传感器以及视觉检测法等。其中，接触式漏料检测是根据输送带发生纵撕产生的掉煤现象进行检测，物料(煤)落到下带面上，与物理检测器碰撞从而触发报警信号，但由于物料(煤)掉落情况复杂，很容易引起误报。非接触式中的X光透射检测和电磁传感器在精度上相对于接触式较高，但不足之处是安装复杂，成本高。

非接触式视觉检测在经济性、复用性及稳定性上有很大优势。目前，有通过摄像机采集视频图像，计算纵向长度、横向宽度以及长宽比等特征参数，当检测的特征参数超过一定的阈值，则判定纵撕故障，该方法简单明确，但是算法过于简单，包容性差，检测精度较低。还有一些是结合线性激光器，通过视觉分析技术提取激光中心线，观察激光线的畸变情况判断是否发生撕裂，该方法可检测小型纵撕情况，但不足之处激光器寿命短，并容易受现场环境损坏。

发明内容

本发明的目的在于克服上述现有技术中的缺点，提供一种基于视频图像的带式输送机纵撕检测方法、装置及系统。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种基于视频图像的带式输送机纵撕检测方法，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。

本发明基于视频图像的带式输送机纵撕检测方法进一步的改进在于：

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；