[发明专利]一种基于神经网络的料场皮带运输监控系统

权利要求书

1.一种基于神经网络的料场皮带运输监控系统，其特征在于，包括：

皮带料流图像获取装置、皮带料流分类网络模型、报警装置；其中：

皮带料流图像获取装置，用于对皮带料流视频图像进行收集，形成皮带料流视频图像的历史数据；还用于实时采集皮带料流运行视频中的当前帧图像，将实时采集皮带料流运行视频中的当前帧图像输入到皮带料流分类网络模型；

皮带料流分类网络模型，通过将皮带料流的图像数据集输入到目标检测网络中进行训练，得到卷积神经网络模型作为料流状态的图像分类器，对实时采集皮带料流运行视频中的当前帧图像进行检测，根据检测结果达到对皮带料流状态进行检测的目的；

报警装置，获取皮带料流分类网络模型对实时采集皮带料流运行视频中的当前帧图像的检测结果，若该帧图像被基于皮带料流状态的目标检测模型检测为无料帧时，实时通过报警方式通知给相关责任人，保证加料的及时处理。

2.如权利要求1所述的一种基于神经网络的料场皮带运输监控系统，其特征在于，皮带料流图像获取装置可以为摄像头，皮带料流图像获取装置对皮带料流视频图像进行收集，形成皮带料流视频图像的历史数据的具体方法为：对皮带料流状态的分类以及标注，将图像进行分类，包括有料情况和无料情况；对每一帧图像进行标注，为图像贴上类别标签，将标注好的数据分为两部分，一部分是训练集，用于训练卷积神经网络模型；另一部分是测试集，用于测试卷积神经网络模型分类效果。

3.如权利要求1所述的一种基于神经网络的料场皮带运输监控系统，其特征在于，皮带料流分类网络模型训练方法包括：S101.将图像数据集中的训练集作为卷积神经网络模型的输入，设置好卷积神经网络训练参数，得到基于料流状态监控的初始卷积神经网络；

S102.将图像数据集中的测试集输入到训练好的初始卷积神经网络模型，通过初始神经网络模型对测试集中的图像进行识别，得到当前图像对应的图像分类，并与测试集中当前图像实际图像分类进行匹配，当匹配准确度大于预设阈值时，即确定当前卷积神经网络模型为料流状态监控的卷积神经网络模型。

4.如权利要求3所述的一种基于神经网络的料场皮带运输监控系统，其特征在于，皮带料流分类网络模型训练方法还包括：当匹配准确度小于预设阈值时，则当前初始目标检测网络模型无法满足要求，则重新执行步骤S101-S102，直到测试集匹配准确度达到预设阈值。

5.如权利要求1所述的一种基于神经网络的料场皮带运输监控系统，其特征在于，皮带料流分类网络模型，由5个模块构成，每个模块由多个3*3的卷积神经网络串联在一起，卷积神经网络包括13层卷积层，分别使用64、64、128、128、256、256、256、512、512、512、512、512和512个3*3大小的卷积核。

6.如权利要求5所述的一种基于神经网络的料场皮带运输监控系统，其特征在于，所述卷积神经网络，卷积层的激活函数采用修正线性单元，在修正线性单元激活函数之后执行规一化，将其输出规范化到均值为0、方差为1的标准正态分布。

7.如权利要求5所述的一种基于神经网络的料场皮带运输监控方法，其特征在于，所述的卷积神经网络，在每一个卷积层后面接一个池化层，通过池化层进行降维，用更高层的抽象表示图像特征。

8.如权利要求5所述的一种基于神经网络的料场皮带运输监控方法，其特征在于，所述的卷积神经网络，在卷积层池化层后面接了3个全连接层，其中最后一个全连接层输出向量维度为2维，指的是此专利里涉及的有料和无料这两个类别的个数。

9.如权利要求5所述的一种基于神经网络的料场皮带运输监控方法，其特征在于，所述的卷积神经网络，全连接层后面添加softmax层，softmax层就是使用softmax函数对全连接层的输出结果计算置信度，表示输出类别的概率大小。

10.如权利要求1所述的一种基于神经网络的料场皮带运输监控方法，其特征在于，报警装置可以为蜂鸣器，利用训练完成的料流状态的卷积神经网络模型对当前帧图像进行分类，若该帧图像被基于皮带料流状态的卷积神经网络模型分类为有料帧，则表示当前皮带料流状态为有料；若该帧属于无料帧，则表示当前皮带上无料，实时通过报警方式通知给相关责任人，保证加料的及时处理。