[发明专利]一种基于数据异构融合的工业传送带表面缺陷检测方法

权利要求书

1.一种基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，包括：

S100、数据采集，使用传感器平台采集工业传送带数据，所述工业传送带数据包括图像和点云数据；

S200、数据预处理，对于所述工业传送带数据进行预处理；

S300、表面缺陷检测，针对所述点云数据进行传送带表面缺陷的检测。

2.如权利要求1所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述传感器平台包括激光雷达和相机。

3.如权利要求2所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述步骤S100还包括：

S110、安装所述激光雷达和所述相机，安装所述激光雷达和所述相机在所述工业传送带上方，且保持在一个水平面；

S120、设置所述激光雷达，所述激光雷达的扫描方向与所述工业传送带的运动方向垂直；

S130、设置所述工业传送带的速度。

4.如权利要求2所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述步骤S200还包括：

S210、融合数据，所述激光雷达和所述相机数据异构融合，丰富所述点云数据，使所述点云数据除了坐标值和反射强度之外，具有所述相机中的RGB特征值；

S220、获取邻域特征，基于KD树的点云特征工程，用于所述点云数据分类；

S230、点云分类，使用机器学习的方法进行所述点云分类，识别出所述点云数据中所述工业传送带表面的点云数据。

5.如权利要求4所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述S210还包括对所述激光雷达和所述相机进行联合标定。

6.如权利要求5所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述步骤S230中的所述机器学习的方法基于XGBoost，即一个优化的分布式梯度增强库，在Gradient Boosting框架下实现机器学习算法。

7.如权利要求5所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述步骤S230还包括：

S231、手动标注数据，人工标注融合后点云数据中一部分数据，得到训练数据集，供训练分类模型使用；

S232、所述分类模型训练，通过机器学习训练所述分类模型；

S233、识别初始表面点云数据，利用所述分类模型对所有点云数据进行处理，初步识别出所述点云中所述工业传送带表面的点云数据；

S234、半径滤波，利用半径滤波消除孤立噪点；

S235、RANSAC平面拟合，利用平面拟合实现所述传送带表面平面的拟合；

S236、阈值去噪，借助拟合的所述传送带表面平面，进一步消除噪点，得到所述传送带表面点云数据。

8.如权利要求1所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述步骤S300还包括：

S310、基于所述工业传送带的表面点云数据得到传送带的相对厚度信息；

S320、采用融合数据的方法对所述工业传送带表面缺陷进行检测，使用边缘检测算法，对所述工业传送带表面图像进行处理，并且结合得到的厚度信息进一步筛选，识别缺陷。

9.如权利要求8所述的基于数据异构融合的工业传送带表面缺陷检测方法，其特征在于，所述边缘检测算法选择Canny边缘检测算法。