[發明專利]一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法

有效

• 申請號: 202110385222.X
• 申請日: 2021-04-09
• 公開（公告）號: CN113076895B
• 公開（公告）日: 2022-08-02
• 發明（設計）人: 喬鐵柱;付杰;閻高偉
• 申請（專利權）人: 太原理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G06N3/08
• 代理公司: 太原高欣科創專利代理事務所(普通合伙) 14109
• 代理人: 崔浩;冷錦超

本發明一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法，屬于計算機視覺技術領域；所要解決的技術問題為：提供一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法的改進；解決上述技術問題采用的技術方案為：在礦用輸送帶上方設置高速相機采集輸送帶的正常態、磨損態、劃傷態、撕裂態下的微小振動圖像；采用可變卷積核的卷積神經網絡分別訓練與測試輸送帶的振動頻率信號，得到初步訓練好的卷積神經網絡；通過轉移學習得到進一步訓練好的卷積神經網絡模型；將采集的圖像數據輸入中的卷積神經網絡模型中，根據不同波段的振幅所對應的礦用輸送帶縱向損傷信息，輸出對輸送帶損傷診斷結果；本發明應用于輸送帶損傷判斷。

技術領域

本發明一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法，屬于基于紅外計算機視覺的輸送帶縱向損傷振動感知方法技術領域。

背景技術

2020年我國原煤日平均產量為1135萬噸，礦用輸送帶在高效運輸煤炭的過程中起著至關重要的作用。在運輸的過程中，礦用輸送帶易發生縱向的磨損，劃傷，長期將產生撕裂，一經撕裂，所造成的經濟代價不容小覷。這些縱向損傷主要是因為原煤中含有鐵器、木棒等雜物，下落時對帶體造成局部損傷。當這些雜物卡在機架或托輥上時，由于輸送帶向前高速運轉，從而導致輸送帶發生縱向撕裂。

隨著5G時代的到來，礦用輸送帶運維過程中的全面感知、實時互聯、動態預測相關技術有了海量數據、高速計算、智慧分析的支撐。

目前，我國對于礦用輸送帶的狀態監測已經運用了人工智能領域中的深度學習技術，可實現對輸送帶的縱向損傷狀態識別。

但是上述技術存在的缺陷是針對已發生的縱向損傷進行識別，從而確認損傷類型以及程度，存在滯后性。這種滯后性是因為在使用神經網絡對目標識別時，捕捉到的僅是將光信息轉化成電信息而組成的一張張圖像集。

除此之外，現階段在捕捉微小振動時，常用到模型替代法，即通過使用一個可以與礦用輸送帶產生共振的輕小物體來替代“質量大，不易觀察”的輸送帶，或者采用貼附信標，通過捕捉信標發出的信號，與礦用輸送帶建立映射等等。

上述模型替代法易受環境、器械部件、人員等噪音影響，從而導致二者之間建立的數學模型存在“易干擾、實用性差、半接觸式”問題。

因此，為了進一步解決巡檢煤礦井下“強干擾、光線弱、接觸式”問題，以及現階段圖像處理技術在該問題上存在的滯后性，提出一種基于紅外計算機視覺的礦用輸送帶縱向損傷振動感知方法。

發明內容

本發明為了克服現有技術中存在的不足，所要解決的技術問題為：提供一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法的改進。

為了解決上述技術問題，本發明采用的技術方案為：一種基于紅外計算機視覺的輸送帶縱向損傷振動感知方法，包括如下步驟：

步驟一：構建圖像數據集：在礦用輸送帶上方設置高速相機采集輸送帶的正常態、磨損態、劃傷態、撕裂態下的微小振動圖像，并存儲至塔式服務器上，其中一部分數據集用于初步訓練卷積神經網絡，另一部分數據集用于進一步訓練卷積神經網絡；

步驟二：采用可變卷積核的卷積神經網絡分別訓練與測試正常態、磨損態、劃傷態、撕裂態下的礦用輸送帶的振動頻率信號，得到初步訓練好的卷積神經網絡；

步驟三：通過轉移學習將初步訓練好的卷積神經網絡應用于另一部分數據集上，得到進一步訓練好的卷積神經網絡模型；

步驟四：將采集的圖像數據輸入步驟三中的卷積神經網絡模型中，根據不同波段的振幅所對應的礦用輸送帶縱向損傷信息，輸出對輸送帶損傷診斷結果。

所述步驟一中的圖像數據集在輸入卷積神經網絡之前，先根據控制變量法提取出干擾源振幅頻譜并剔除干擾源振幅頻譜，所述干擾源振幅頻譜包括識別環境中各項硬件設施的振動頻率以及復合在礦用輸送帶上的非主體振幅譜。