[發明專利]一種基于深度學習的傳送帶缺陷檢測方法

有效

• 申請號: 202110942647.6
• 申請日: 2021-08-17
• 公開（公告）號: CN113658136B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 李海濱;陳明宇;張巖松
• 申請（專利權）人: 燕山大學;秦皇島燕大濱沅科技發展有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/40;G06V10/80;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京恒創益佳知識產權代理事務所(普通合伙) 11556
• 代理人: 付金豹

本發明公開了一種基于深度學習的傳送帶缺陷檢測方法，包括以下步驟：A1：采用一字線激光擴大傳送帶缺陷特征，高清工業相機采集視頻數據；A2：模擬撕裂積累深度學習所需數據集，為深度學習算法積累數據集；A3：激光條紋中心線偏移分析算法檢測傳送帶跑偏缺陷；A4：采用Yolov4深度學習算法判斷傳送帶撕裂缺陷；A5：通過相鄰幀判斷策略確認缺陷；A6：當確認發生缺陷后，發出報警并連鎖傳送帶停機，同時存儲真實或誤報撕裂圖片，擴充深度學習數據集，進行不斷學習。

技術領域

本發明涉及工業視覺技術領域，尤其涉及的是一種基于深度學習的傳送帶缺陷檢測方法。

背景技術

傳送帶輸送機是港口和發電廠等環境裝卸過程中的主要運輸工具，傳送帶造價昂貴。煤炭運輸過程中井石、細桿狀物等尖銳物體可能會穿透傳送帶卡在托輥上，在運動過程中造成傳送帶撕裂。此外，由于傳送帶工作時間過長，因受力不均導致表面磨損較大，出現劃傷，破孔，若長時間不注意，也會導致撕裂事故的發生。有時傳送帶還可能因運動過程中位置跑偏發生與托輥間的嚴重磨損，因這些傳送帶缺陷而導致生產停止的狀況，不僅降低了生產效率，還威脅著操作人員的安全。

幾種比較成熟的傳送帶缺陷檢測裝置例如電磁式感應檢測器、撕裂壓力檢測器、漏料檢測器、超聲波檢測器、防撕裂斗、跑偏開關檢測器和棒性檢測器等等，均需要對整條傳送帶進行改造成本較高，檢測方法單一，一般只能檢測同種缺陷，例如跑偏開關檢測器只能檢測傳送帶跑偏情況，漏料檢測器對于不發生漏料的傳送帶缺陷問題則沒有檢測能力。

發明內容

本發明所要解決的技術問題是針對現有技術的不足提供一種基于深度學習的傳送帶缺陷檢測方法。

本發明的技術方案如下：

一種基于深度學習的傳送帶缺陷檢測方法，包括以下步驟：

A1：采用一字線激光擴大傳送帶缺陷特征，高清工業相機采集視頻數據；

當皮帶表面發生撕裂等缺陷時，線激光條紋經撕裂位置的調制反映到圖像上是一條含有局部跳躍畸變或者是存在斷點等特征的光條紋圖像，通過對提取得到的光條特征進行分析，實現對皮帶表面各種缺陷特征的檢測；

A2：模擬撕裂積累深度學習所需數據集，為深度學習算法積累數據集；

A3：激光條紋中心線偏移分析算法檢測傳送帶跑偏缺陷；

跑偏特征反映到圖像上就是整條激光條紋在圖像中的位置發生了一定的偏移；對跑偏的檢測是通過統計光條中心像素點缺失總數來完成的，設定一閾值K，當檢測圖像中光條中心像素點缺失總數超過K時，可以判定為皮帶發生了跑偏；

A4：采用Yolov4深度學習算法判斷傳送帶撕裂缺陷；

A5：通過相鄰幀判斷策略確認缺陷；

當設備接受到數據以后，得到疑似傳送帶缺陷坐標信息，與下一幀數據的疑似傳送帶缺陷坐標進行比較，兩者的間距依據分辨率和視場大小比例轉化，如果超出設定閾值，則認為兩張相鄰連續圖像不存在同一傳送帶缺陷，不作為分級報警依據；

式中x_a,x_b,y_a,y_b——兩張相鄰連續圖像傳送帶缺陷坐標，

Z——相鄰幀間疑似傳送帶缺陷距離；

A6：當確認發生缺陷后，發出報警并連鎖傳送帶停機，同時存儲真實或誤報撕裂圖片，擴充深度學習數據集，進行不斷學習。