[發(fā)明專利]一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202111183280.0
• 申請日: 2021-10-11
• 公開（公告）號: CN114049302A
• 公開（公告）日: 2022-02-15
• 發(fā)明（設(shè)計(jì)）人: 張超;劉禮杰;蔡煒;路萬林
• 申請（專利權(quán)）人: 中冶南方工程技術(shù)有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京匯澤知識產(chǎn)權(quán)代理有限公司 11228
• 代理人: 吳靜

1.一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，包括：

皮帶料流圖像獲取裝置、皮帶料流分類網(wǎng)絡(luò)模型、報(bào)警裝置；其中：

皮帶料流圖像獲取裝置，用于對皮帶料流視頻圖像進(jìn)行收集，形成皮帶料流視頻圖像的歷史數(shù)據(jù)；還用于實(shí)時(shí)采集皮帶料流運(yùn)行視頻中的當(dāng)前幀圖像，將實(shí)時(shí)采集皮帶料流運(yùn)行視頻中的當(dāng)前幀圖像輸入到皮帶料流分類網(wǎng)絡(luò)模型；

皮帶料流分類網(wǎng)絡(luò)模型，通過將皮帶料流的圖像數(shù)據(jù)集輸入到目標(biāo)檢測網(wǎng)絡(luò)中進(jìn)行訓(xùn)練，得到卷積神經(jīng)網(wǎng)絡(luò)模型作為料流狀態(tài)的圖像分類器，對實(shí)時(shí)采集皮帶料流運(yùn)行視頻中的當(dāng)前幀圖像進(jìn)行檢測，根據(jù)檢測結(jié)果達(dá)到對皮帶料流狀態(tài)進(jìn)行檢測的目的；

報(bào)警裝置，獲取皮帶料流分類網(wǎng)絡(luò)模型對實(shí)時(shí)采集皮帶料流運(yùn)行視頻中的當(dāng)前幀圖像的檢測結(jié)果，若該幀圖像被基于皮帶料流狀態(tài)的目標(biāo)檢測模型檢測為無料幀時(shí)，實(shí)時(shí)通過報(bào)警方式通知給相關(guān)責(zé)任人，保證加料的及時(shí)處理。

2.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，皮帶料流圖像獲取裝置可以為攝像頭，皮帶料流圖像獲取裝置對皮帶料流視頻圖像進(jìn)行收集，形成皮帶料流視頻圖像的歷史數(shù)據(jù)的具體方法為：對皮帶料流狀態(tài)的分類以及標(biāo)注，將圖像進(jìn)行分類，包括有料情況和無料情況；對每一幀圖像進(jìn)行標(biāo)注，為圖像貼上類別標(biāo)簽，將標(biāo)注好的數(shù)據(jù)分為兩部分，一部分是訓(xùn)練集，用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型；另一部分是測試集，用于測試卷積神經(jīng)網(wǎng)絡(luò)模型分類效果。

3.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，皮帶料流分類網(wǎng)絡(luò)模型訓(xùn)練方法包括：S101.將圖像數(shù)據(jù)集中的訓(xùn)練集作為卷積神經(jīng)網(wǎng)絡(luò)模型的輸入，設(shè)置好卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，得到基于料流狀態(tài)監(jiān)控的初始卷積神經(jīng)網(wǎng)絡(luò)；

S102.將圖像數(shù)據(jù)集中的測試集輸入到訓(xùn)練好的初始卷積神經(jīng)網(wǎng)絡(luò)模型，通過初始神經(jīng)網(wǎng)絡(luò)模型對測試集中的圖像進(jìn)行識別，得到當(dāng)前圖像對應(yīng)的圖像分類，并與測試集中當(dāng)前圖像實(shí)際圖像分類進(jìn)行匹配，當(dāng)匹配準(zhǔn)確度大于預(yù)設(shè)閾值時(shí)，即確定當(dāng)前卷積神經(jīng)網(wǎng)絡(luò)模型為料流狀態(tài)監(jiān)控的卷積神經(jīng)網(wǎng)絡(luò)模型。

4.如權(quán)利要求3所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，皮帶料流分類網(wǎng)絡(luò)模型訓(xùn)練方法還包括：當(dāng)匹配準(zhǔn)確度小于預(yù)設(shè)閾值時(shí)，則當(dāng)前初始目標(biāo)檢測網(wǎng)絡(luò)模型無法滿足要求，則重新執(zhí)行步驟S101-S102，直到測試集匹配準(zhǔn)確度達(dá)到預(yù)設(shè)閾值。

5.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，皮帶料流分類網(wǎng)絡(luò)模型，由5個(gè)模塊構(gòu)成，每個(gè)模塊由多個(gè)3*3的卷積神經(jīng)網(wǎng)絡(luò)串聯(lián)在一起，卷積神經(jīng)網(wǎng)絡(luò)包括13層卷積層，分別使用64、64、128、128、256、256、256、512、512、512、512、512和512個(gè)3*3大小的卷積核。

6.如權(quán)利要求5所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控系統(tǒng)，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)，卷積層的激活函數(shù)采用修正線性單元，在修正線性單元激活函數(shù)之后執(zhí)行規(guī)一化，將其輸出規(guī)范化到均值為0、方差為1的標(biāo)準(zhǔn)正態(tài)分布。

7.如權(quán)利要求5所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控方法，其特征在于，所述的卷積神經(jīng)網(wǎng)絡(luò)，在每一個(gè)卷積層后面接一個(gè)池化層，通過池化層進(jìn)行降維，用更高層的抽象表示圖像特征。

8.如權(quán)利要求5所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控方法，其特征在于，所述的卷積神經(jīng)網(wǎng)絡(luò)，在卷積層池化層后面接了3個(gè)全連接層，其中最后一個(gè)全連接層輸出向量維度為2維，指的是此專利里涉及的有料和無料這兩個(gè)類別的個(gè)數(shù)。

9.如權(quán)利要求5所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控方法，其特征在于，所述的卷積神經(jīng)網(wǎng)絡(luò)，全連接層后面添加softmax層，softmax層就是使用softmax函數(shù)對全連接層的輸出結(jié)果計(jì)算置信度，表示輸出類別的概率大小。

10.如權(quán)利要求1所述的一種基于神經(jīng)網(wǎng)絡(luò)的料場皮帶運(yùn)輸監(jiān)控方法，其特征在于，報(bào)警裝置可以為蜂鳴器，利用訓(xùn)練完成的料流狀態(tài)的卷積神經(jīng)網(wǎng)絡(luò)模型對當(dāng)前幀圖像進(jìn)行分類，若該幀圖像被基于皮帶料流狀態(tài)的卷積神經(jīng)網(wǎng)絡(luò)模型分類為有料幀，則表示當(dāng)前皮帶料流狀態(tài)為有料；若該幀屬于無料幀，則表示當(dāng)前皮帶上無料，實(shí)時(shí)通過報(bào)警方式通知給相關(guān)責(zé)任人，保證加料的及時(shí)處理。