[发明专利]基于卷积神经网络的皮带机表面状态检测方法及装置

权利要求书

1.一种基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述方法包括：

获取皮带机运行过程中预设区域的皮带表面图像；

根据建立的卷积神经网络模型对所述皮带表面图像进行图像识别，得到识别结果；所述识别结果包括正常、磨损或撕裂之中的一种。

2.根据权利要求1所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，若所述识别结果为磨损或撕裂，所述方法还包括：

生成报警信号并发送至皮带机的控制端。

3.根据权利要求1所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述卷积神经网络模型的建立方法包括：

建立图像集；所述图像集包含对于多个规格的皮带分别在不同位置、不同时间段拍摄的预设数量的皮带表面图像；

对所述图像集中全部皮带表面图像进行图像预处理，得到预处理后的皮带表面图像；

为所有经预处理后的皮带表面图像添加人工标签；所述人工标签为正常标签、磨损标签或撕裂标签之中的一种；

将所述图像集分为训练集和测试集；所述训练集中的皮带表面图像数量大于所述测试集中的皮带表面图像数量；

将所述训练集中的皮带表面图像输入残差神经网络，得到分类结果；

将分类结果与人工标签对比，返回错误率和损失函数运算结果到残差神经网络，更新网络权重值和偏差；

当损失函数运算结果小于预设值时，将测试集数据输入此时的残差神经网络。

4.根据权利要求3所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述将所述图像集分为训练集和测试集的步骤包括：

将具有相同类型人工标签的皮带表面图像的80％放入到训练集中，将剩余的皮带表面图像放入到测试集中。

5.根据权利要求3所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述残差神经网络包括残差层、全连接层及分类器；将所述训练集中的皮带表面图像输入残差神经网络，得到分类结果的步骤包括：

输入皮带表面图像到多个不同维度的残差层；

在每个残差层中，输入的图像先后经过一个卷积层和一个平均池化层，并输出第一结果；

全连接层对第一结果执行标准化计算，得到第二结果；

分类器对第二结果执行分类，得到分类结果。

6.根据权利要求3所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述拍摄的预设数量的皮带表面图像包括：

在皮带上方、上下皮带之间以及回城皮带下方分别拍摄的皮带表面图像；

采用相机拍摄角度垂直于皮带表面以及左右各偏移45°时拍摄的皮带表面图像。

7.根据权利要求3所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述更新网络权重值和偏差时采用随机梯度下降法。

8.根据权利要求3所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述对所述图像集中全部皮带表面图像进行图像预处理，得到预处理后的皮带表面图像的步骤包括：

调整皮带表面图像的尺寸；

调整皮带表面图像的亮度；

对调整后皮带表面图像进行平滑去噪处理。

9.根据权利要求1所述的基于卷积神经网络的皮带机表面状态检测方法，其特征在于，所述获取皮带机运行过程中预设区域的皮带表面图像包括：

每间隔预设时长，获取皮带机运行过程中预设区域的皮带表面图像。

10.一种基于卷积神经网络的皮带机表面状态检测装置，其特征在于，包括：相机及分析单元；所述相机设于皮带上方、上下皮带之间和/或回程皮带下方，用于拍摄皮带表面图像，并将拍摄到的皮带表面图像发送至分析单元；所述分析单元用于根据接收到的皮带表面图像，执行如权利要求1至9中任意一项所述的方法。