[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

说明书

本申请实施例公开了基于卷积神经网络的皮带机表面状态检测方法及装置，先采集大量的皮带撕裂、磨损及正常表面图像，对采集到的皮带表面图像进行图像预处理，再为预处理后的皮带表面图像添加人工标签，随机抽取较多一部分皮带表面图像作为训练集输入到建立的残差神经网络中执行磨损或撕裂的特征提取，根据提取到的多维特征值矩阵，将不断输入的皮带表面图像特征载入分类器中进行分类得到分类结果，根据分类结果与人工标签进行对比返回错误率和损失函数运算结果到残差神经网络中。将测试集输入，得到最终神经网络模型。利用该模型可以对实时拍摄到的皮带表面图像执行磨损或撕裂的识别操作，通过测试集进行测试去除误检，提升异常状态识别准确率。

技术领域

本申请实施例涉及物料运输设备检测技术领域，特别涉及基于卷积神经网络的皮带机表面状态检测方法及装置。

背景技术

皮带运输机是一种通过摩擦驱动的方式连续运输物料的机械，物料可从供料点一端沿皮带输送方向运动至皮带的另一端，最终到达卸料点完成物料输送过程。皮带运输机的主要构成部件中，皮带既是物料的承载部件、又提供了物料移动的摩擦力，因此皮带表面质量直接影响了物料运输效果。

皮带运输机在输送物料的过程中，物料、杂质或金属件很容易对皮带表面造成磨损，长期下来，皮带表面容易出现局部撕裂，不仅容易造成物料在运输中掉落、降低运输效率，严重时还容易造成皮带断裂，导致整个装置停机，整个皮带都需要更换，这不仅影响了物料运输的作业效率，还给工厂带来巨额的经济损失。

为了防止皮带断裂造成的损失，现有技术中通常采用安装机械装置对皮带表面进行检测，通过对皮带发生撕裂的部位检测落料时产生的压力值，进而判断皮带当前状态是否可继续工作，如果不能继续工作则停机报警。然而，该方法仅对已经造成撕裂的部位检测有效，无法避免物料已经存在一定的损失，具有一定的迟滞性；并且，该方法无法检测皮带未发生撕裂部位的磨损状态，从而不能有效实施皮带断裂预测与及时修补。

发明内容

本申请提供了基于卷积神经网络的皮带机表面状态检测方法，以解决现有方法无法对皮带表面状态实施实时检测、以及无法对皮带断裂预测等问题，并且本申请提供的基于卷积神经网络的皮带机表面状态检测方法能及时有效的在皮带产生磨损时发出预警，以对皮带进行及时的补救，延长皮带的使用寿命，降低工厂的经济损失。

第一方面，本申请提供了基于卷积神经网络的皮带机表面状态检测方法，所述方法包括以下步骤：

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。

在一些实施例中，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。

在一些实施例中，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。