[发明专利]一种基于红外计算机视觉的输送带纵向损伤振动感知方法

权利要求书

1.一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：包括如下步骤：

步骤一：构建图像数据集：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像，并存储至塔式服务器上，其中一部分数据集用于初步训练卷积神经网络，另一部分数据集用于进一步训练卷积神经网络；

步骤二：采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号，得到初步训练好的卷积神经网络；

步骤三：通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上，得到进一步训练好的卷积神经网络模型；

其中转移学习通过参数最优化与微小特征提取实现；

步骤四：将采集的图像数据输入步骤三中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果。

2.根据权利要求1所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述步骤一中的图像数据集在输入卷积神经网络之前，先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱，所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。

3.根据权利要求2所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下，训练集与测试集采用7：3-8：2的比例用于卷积神经网络模型的训练与验证。

4.根据权利要求3所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述步骤二中的可变卷积核的卷积神经网络具体包括：含正常卷积核的卷积层、池化层、含可变卷积核的卷积层、全连接层和新式全连接层，图像数据输入含正常卷积核的卷积层，依次经过池化层、含可变卷积核的卷积层、全连接层和新式全连接层后，通过损失函数Softmax对网络进行优化后，输出诊断结果；

损失函数Softmax的计算公式为：，上式中为新式全连接层中第i个神经元的输出。

5.根据权利要求4所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述卷积神经网络中采用的激活函数为sigmoid，计算公式为：。

6.根据权利要求5所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述新式全连接层具有随机初始化权重。

7.根据权利要求6所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机，并且相机加持显微镜头。