[发明专利]基于卷积自编码单目景深估计的矿用传送带堆料预警方法

说明书

本发明提供了基于卷积自编码单目景深估计的矿用传送带堆料预警方法，经过数据经标注后分为训练集与验证集，之后将标注后数据交给卷积自编码神经网络模型进行特征学习，以三个函数组合而成的损失函数为基准，找出能使损失值达到最小的权重参数，最终通过算法评估得到最优模型。本发明通过单目摄像机对传送带的矿料进行景深估计，通过生成热力图来实现对高差的判断，通过深度学习的方法，采用神经网络学习数据特征并加以泛化，避免传统算法需要人为干预。

技术领域

本发明涉及传送带的检测预警的方法，具体涉及一种基于卷积自编码单目景深估计的矿用传送带堆料预警方法。

背景技术

国内矿用矿料运输普遍使用带式输送机，由于矿井内部工作环境较为复杂，带式输送机容易产生各种故障，比较常见的是堆料故障，主要表现为矿料输送不及时，堆积在传送带连接处或料仓处，是的传送带无法正常工作，人为处理耗时耗力，严重影响生产效率。

根据传送带输送机内部结构和工作原理造成堆料的原因分为以下四种：一、传送机设备的电极传感器长时间使用电极清理维护不到位；二、矿井潮湿环境导致接触部位锈蚀无法正常工作；三、不同的带式输送机启动停止时，工作顺序产生了错误；四、不同的带式输送机的运行速度无法适当匹配。因此在传送带运输过程中会在各个节点采用人为巡检或安装摄像头来监控，但是由于人工巡检效率低下往往发现后就已经造成堵塞；而采用摄像头的方式对安装位置与环境工况有着密切关系，安装维护成本较高，且容易受到人为主观先验经验影响导致误判频发，因此基于卷积自编码的单目景深估计将会代替传统检测成为未来的主要发展方向。

现有技术公开了基于机器视觉的矿用是输送机堆煤故障监控系统研究(1008-3731(2020)01-0089-04)，该技术采用传统机器视觉方法对堆煤现象进行监控，但是效果不好。基于机器视觉的矿用是输送机堆煤故障监控系统，由工业相机、光源、工控机、声光报警装置以及控制执行机构组成，其通过索贝尔算子(Sobel Operator)来对物体边缘进行检测，但是由于现场安装环境限制，该算法的一些参数需要根据现场环境而定，比如它两个方向的模板矩阵大小，且安装位置需要与传送带保持一定夹角，因此不论是软件调试与硬件调试都无法标准化，不同的场景需要人为干预调试结果，并且需操作人员具有很强的先验知识储备才能对系统进行调试，并不容易大面积推广与批量生产。

需要注意的是，本部分旨在为权利要求书中陈述的本发明的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。

发明内容

本发明目的在于提供了基于卷积自编码单目景深估计的矿用传送带堆料预警方法，解决了现有技术中视觉方案安装调试复杂，检测环境要求苛刻以及对调试工人经验程度要求高。

为实现上述目的本发明采用如下技术方案：

基于卷积自编码单目景深估计的矿用传送带堆料预警方法，包括以下步骤：

S1：数据标注

在仿真环境下使用结构光相机对传送带进行拍摄，将输出的点云数据转换成深度图数据；

S2：卷积自编码神经网络构建

将深度图数据放入卷积自编码神经网络模型当中进行学习；所述卷积自编码神经网络构建由主干模型、残差上采样层和跳跃连接法三个部分构成；

S3：损失函数构建

通过损失函数构建找出损失值达到最小的权重参数；所述损失函数构建由深度估计损失、梯度损失和结构相似性损失三部分构成；

S4：算法评估

针对输出的深度图采用两种评价指标进行评价；若超过设定阈值误差，则返回步骤S2，若超过设定阈值误差，则继续进行；其中；两种评价指标是指对深度图的预标注图像使用结构相似性评价和对深度图的像素质量细节误差采用根均方误差评价；

S5：推理与预警