[发明专利]一种基于深度学习的传送带缺陷检测方法

权利要求书

1.一种基于深度学习的传送带缺陷检测方法，其特征在于，包括以下步骤：

A1：采用一字线激光扩大传送带缺陷特征，高清工业相机采集视频数据；

当皮带表面发生撕裂等缺陷时，线激光条纹经撕裂位置的调制反映到图像上是一条含有局部跳跃畸变或者是存在断点等特征的光条纹图像，通过对提取得到的光条特征进行分析，实现对皮带表面各种缺陷特征的检测；

A2：模拟撕裂积累深度学习所需数据集，为深度学习算法积累数据集；

A3：激光条纹中心线偏移分析算法检测传送带跑偏缺陷；

跑偏特征反映到图像上就是整条激光条纹在图像中的位置发生了一定的偏移；对跑偏的检测是通过统计光条中心像素点缺失总数来完成的，设定一阈值K，当检测图像中光条中心像素点缺失总数超过K时，判定为皮带发生了跑偏；

A4：采用Yolov4深度学习算法判断传送带撕裂缺陷；

A5：通过相邻帧判断策略确认缺陷；

当设备接受到数据以后，得到疑似传送带缺陷坐标信息，与下一帧数据的疑似传送带缺陷坐标进行比较，两者的间距依据分辨率和视场大小比例转化，如果超出设定阈值，则认为两张相邻连续图像不存在同一传送带缺陷，不作为分级报警依据；

式中x_a,x_b,y_a,y_b——两张相邻连续图像传送带缺陷坐标，

Z——相邻帧间疑似传送带缺陷距离；

A6：当确认发生缺陷后，发出报警并连锁传送带停机，同时存储真实或误报撕裂图片，扩充深度学习数据集，进行不断学习。

2.根据权利要求1所述的基于深度学习的传送带缺陷检测方法，其特征在于，所述步骤A4中，在YOLOv4中，输入图片被调整为608*608，然后融合FPN思想，进行多尺度检测，输出三个检测层，这三个检测层将图片分别划分为19*19，38*38和76*76；然后每个网格预测3个边界框，每个边界框包含5个元素：(x,y,w,h,confidence)；其中，x和y指相应单元格的偏移量，w和h为边界框以整张图片为基准归一化后的宽度和高度；confidence指框置信度得分，反映了一个框内包含有检测目标的可能性以及检测框的准确程度；置信度的计算方式为：

其中Pr(Obiect)为框内有检测目标的概率，既有检测目标，则Pr(Obiect)为1，没有则为0；为预测框和真实物体边界框的交并比(Intersection Over Union，IOU)。当得到框的定位置信度之后，便使用非极大值抑制(Non-Maximum Suppression，NMS)算法，留下置信得分较高的预测框；接下来计算每个预测框的类别置信度得分，其计算方法为公式(2)，Pr(class_i|Obiect)其中为网格预测第i类目标的置信概率；

Pr(class_i|Obiect)*confidence (2)

YOLOv4的损失函数由边界框回归框损失CIOU函数、置信度损失和分类损失三部分组成，其中CIOU损失函数定义为：

其中IOU为检测框b和groundtruthb^gt的交并比，ρ²为b与b^gt中心点之间的欧几里得距离，C为b与b^gt最小外接矩的对角线的长度，w^gt、h^gt、w、h分别为b^gt和b的宽和高；

置信度L_conloss函数采用交叉熵，分为两部分：obj(有目标)和noobj(无目标)，其中noobj的loss还增加了权重系数lambda，这是为了减少noobj计算部分的贡献权重；

其中s*s为网格的个数，B为候选框数，表示：第i个网格的第j个anchor box是否负责这个object，则表示不负责；和C为置信度参数，其中前者为真实值，由grid cell的bounding box有没有负责预测某个对象决定的，如果负责则为1，否则为0；

分类loss损失函数也采用交叉熵，当第i个网格的第j个anchor box负责某一个真实目标时，那么这个anchor box所产生的bounding box才会去计算分类损失函数；

其中和为分类概率，前者表示真实值，当第i个网格的第j个anchor box负责某一个真实目标时，那么这个anchor box所产生的bounding box才会去计算分类损失函数。

3.根据权利要求1所述的基于深度学习的传送带缺陷检测方法，其特征在于，所述步骤A5中，相邻帧判断策略同时应用于传送带跑偏检测，在传送带启动或停止过程中，电机加速运转，传送带上下抖动幅度过大，会使多帧图片边缘异常，激光条缺失；对单一图片进行缺陷检测误差过大，经过相邻帧判断策略可减少此类误报现象。