[发明专利]一种基于深度学习的传送带缺陷检测方法

说明书

本发明公开了一种基于深度学习的传送带缺陷检测方法，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；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；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；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。

技术领域

本发明涉及工业视觉技术领域，尤其涉及的是一种基于深度学习的传送带缺陷检测方法。

背景技术

传送带输送机是港口和发电厂等环境装卸过程中的主要运输工具，传送带造价昂贵。煤炭运输过程中井石、细杆状物等尖锐物体可能会穿透传送带卡在托辊上，在运动过程中造成传送带撕裂。此外，由于传送带工作时间过长，因受力不均导致表面磨损较大，出现划伤，破孔，若长时间不注意，也会导致撕裂事故的发生。有时传送带还可能因运动过程中位置跑偏发生与托辊间的严重磨损，因这些传送带缺陷而导致生产停止的状况，不仅降低了生产效率，还威胁着操作人员的安全。

几种比较成熟的传送带缺陷检测装置例如电磁式感应检测器、撕裂压力检测器、漏料检测器、超声波检测器、防撕裂斗、跑偏开关检测器和棒性检测器等等，均需要对整条传送带进行改造成本较高，检测方法单一，一般只能检测同种缺陷，例如跑偏开关检测器只能检测传送带跑偏情况，漏料检测器对于不发生漏料的传送带缺陷问题则没有检测能力。

发明内容

本发明所要解决的技术问题是针对现有技术的不足提供一种基于深度学习的传送带缺陷检测方法。

本发明的技术方案如下：

一种基于深度学习的传送带缺陷检测方法，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，可以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。