[发明专利]一种基于图像分割的非接触式皮带撕裂检测系统及方法

说明书

本发明公开了一种基于图像分割的非接触式皮带撕裂检测系统及方法，涉及输送皮带异常检测技术领域；使用工业摄像仪获取现场皮带运行时的图像数据，该视频数据以视频流的形式推送到运行算法的服务器；将部分图像数据标注上发生撕裂的区域；将带有标注的图像数据分别输入到改进的Deeplab‑v3+图像分割网络、U‑Net图像分割网络和SegNet图像分割网络中，将三个模型训练得到三个皮带撕裂检测模型；用三个模型以及集成学习的组合模块、基于超像素分割的优化处理模块共同构成皮带撕裂检测模块；将从工业摄像仪实时获取的图像数据输入到皮带撕裂检测模块，得到皮带撕裂检测结果；将所述皮带撕裂检测结果发送至皮带控制系统。

技术领域

本发明涉及输送皮带异常检测技术领域，尤其涉及一种基于图像分割的非接触式皮带撕裂检测系统及方法。

背景技术

在煤矿业的实际生产活动中，带式输送机是运输的最重要设备之一。在带式输送机运行过程中，由于诸多原因(例如煤料的尖锐锋利部分可能扎透皮带、煤料中意外混杂有锚杆等坚硬异物可能伤害皮带、皮带被清扫器的刃口挂住、托辊对皮带造成异常磨损等)会引起皮带的纵向撕裂。撕裂异常如果未能及时发觉并控制，则可能在短时间之内造成巨大的经济损失甚至安全事故。目前检测皮带纵向撕裂的方式大体分为有接触式和非接触式两种。其中有接触式检测因极易产生磨损，基本不见使用。而非接触式检测有电磁感应检测法、x光射线检测法、基于线激光的图像检测法等。但以上这些方法存在或多或少的缺陷：或是需要皮带产生较长的撕裂才能检测到，或是在安装时存在成本较高、安装复杂、调试困难的问题，或是在后期使用时需要繁琐的维护。

随着计算机视觉领域的发展，图像分割作为其中一个方向也有了显著的提升。对于无法人为设定精准特征的场景，图像分割网络在判断是否存在撕裂以及准确识别出裂口轮廓的能力上，有着先天的优势。使用深度学习技术，将图像分割的能力应用于皮带撕裂检测的场景中，可实现实时的高精度的非接触式检测。

目前检测皮带纵向撕裂的方式大体分为有接触式和非接触式两种。其中有接触式检测因极易产生磨损，基本不见使用。而非接触式检测有电磁感应检测法、x光射线检测法、基于线激光的图像检测法等。但以上这些方法存在或多或少的缺陷：或是需要皮带产生较长的撕裂才能检测到，或是在安装时存在成本较高、安装复杂、调试困难的问题，或是在后期使用时需要繁琐的维护。

发明内容

针对现有技术的不足，本发明设计了一种基于图像分割的非接触式皮带撕裂检测系统及方法。

一种基于图像分割的非接触式皮带撕裂检测系统包括：数据输入模块、图像打标签模块、模型训练模块、皮带撕裂检测模块以及控制系统模块；

其中，皮带撕裂检测模块包括：基于改进的Deeplab-v3+的图像分割网络、基于U-Net的图像分割网络、基于SegNet的图像分割网络、集成学习的组合模块、基于超像素分割的优化处理模块；

所述基于改进的Deeplab-v3+的图像分割网络是基于原始Deeplab-v3+使用自注意力机制做的改进，得到的模块；所述基于U-Net的图像分割网络、基于SegNet的图像分割网络和改进的Deeplab-v3+图像分割网络并行输出皮带撕裂区域的检测结果；

所述集成学习的组合模块将上述三种模型输出的检测结果合并为一个检测结果；

所述基于超像素分割的优化处理模块是将原始图像进行超像素分割的处理后，进一步使用区域投票算法优化集成学习的组合模块合并的检测结果，使得撕裂区域的轮廓更加精确；