[发明专利]一种基于语义分割的皮带偏移检测算法

权利要求书

1.一种基于语义分割的皮带偏移检测算法，包括以下步骤：读取或绘制偏移限制区域；读取网路摄像头图像帧；图像预处理(尺寸调整、转tensor数据等)；预测神经网络；皮带位置预测；提取皮带位置和形状特征；计算皮带边缘与偏移限制区域的相对位置；皮带是否偏移否；(是)偏移计数，超过15次报警；(否)返回读取网路摄像头图像帧步骤进行循环。

2.根据权利要求1所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述读取或绘制偏移限制区域采用的平台为X86平台PC，读取网路摄像头图像帧采用的是监控摄像头。

3.根据权利要求1所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述皮带位置预测采用以下流程进行：训练的数据准备；训练神经网络的搭建；数据的预处理；训练网络模型；数据迭代和损失计算；得到网络模型。

4.根据权利要求3所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述神经网络采用mobilenet作为backbone，mobilenet+Unet的语义分割模型，神经网络预测到皮带位置后提取出皮带特征，最后通过计算皮带边缘的位置判断皮带是否发生偏移。

5.根据权利要求4所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述Unet模型使用轻量级更快速的MobileNet网络。

6.根据权利要求4所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述Unet语义分割，采用一种对称的结构；首先通过卷积池化进行特征提取，然后经过上采样进行重构；其主要采用3x3的卷积核和relu激活函数进行特征提取，使用2x2的最大值池化进行下采样进行压缩；上采样时，使用了邻近插值，没有使用转置卷积；在每个上采样后进行跳跃连接，使用了concat操作，将特征在channel维度拼接在一起，形成更厚的特征，将全局特征和局部特征进行结合，而不是简单的相加；随后使用卷层进行channel维度压缩；跳跃连接时，将大图裁小，对全局的补充，辅助位置矫正。

7.根据权利要求3所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述训练神经网络的搭建采用Pytorch和Opencv，Pytorch为开源的神经网络框架，专门针对GPU加速的深度神经网络(DNN)编程，Opencv用于图像处理、分析、机器视觉方面的开源函数库。

8.根据权利要求1所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述图像预处理的对象为图片的形式，图片预处理的方式分为图片分辨率压缩和二值化，Unet神经网络输入大小为512X512X1，首先将图像压缩成512X512的分辨率，图片训练模型为单通道模型，需要将默认三通道二值化成单通道图片；图片转tensor，将处理完的图片转成Tensor格式送入神经网络。

9.根据权利要求1所述的一种基于语义分割的皮带偏移检测算法，其特征在于：所述计算皮带边缘与偏移限制区域的相对位置通过预测得到皮带MASK数据，MASK数据格式转化并提取二值图，二值图与限制区域二值图进行“与操作”，通过计算得出皮带偏移量。