[发明专利]一种基于深度学习的皮带跑偏检测方法

说明书

本发明公开了一种基于深度学习的皮带跑偏检测方法，该方法利用摄像头捕获皮带运输过程中的图像，把原始图像根据指定的四个点坐标转为鸟瞰图并送入到训练好的神经网络检测模型，得到皮带在图像中坐标位置信息，然后根据等比例原理，换算得出皮带实际精确的位置，对该位置进行判断是否存在跑偏，如果有则计算出跑偏的方向和距离，反馈给纠偏控制系统，实现原料厂皮带的智能跑偏检测过程。本发明旨在利用深度学习检测皮带跑偏问题，并对皮带运行过程可能出现的跑偏现象及时发现和报警，适用于各种皮带运输场景，减少现场人力、时间浪费，保证作业的安全有效性，具备检测精度高、速度快、效果好、鲁棒性强等特点。

技术领域

本发明涉及原料厂物料运输、人工智能领域，具体涉及一种基于深度学习的皮带跑偏检测方法。

背景技术

目前原料厂里进行各种物料运输主要都是使用带式运输机来进行工作，由于皮带不停工作和一些做工材料、机械上不可避免的问题，长时间的运行会导致出现各种故障，影响厂区的生产。在各种故障中，皮带跑偏是最常见也是危害较大的一种，如由于皮带的偏移导致滚轮的轴向负载增加，进而对滚筒造成损伤。更严重地讲，皮带偏移量过大，不仅导致物料洒落的情况还会导致皮带边缘的磨损，长期不处理更会导致皮带破损，如果不及时发现并处理不仅会对生产工具造成损坏，还会影响整体的生产效率，造成经济损失。现如今针对皮带跑偏检测有些厂区采用原始的人工巡检来解决，该方法实时性差、检测效果差、检测精度差。还有一些使用传感器来解决，但受限于现场环境和传感器灵敏度的原因，传感器容易受污渍、油、水等，影响整体可靠性不强。

发明内容

本发明的目的在于提供一种基于深度学习的皮带跑偏检测方法，对皮带运行过程中可能出现的跑偏现象及时发现和报警。

具体体现为：利用摄像头对一些原料厂里带式运输机上的皮带进行检测，利用深度学习中的神经网络对皮带图像进行识别，计算出跑偏距离，判断跑偏方向，反馈给纠偏控制系统，保证原料厂的皮带机正常运行，减少生产事故，确保生产效率。

为了达到上述目的，本发明提供的技术方案如下：

一种基于深度学习的皮带跑偏检测方法，包括以下步骤：

录制获取皮带日常的运行视频；

处理录制的皮带视频，把视频裁剪成图像，并把每张图像做固定四个点的鸟瞰图转换，标注所有鸟瞰图，制作成训练神经网络的数据集；

利用制作完成的数据集，并使用迁移学习训练神经网络模型；

根据转换鸟瞰图边缘图像位置，测量皮带机实际中左边到右边的宽度距离，最后依据图像的大小求出等比例转换公式；

利用深度学习中的神经网络识别结果和等比例转换公式算出跑偏的距离，判断跑偏方向，反馈给纠偏控制系统。

更为具体的，皮带跑偏检测方法步骤如下：

为了计算皮带跑偏距离和判断跑偏方向的精确性，需要把摄像头安装到皮带机中间位置的正上方，并调整好俯视的角度。需要成像效果好，且保证左右两边对称性高：将云台摄像头安装在皮带机中间的正上方，安装高度为1米～1.5米；

获取皮带运行的日常作业录像保存到本地，并把其截取成一张一张的图像。

对截取的每张图像，根据现场的托辊四个顶点位置标定鸟瞰图的四个顶点坐标，利用opencv中的透视矩阵算法把所有原图像批量转化为鸟瞰图；

使用Labelme标注工具，批量标注转化好的鸟瞰图中的皮带部分；

删除标注过程中由于现场光线、灰尘等引起的拍摄不清楚的图像，以免干扰检测模型的精度；

把标注所得到的json文件，转为模型训练需要的txt文件。

训练集图像2585张，验证集图像600张；