[发明专利]一种皮带撕裂检测方法

说明书

本申请公开了一种皮带撕裂检测方法，包括获取皮带正常情况与撕裂情况图片，形成皮带撕裂检测数据集；对皮带撕裂检测数据集进行标注，并将其随机划分为训练集与测试集；使用训练集训练卷积神经网络模型，得到皮带撕裂检测模型；基于皮带撕裂检测模型对监控区域内皮带撕裂情况进行实时检测。本申请基于卷积神经网络模型实现皮带撕裂实时检测，可适应现场的复杂场景并提高了皮带撕裂检测准确率，有助于提高皮带工作效率，帮助现场的生产有序开展。

技术领域

本发明属于智能视频监控安全技术领域，更具体地，涉及一种皮带撕裂检测方法。

背景技术

目前，企业生产中采用的带式运输机运行速度普遍较高，稳定运行速度可达5米/秒以上，由于其带动电机功率较大，在皮带发生撕裂以后如果不能及时通知控制系统停机或者通知现场工作人员及时消除撕裂源，将会导致皮带运输机发生贯穿性撕裂。如果整条皮带撕裂，会造成物料倾洒、损毁减速器和电动机等设备，情况严重时甚至还会损毁机架结构，威胁现场人员的人身安全。皮带发生撕裂会对企业整个生产流程产生极大的影响，降低企业生产效率，甚至威胁企业生产和员工人身安全。因此企业需要一种实时的皮带撕裂检测方法来保证人员安全并提高生产效率。

一般的目标检测方法仅需在图片上判断是否存在检测目标，并获得目标数量，标记目标位置。对于皮带撕裂检测算法，在此基础上还要求针对动态视频实时识别、深度优化，达到较高的识别跟踪精度。近年来，研究人员在基于传感器与基于图像处理等两种检测方式上对皮带撕裂检测做了很多具有创新性的研究工作。但由于定位精度不高、测速度慢、准确率低等问题使得其不适用于复杂性较高的实际现场，无法达到皮带撕裂检测实际需求，基于深度学习的检测算法依靠其网络简单、检测速度快准确性高等特点超过传统检测算法，成为当前皮带撕裂检测方面的主流算法。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于卷积神经网络的皮带撕裂检测方法，基于卷积神经网络模型实现皮带撕裂实时检测，可适应现场的复杂场景并提高了皮带撕裂检测准确率，有助于提高皮带工作效率，帮助现场的生产有序开展。

本发明采用如下的技术方案。一种基于卷积神经网络的皮带撕裂检测方法，包括以下步骤：

步骤1，通过设置在皮带周围的多个现场摄像设备获取正常皮带图片和异常皮带图片，形成皮带撕裂检测数据集；

步骤2，对皮带撕裂检测数据集中的皮带图片进行标注，异常部分包括皮带被异物穿透导致皮带出现撕裂、裂缝、重叠、漏煤、带宽变窄及异常跑偏的异常情况；按照设定的比例，将皮带撕裂检测数据集的全部图片随机划分为训练集和测试集；

步骤3，使用训练集训练卷积神经网络模型，使用测试集检测每一代训练后卷积神经网络模型，筛选获得皮带撕裂检测模型；

步骤4，基于步骤3得到的皮带撕裂检测模型对所述多个现场摄像设备监控区域内皮带撕裂情况进行实时检测。

优选地，步骤1中，通过设置在皮带正上方及前后左右四个方向布置的五个现场摄像设备获取正常皮带图片和已撕裂异常皮带图片。

优选地，步骤1中的现场摄像设备角度为45度，设置在皮带正上方的摄像设备包括光源。

优选地，步骤1具体包括：

步骤1.1，获取现场监控皮带的设置在皮带周围的多个现场摄像设备的历史视频数据；

步骤1.2，使用OpenCV将视频数据转化为图片数据，OpenCV是指开源计算机视觉库；

步骤1.3，通过筛选将图片划分为正常皮带图片和异常皮带图片。

优选地，步骤2具体包括：

步骤2.1，对皮带撕裂检测数据集中的异常皮带图片进行标注，标注部分为正样本，未标注部分为负样本；