[发明专利]基于机器视觉和深度学习的皮带撕裂检测的方法与系统

说明书

本发明公开了一种基于机器视觉和深度学习的皮带撕裂检测的方法与系统，包括打开CCD工业相机，获取皮带机现场图像数据；将图像传输至皮带撕裂识别检测模型，进行检测识别；系统自主判别检测结果是否为撕裂；若检测结果为撕裂，则向控制器发送制动和报警指令，并更新模型；若检测结果为不撕裂，则返回打开CCD工业相机，获取皮带机现场图像数据，继续对皮带撕裂状态进行检测。通过循环检测的方法进行皮带机撕裂状态判别，未出现撕裂状态则持续循环，直至检测出撕裂状态，循环状态终止。本发明的有益效果是：精确及时的发出报警并停机，最大程度的降低皮带撕裂长度，减小因皮带纵撕对生产过程造成的影响，具有较大的社会意义和巨大的经济效益。

技术领域

本发明涉及一种皮带撕裂检测装置，具体为一种基于机器视觉和深度学习的皮带撕裂检测的方法与系统，属于输送皮带异常检测技术领域。

背景技术

皮带运输机是港口、冶金、矿山、化工、石油、电厂、建材等诸多领域企业运输物料的重要运输设备，同时由于生产效率提高，皮带运输机在速度、规模和传输距离等方面不断提高。现在的煤矿企业在生产、运营过程中有大量货物需要皮带输送机长时间、高负载的运转。因此输送带的撕裂成为衡量输送机皮带安全与否的重要指标，研究一种可以快速检测出皮带纵撕的检测设备，精确及时的发出报警并停机，最大程度的降低皮带撕裂长度，减小因皮带纵撕对生产过程造成的影响，具有较大的社会意义和巨大的经济效益。

神经网络分类学习机器视觉，AlexNet是在LeNet的基础上加深了网络的结构，学习更丰富更高维的图像特征。AlexNet的特点是拥有更深的网络结构、使用层叠的卷积层、使用Dropout抑制过拟合使用数据增强Data Augmentation抑制过拟合、使用Relu替换之前的sigmoid的作为激活函数、多GPU训练。AlexNet有着更优秀的图像识别方法，从而有效的提高图像识别的准确率。

机器视觉是在通过电子感知和理解图像来复制人类视觉效果。机器视觉技术具有自动化，智能化和准确性的特点。智能视觉监控已广泛应用于智能交通等零部件鉴定与定位的工业生产线，伤口组织识别，铁路维修，输送机皮带上的材料缺陷检测，和在线分析矿石组分。机器视觉系统一共包括了图像采集、图像处理和目标识别三大模块，有效的替代了人力，降低了现场的人员伤亡系数。

发明内容

本发明的目的就在于为了解决问题而提供一种基于机器视觉和深度学习的皮带撕裂检测的方法与系统。

本发明通过以下技术方案来实现上述目的：一种基于机器视觉和深度学习的皮带撕裂检测系统，该检测系统包括

数据采集模块，采用CCD工业相机，获取皮带机现场图像数据；

图像传输模块，采用GigE进行长距离的快速图像传输至图像处理设备的皮带撕裂识别模型中，进行撕裂状态检测；

模型训练模块，创建皮带撕裂状态数据集，采用AlexNet神经网络训练皮带撕裂识别模型；

撕裂识别模块，使用在模型训练模块得到的皮带撕裂识别模型对图像传输模块传来的图像数据进行撕裂状态识别，并对得出的结果进行相关决策：决策结果为撕裂，则结束循环并更新数据集，且给运动控制模块下达制动指令，决策结果为否，则结束本轮循环并开始下一轮循环；

运动控制模块，通过运动控制器接收撕裂识别模块下达的制动和报警指令，并发出脉冲信号控制控制皮带机的运动状态，以及通过报警器发出警报；

该检测方法包括以下步骤

步骤一、打开CCD工业相机，获取皮带机现场图像数据；

步骤二、通过图像传输模块将图像传输至图像处理设备的皮带撕裂识别检测模型，进行检测识别；

步骤三、系统自主判别检测结果是否为撕裂；

步骤四、若检测结果为撕裂，则发送指令给运动控制器，对皮带机进行制动，同时发出报警指令，并更新模型；

步骤五、若检测结果为不撕裂，则返回打开CCD工业相机，获取皮带机现场图像数据，继续对皮带撕裂状态进行检测。