CN109969736A - 一种大型运载皮带跑偏故障智能检测方法 - Google Patents

一种大型运载皮带跑偏故障智能检测方法 Download PDF

Info

Publication number
CN109969736A
CN109969736A CN201910041877.8A CN201910041877A CN109969736A CN 109969736 A CN109969736 A CN 109969736A CN 201910041877 A CN201910041877 A CN 201910041877A CN 109969736 A CN109969736 A CN 109969736A
Authority
CN
China
Prior art keywords
belt
carrier strip
image
sideslip
straight line
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910041877.8A
Other languages
English (en)
Other versions
CN109969736B (zh
Inventor
彭晨
谢斌
杨明锦
周文举
张帅帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201910041877.8A priority Critical patent/CN109969736B/zh
Publication of CN109969736A publication Critical patent/CN109969736A/zh
Application granted granted Critical
Publication of CN109969736B publication Critical patent/CN109969736B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
    • B65G43/02—Control devices, e.g. for safety, warning or fault-correcting detecting dangerous physical condition of load carriers, e.g. for interrupting the drive in the event of overheating
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/02—Control or detection
    • B65G2203/0266—Control or detection relating to the load carrier(s)
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2203/00—Indexing code relating to control or detection of the articles or the load carriers during conveying
    • B65G2203/04—Detection means
    • B65G2203/041—Camera
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
    • B65G2207/00—Indexing codes relating to constructional details, configuration and additional features of a handling device, e.g. Conveyors
    • B65G2207/40—Safety features of loads, equipment or persons

Landscapes

  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明涉及一种基于动态图像的大型运载皮带跑偏故障智能检测方法，包括，步骤1、针对大型运载皮带运输***，确定运载皮带正常运行时离两边缘的坐标值；步骤2、确定某一皮带边缘智能相机的安装位置。将皮带正常运行时离皮带架边缘的距离有效值和转换成在图像中的像素值，标定横坐标像素值分别为和；步骤3、通过图像处理，确定皮带两边缘直线的横坐标值和。若或，皮带实际跑偏距离为c1～c2，判别为二级故障；若或，皮带实际跑偏距离大于c3，判别为一级故障。与现有技术相比，本发明具有智能识别跑偏故障、不用人工干预的优点，用三个智能相机就能精确地自动判别L（大于700）米长、W（大于1）米宽的大型运载皮带是否发生跑偏故障。

Description

一种大型运载皮带跑偏故障智能检测方法
技术领域
本发明涉及工业自动化生产线大型运载皮带设备智能检测领域，尤其是涉及一种大型运载皮带跑偏故障智能检测方法。
背景技术
运载皮带在煤矿生产、冶金等工业领域广泛使用，由于皮带上方所运输物料分布不均匀，长期运行造成运载皮带跑偏，增加了皮带磨损，严重影响皮带的使用寿命，皮带重度跑偏甚至会造成皮带撕裂等恶性故障，影响了煤矿的正常生产。
目前对皮带的跑偏检测大都是基于机械式传感器的接触式检测方法，一方面检测物理设备安装的位置固定，跑偏检测的物理装置在工作一段时间后会因碰撞、磨损而损坏，检测的精度下降，稳定性较差。另一方面，只有当皮带跑偏比较大的时候，装置才会起作用，不能实时对皮带的跑偏量进行定量检测。因此，皮带跑偏故障检测方法问题的研究是很有价值，也是亟待解决的。
机器视觉技术具有非接触，检测速度快，检测精度高，检测结果客观可靠的优点，匹配合适的智能检测算法可以快速准确地检测运载皮带是否发生跑偏故障。机器视觉在很多检测领域已有应用，在皮带跑偏检测领域也有应用先例但是大部分是对工业相机的安装装置进行设计，根据采集图像人工识别是否发生跑偏故障(例如专利CN207703158U)。因为需要人工干预，进行底座的滑动来实现工业相机焦距的粗调，再通过工业相机本身的精度调旋按钮来调节焦距。采集工业现场皮带动态图像而不配合检测算法对图像进行处理，只是人工查看图像进而判断皮带是否跑偏。这种方式工业相机只是起了一个采集图像和监控的作用，未对采集图像进行实时处理，进而检测出皮带跑偏故障。一般情况下，对动态图像进行处理和运动物体故障的检测计算复杂度较高，耗时长，很难满足工业生产故障讯速检测，快速排除的目标，特别是在煤矿生产线中，运载皮带对煤矿的运输至关重要，如何能够在无需人工干预的情况下实现快速准确的对运载皮带是否发生跑偏检测是生产技术人员多年的期盼。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷，提供了一种大型运载皮带跑偏故障智能检测方法，该方法较现有方法检测速度快，检测精度高，不用人工干预等优点。
为达到上述目的，本发明的构思是：
本方法利用高速工业智能相机安装到煤矿物料运输生产线上的待检测工位，利用专用光源照明待测皮带工位的下皮带面，采集运载皮带运行图像信息，对采集的图像信息进行在线实时处理。本发明的关键是对皮带跑偏故障进行检测的快速算法，所述皮带表面图像进行处理的智能检测算法包括皮带边缘离皮带架坐标位置的快速定位、皮带表面图像特征参数的提取、皮带边缘直线的检测等。所述智能相机在线图像处理***对所述皮带表面图像处理后输出故障信息，传输到上位机界面进行动态显示。所述工业照相机为单色或彩色面阵扫描高速工业照相机，所述工业照相机可附加到现有煤矿物料运输生产线或附加到皮带故障检测专用流水线上，安装位置为能对皮带边缘和皮带架图像方便拍照的工段位置。所述专用光源为环形LED光源，为所述工业照相机提供照明。所述工业照相机位于所述专用光源的正上方，所述工业照相机的镜头通过所述专用光源的环形中间取景。所述上位机界面包括工业计算机及皮带跑偏故障监测软件。
根据上述构思，本发明采用如下技术方案：
一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制***中皮带的跑偏量和故障等级，所述的方法包括以下步骤：
步骤1、针对大型运载皮带运行***，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；
步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；
步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2；若p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1-f1|＞p1或|s2-f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级。其中p1,p2分别为预先确定的皮带跑偏的坐标像素阈值。
所述步骤1具体包括以下步骤：
步骤1.1、对大型运载皮带运行状态进行跟踪，记录相关数据，分析后发现大型运载皮带具有左右平行跑偏的特征；只要确定皮带边直线的横坐标是否超出皮带正常运行时离左或右皮带架边缘的距离即能够判断皮带是否发生跑偏；
步骤1.2、在运载皮带处于运行状态时，确定皮带中心离左或右皮带架边缘的距离l1和l2，大型运载皮带长度为L，宽度为W，则d1＝l1-W/2，d2＝l2-W/2。
所述步骤2具体包括以下步骤：
步骤2.1、基于所获得的皮带边横坐标正常运行区间，确定在全程L米的大型运载皮带机尾、重锤、机头三个工位智能相机的安装位置；
步骤2.2、基于相机的安装位置，相机采集目标图像，在所处理的图像中建立坐标系，标定坐标原点为图像的左上方位置；在图像中标定皮带边缘的位置，输出距离单位为像素值s3，测定运行状态的皮带边缘至所安装相机的实际横向直线距离d3；通过测定多组数据，训练模型，获得图像中距离的像素值和实际距离的对应关系为1cm＝25px。
所述步骤3具体包括以下步骤：
步骤3.1、根据图像处理中的霍夫变换方法，对采集的运载皮带运行图像进行处理获得皮带边缘的直线，标定图像中皮带边直线的横坐标：
一条直线在笛卡尔坐标系下可由两个点A＝(x1,y1)和B＝(x2,y2)确定；设直线方程为y＝kx+q，将其转化在霍夫空间下关于(k,q)的函数表达式
笛卡尔坐标系下的一条直线对应于霍夫空间中的一个点，如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点，当多条直线相交的点也为多个时，采用霍夫变换后通常的处理方式，即选择尽可能多直线汇成的点；但笛卡尔坐标转换成霍夫空间存在局限性，当k＝∞时是不好描述的，且q的取值存在无限多种情况；因此，考虑将笛卡尔坐标系转换为极坐标系：
直线的求解：细化成坐标形式，取整后将交点对应的坐标进行累加，找到数值最大的点就是最终要求解的(ρ,θ)，进而求解出了直线；其中ρ为直线的极径，θ为极角。
步骤3.2、根据霍夫变换的基本原理编写图像处理程序，获得皮带边的直线横坐标，当p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判别为二级故障，即中度跑偏；|s1-f1|＞p3或|s2-f2|＞p3，对应运载皮带实际跑偏距离大于c3，判别为一级故障，即严重跑偏；确定皮带的跑偏量和跑偏故障等级。
与现有技术相比，本发明具有以下优点：
1、方法简单，易于实现，不需要人工干预，实时自动检测故障。
2、皮带跑偏检测速度快且精度高。
3、可实现皮带跑偏故障在线实时诊断。
4、可对大型运载皮带运行***进行跑偏故障诊断、及时发现故障，为调整皮带跑偏量提供参考
附图说明
图1为本发明方法的流程图；
图2为笛卡尔坐标和霍夫变换空间极坐标转换图；
图3为本发明实施例的智能相机安装位置和大型运载皮带示意图；
图4为本发明实施例的对运载皮带进行累计概率霍夫变换图像处理结果图；
图5为本发明实施例的大型运载皮带跑偏故障诊断界面。
具体实施方式
下面结合附图对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示，一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制***中皮带的跑偏量和故障等级，所述的方法包括以下步骤：
步骤1、针对大型运载皮带运行***，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；具体步骤为：
步骤1.1、对大型运载皮带运行状态进行跟踪，记录相关数据，分析后发现大型运载皮带具有左右平行跑偏的特征；只要确定皮带边直线的横坐标是否超出皮带正常运行时离左或右皮带架边缘的距离即能够判断皮带是否发生跑偏；
步骤1.2、在运载皮带处于运行状态时，确定皮带中心离左或右皮带架边缘的距离l1和l2，大型运载皮带长度为L，宽度为W，则d1＝l1-W/2，d2＝l2-W/2。
步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；具体步骤为：
步骤2.1、如图3所示，基于所获得的皮带边横坐标正常运行区间，确定在全程L米的大型运载皮带机尾、重锤、机头三个工位智能相机的安装位置；
步骤2.2、基于相机的安装位置，相机采集目标图像，在所处理的图像中建立坐标系，标定坐标原点为图像的左上方位置；在图像中标定皮带边缘的位置，输出距离单位为像素值s3，测定运行状态的皮带边缘至所安装相机的实际横向直线距离d3；通过测定多组数据，训练模型，获得图像中距离的像素值和实际距离的对应关系为1cm＝25px。
步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2(通过编写图像处理的相关程序代码，烧入智能相机，对采集视频图像实时处理获得运载皮带与两边缘的距离，单位为像素)；若p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1-f1|＞p1或|s2-f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级。具体步骤如下：
步骤3.1、根据图像处理中的霍夫变换方法，对采集的运载皮带运行图像进行处理获得皮带边缘的直线，标定图像中皮带边直线的横坐标：
一条直线在笛卡尔坐标系下可由两个点A＝(x1,y1)和B＝(x2,y2)确定；设直线方程为y＝kx+q，将其转化在霍夫空间下关于(k,q)的函数表达式
笛卡尔坐标系下的一条直线对应于霍夫空间中的一个点，如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点，当多条直线相交的点也为多个时，采用霍夫变换后通常的处理方式，即选择尽可能多直线汇成的点；但笛卡尔坐标转换成霍夫空间存在局限性，当k＝∞时是不好描述的，且q的取值存在无限多种情况；因此，考虑将笛卡尔坐标系转换为极坐标系：
直线的求解：细化成坐标形式，取整后将交点对应的坐标进行累加，找到数值最大的点就是最终要求解的(ρ,θ)，进而求解出了直线；本实施例中笛卡尔坐标和霍夫变换空间极坐标转换图如图2所示。
步骤3.2、如图4所示，根据霍夫变换的基本原理编写图像处理程序，获得皮带边的直线横坐标，当p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判别为二级故障，即中度跑偏；|s1-f1|＞p3或|s2-f2|＞p3，对应运载皮带实际跑偏距离大于c3，判别为一级故障，即严重跑偏；确定皮带的跑偏量和跑偏故障等级。本实施例中大型运载皮带跑偏故障诊断界面如图5所示。
至此，从步骤1到步骤3完成了对于大型运载皮带跑偏量和跑偏等级的故障诊断。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (4)

1.一种大型运载皮带跑偏故障智能检测方法，用于获得运载皮带运动控制***中皮带的跑偏量和故障等级，其特征在于，所述的方法包括以下步骤：
步骤1、针对大型运载皮带运行***，确定运载皮带正常运行时皮带边缘离皮带架的距离：基于大型运载皮带具有左右平行跑偏的特点，只需确定运载皮带正常运行时皮带某一边缘离皮带架的横向距离有效值d1和d2；
步骤2、基于所获得的皮带正常运行时皮带边缘离皮带架的距离，在皮带机尾处某一边缘选择恰当的位置安装智能相机，以便更好地实时采集皮带运行的动态图像；通过多次采集图像样本，对图像进行坐标变换，将皮带正常运行时离左或右皮带架边缘的距离有效值d1和d2转换成在图像中对应的像素值，标定其横坐标像素值分别为f1和f2；
步骤3、基于智能相机采集的视频图像，采用图像处理中的霍夫变换方法对图像进行实时处理，确定皮带两边缘的直线横坐标值s1和s2；若p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判定为二级故障，即中度跑偏；若|s1-f1|＞p1或|s2-f2|＞p2，对应运载皮带实际跑偏距离大于c3，判定为一级故障，即严重跑偏；从而确定了皮带的跑偏量和跑偏故障等级；其中p1,p2分别为预先确定的皮带跑偏的坐标像素阈值。
2.根据权利要求1所述的大型运载皮带跑偏故障智能检测方法，其特征在于，所述步骤1具体包括以下步骤：
步骤1.1、对大型运载皮带运行状态进行跟踪，记录相关数据，分析后发现大型运载皮带具有左右平行跑偏的特征；只要确定皮带边直线的横坐标是否超出皮带正常运行时离左或右皮带架边缘的距离即能够判断皮带是否发生跑偏；
步骤1.2、在运载皮带处于运行状态时，确定皮带中心离左或右皮带架边缘的距离l1和l2，大型运载皮带长度为L，宽度为W，则d1＝l1-W/2，d2＝l2-W/2。
3.根据权利要求1所述的大型运载皮带跑偏故障智能检测方法，其特征在于，所述步骤2具体包括以下步骤：
步骤2.1、基于所获得的皮带边横坐标正常运行区间，确定在全程L米的大型运载皮带机尾、重锤、机头三个工位智能相机的安装位置；
步骤2.2、基于相机的安装位置，相机采集目标图像，在所处理的图像中建立坐标系，标定坐标原点为图像的左上方位置；在图像中标定皮带边缘的位置，输出距离单位为像素值s3，测定运行状态的皮带边缘至所安装相机的实际横向直线距离d3；通过测定多组数据，训练模型，获得图像中距离的像素值和实际距离的对应关系为1cm＝25px。
4.根据权利要求1所述的大型运载皮带跑偏故障智能检测方法，其特征在于，所述步骤3具体包括以下步骤：
步骤3.1、根据图像处理中的霍夫变换方法，对采集的运载皮带运行图像进行处理获得皮带边缘的直线，标定图像中皮带边直线的横坐标：
一条直线在笛卡尔坐标系下可由两个点A＝(x1,y1)和B＝(x2,y2)确定；设直线方程为y＝kx+q，将其转化在霍夫空间下关于(k,q)的函数表达式
笛卡尔坐标系下的一条直线对应于霍夫空间中的一个点，如果笛卡尔坐标系的点共线，这些点在霍夫空间对应的直线交于一点，当多条直线相交的点也为多个时，采用霍夫变换后通常的处理方式，即选择尽可能多直线汇成的点；但笛卡尔坐标转换成霍夫空间存在局限性，当直线斜率k＝∞时是不好描述的，且q的取值存在无限多种情况；因此，考虑将笛卡尔坐标系转换为极坐标系：
直线的求解：细化成坐标形式，取整后将交点对应的坐标进行累加，找到数值最大的点就是最终要求解的(ρ,θ)，进而求解出了直线；其中ρ为直线的极径，θ为极角；
步骤3.2、根据霍夫变换的基本原理编写图像处理程序，获得皮带边的直线横坐标，当p1＜|s1-f1|≤p2或p1＜|s2-f2|≤p2，对应运载皮带实际跑偏距离为c1～c2，判别为二级故障，即中度跑偏；|s1-f1|＞p3或|s2-f2|＞p3，对应运载皮带实际跑偏距离大于c3，判别为一级故障，即严重跑偏；确定皮带的跑偏量和跑偏故障等级。
CN201910041877.8A 2019-01-17 2019-01-17 一种大型运载皮带跑偏故障智能检测方法 Active CN109969736B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910041877.8A CN109969736B (zh) 2019-01-17 2019-01-17 一种大型运载皮带跑偏故障智能检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910041877.8A CN109969736B (zh) 2019-01-17 2019-01-17 一种大型运载皮带跑偏故障智能检测方法

Publications (2)

Publication Number Publication Date
CN109969736A true CN109969736A (zh) 2019-07-05
CN109969736B CN109969736B (zh) 2020-12-15

Family

ID=67076682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910041877.8A Active CN109969736B (zh) 2019-01-17 2019-01-17 一种大型运载皮带跑偏故障智能检测方法

Country Status (1)

Country Link
CN (1) CN109969736B (zh)

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490995A (zh) * 2019-08-26 2019-11-22 精英数智科技股份有限公司 一种皮带运行状态异常监测方法、***、设备及存储介质
CN110902315A (zh) * 2019-12-10 2020-03-24 浙江蓝卓工业互联网信息技术有限公司 皮带偏移状态检测方法及***
CN111325787A (zh) * 2020-02-09 2020-06-23 天津博宜特科技有限公司 基于图像处理的移动式皮带跑偏及运量检测方法
CN112027566A (zh) * 2020-09-30 2020-12-04 武汉科技大学 基于激光扫描的输送带跑偏类型判断及跑偏量测算***
CN112919050A (zh) * 2021-02-04 2021-06-08 华润电力技术研究院有限公司 输送皮带监控方法、装置、设备及计算机可读存储介质
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、***、设备和介质
CN113378952A (zh) * 2021-06-22 2021-09-10 中冶赛迪重庆信息技术有限公司 一种皮带机跑偏检测方法、***、介质和终端
CN113401615A (zh) * 2021-06-29 2021-09-17 攀钢集团西昌钢钒有限公司 胶带输送机皮带故障的诊断方法、装置、电子设备及介质
CN113674302A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机料面偏移识别方法、***、电子设备及介质
CN114419852A (zh) * 2021-12-27 2022-04-29 天地科技股份有限公司 刮板输送机偏移判断与分级预警方法以及装置
CN115082456A (zh) * 2022-07-27 2022-09-20 煤炭科学研究总院有限公司 一种煤矿带式输送机故障诊断方法及装置
CN115557197A (zh) * 2022-09-28 2023-01-03 苏州中材建设有限公司 一种长胶带输送机运行轨迹监测装置及方法
CN117800039A (zh) * 2024-02-23 2024-04-02 太原理工大学 带式输送机皮带跑偏检测***
CN117830416A (zh) * 2024-03-05 2024-04-05 山西戴德测控技术股份有限公司 输送带异常位置定位方法、装置、设备及介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0793535A (ja) * 1993-09-22 1995-04-07 Fanuc Ltd 画像修正処理方法
CN102602681A (zh) * 2012-01-13 2012-07-25 天津工业大学 基于机器视觉的输送带跑偏故障在线检测方法
CN102673979A (zh) * 2012-06-12 2012-09-19 青岛科技大学 输送带跑偏判断方法及判断装置
KR20150019495A (ko) * 2013-08-14 2015-02-25 주식회사 포스코 벨트 컨베이어의 구동 제어 장치 및 그 방법
CN104828517A (zh) * 2015-05-05 2015-08-12 中国矿业大学(北京) 基于视觉的皮带跑偏检测方法
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
WO2017058557A1 (en) * 2015-09-30 2017-04-06 Contitech Transportbandsysteme Gmbh Conveyor belt edge detection system

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0793535A (ja) * 1993-09-22 1995-04-07 Fanuc Ltd 画像修正処理方法
CN102602681A (zh) * 2012-01-13 2012-07-25 天津工业大学 基于机器视觉的输送带跑偏故障在线检测方法
CN102673979A (zh) * 2012-06-12 2012-09-19 青岛科技大学 输送带跑偏判断方法及判断装置
KR20150019495A (ko) * 2013-08-14 2015-02-25 주식회사 포스코 벨트 컨베이어의 구동 제어 장치 및 그 방법
CN104828517A (zh) * 2015-05-05 2015-08-12 中国矿业大学(北京) 基于视觉的皮带跑偏检测方法
CN105083912A (zh) * 2015-07-07 2015-11-25 青岛科技大学 一种基于图像识别的输送带跑偏检测方法
WO2017058557A1 (en) * 2015-09-30 2017-04-06 Contitech Transportbandsysteme Gmbh Conveyor belt edge detection system

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110490995A (zh) * 2019-08-26 2019-11-22 精英数智科技股份有限公司 一种皮带运行状态异常监测方法、***、设备及存储介质
CN110490995B (zh) * 2019-08-26 2021-08-17 精英数智科技股份有限公司 一种皮带运行状态异常监测方法、***、设备及存储介质
CN110902315B (zh) * 2019-12-10 2022-04-01 浙江蓝卓工业互联网信息技术有限公司 皮带偏移状态检测方法及***
CN110902315A (zh) * 2019-12-10 2020-03-24 浙江蓝卓工业互联网信息技术有限公司 皮带偏移状态检测方法及***
CN111325787A (zh) * 2020-02-09 2020-06-23 天津博宜特科技有限公司 基于图像处理的移动式皮带跑偏及运量检测方法
CN112027566A (zh) * 2020-09-30 2020-12-04 武汉科技大学 基于激光扫描的输送带跑偏类型判断及跑偏量测算***
CN112919050A (zh) * 2021-02-04 2021-06-08 华润电力技术研究院有限公司 输送皮带监控方法、装置、设备及计算机可读存储介质
CN113112485A (zh) * 2021-04-20 2021-07-13 中冶赛迪重庆信息技术有限公司 基于图像处理的皮带机跑偏检测方法、***、设备和介质
CN113378952A (zh) * 2021-06-22 2021-09-10 中冶赛迪重庆信息技术有限公司 一种皮带机跑偏检测方法、***、介质和终端
CN113401615A (zh) * 2021-06-29 2021-09-17 攀钢集团西昌钢钒有限公司 胶带输送机皮带故障的诊断方法、装置、电子设备及介质
CN113674302A (zh) * 2021-08-26 2021-11-19 中冶赛迪重庆信息技术有限公司 一种皮带机料面偏移识别方法、***、电子设备及介质
CN113674302B (zh) * 2021-08-26 2024-03-05 中冶赛迪信息技术(重庆)有限公司 一种皮带机料面偏移识别方法、***、电子设备及介质
CN114419852A (zh) * 2021-12-27 2022-04-29 天地科技股份有限公司 刮板输送机偏移判断与分级预警方法以及装置
CN114419852B (zh) * 2021-12-27 2024-02-23 天地科技股份有限公司 刮板输送机偏移判断与分级预警方法以及装置
CN115082456A (zh) * 2022-07-27 2022-09-20 煤炭科学研究总院有限公司 一种煤矿带式输送机故障诊断方法及装置
CN115557197A (zh) * 2022-09-28 2023-01-03 苏州中材建设有限公司 一种长胶带输送机运行轨迹监测装置及方法
CN117800039A (zh) * 2024-02-23 2024-04-02 太原理工大学 带式输送机皮带跑偏检测***
CN117800039B (zh) * 2024-02-23 2024-05-14 太原理工大学 带式输送机皮带跑偏检测***
CN117830416A (zh) * 2024-03-05 2024-04-05 山西戴德测控技术股份有限公司 输送带异常位置定位方法、装置、设备及介质
CN117830416B (zh) * 2024-03-05 2024-05-17 山西戴德测控技术股份有限公司 输送带异常位置定位方法、装置、设备及介质

Also Published As

Publication number Publication date
CN109969736B (zh) 2020-12-15

Similar Documents

Publication Publication Date Title
CN109969736A (zh) 一种大型运载皮带跑偏故障智能检测方法
CN101526484B (zh) 基于嵌入式机器视觉的轴承缺陷检测方法
CN108332689B (zh) 一种检测表面粗糙度和表面损伤的光学测量***及方法
CN106274979B (zh) 钢轨磨耗自动检测装置
CN106441107B (zh) 钢轨磨耗自动检测方法
Zhang et al. Research on tool wear detection based on machine vision in end milling process
CN102840836A (zh) 一种基于机器视觉的装配间隙检测方法及装置
CN102175692A (zh) 织物坯布疵点快速检测***及方法
US7599050B2 (en) Surface defect inspecting method and device
CN110288032A (zh) 一种车辆行驶轨迹类型检测方法及装置
CN107345789A (zh) 一种pcb板孔位检测装置及方法
CN110728657A (zh) 一种基于深度学习的环状轴承外表面缺陷检测方法
CN101701799A (zh) 微钻机器视觉检测***及其方法
CN108389184A (zh) 一种基于机器视觉的工件制孔数检测方法
JP2007163340A (ja) 板長さ測定装置及び板長さ測定方法
CN117085969B (zh) 人工智能工业视觉检测方法、装置、设备及存储介质
CN206019585U (zh) 钢轨磨耗检测***
JP2019215240A (ja) 外観検査装置の教師画像生成方法
CN110455240A (zh) 车辆自动漆膜检测方法及***
CN201917325U (zh) 离线浮法玻璃光学变形角检测装置
Gao et al. An Automatic Detection and Sorting System for Valve Core Based on Machine Vision
CN220932816U (zh) 一种基于机器视觉的管材缺陷检测装置
CN110095527A (zh) 一种流水线上荧光磁粉探伤自动化装置及方法
CN108181315A (zh) 一种基于图像处理的饼干损伤检测装置及检测方法
Koskinen et al. Automated quality classification of wooden parts for flexible manufacturing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant