CN116461931A - 基于深度学习的皮带纵向撕裂检测识别***及方法 - Google Patents
基于深度学习的皮带纵向撕裂检测识别***及方法 Download PDFInfo
- Publication number
- CN116461931A CN116461931A CN202310497175.7A CN202310497175A CN116461931A CN 116461931 A CN116461931 A CN 116461931A CN 202310497175 A CN202310497175 A CN 202310497175A CN 116461931 A CN116461931 A CN 116461931A
- Authority
- CN
- China
- Prior art keywords
- belt
- detection
- time point
- damage
- region
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 306
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013135 deep learning Methods 0.000 title claims abstract description 17
- 230000005540 biological transmission Effects 0.000 claims abstract description 87
- 238000004458 analytical method Methods 0.000 claims abstract description 63
- 238000005336 cracking Methods 0.000 claims description 45
- 238000013441 quality evaluation Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000001303 quality assessment method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000003708 edge detection Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 5
- 230000007774 longterm Effects 0.000 abstract description 4
- 239000000463 material Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 230000002457 bidirectional effect Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000009546 growth abnormality Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及皮带纵向撕裂技术领域,具体公开基于深度学习的皮带纵向撕裂检测识别***及方法,该***包括:皮带历史货物乘载分析模块、皮带检测模块检测区域划分模块、皮带破损分析模块、皮带破损增长系数分析模块、预警终端和云数据库,本发明分析皮带的历史传输质量,弥补了现有技术中对皮带历史情况的分析力度不够深入的缺陷,进而保障皮带撕裂扩张分析结果的精确性,及时确保皮带撕裂的风险并给予预警,有利于皮带的长期使用,本发明克服了现有技术中对皮带撕裂区域规则性关注度不高的现象,保障皮带撕裂区域扩张的安全性,进而保障皮带纵向撕裂分析结果的精确性,提高了皮带撕裂增长系数分析结果的参考性。
Description
技术领域
本发明涉及皮带纵向撕裂技术领域,具体而言,涉及基于深度学习的皮带纵向撕裂检测识别***及方法。
背景技术
皮带是一种广泛应用于工业生产中的传输设备,其主要作用是将物料从一个地方传输到另一个地方,皮带已经在许多工业领域得到了应用,如矿山、港口、电力、化工等行业,在皮带的使用过程中,由于各种原因,皮带可能会出现纵向撕裂的情况,一方面导致物料泄漏,进而存在物料浪费的问题,另一方面难以保障皮带设备的安全性,难以保障相关工作人员带来身体健康安全,严重影响生产效率和安全性,因此,为了提高生产效率和安全性,减少生产事故的发生,对皮带进行检测识别是十分有必要的。
现有技术中皮带进行检测识别在一定程度上可以满足当前要求,但是还存在一定的缺陷,其具体体现在:(1)现有技术大多针对皮带的检测图片进行纵向撕裂分析,对皮带的历史情况的分析力度不够深入,皮带的历史情况也是影响皮带的撕裂扩张的一部分因素,现有技术对这一层面的忽视导致分析皮带撕裂扩张分析结果的不精确,进而难以确保皮带撕裂风险并给于及时预警,可能存在皮带撕裂增长存在很大的风险但是并没有得到及时预警的情况,从而造成不必要的损失,不利于皮带的长期使用。
(2)现有技术对皮带撕裂区域的规则性的关注度不高,皮带撕裂区域的规则性在一定程度上影响皮带撕裂的损坏增长,现有技术对这一层面的忽视难以保障皮带撕裂区域扩张的安全性,进而难以保障皮带纵向撕裂分析结果的精确性,从而无法为后续皮带撕裂增长提供强有力的数据支持,降低了皮带撕裂增长系数分析结果的参考性。
发明内容
为了克服背景技术中的缺点,本发明实施例提供了基于深度学习的皮带纵向撕裂检测识别***及方法,能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现:基于深度学习的皮带纵向撕裂检测识别***,包括:皮带历史货物乘载分析模块,用于从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数。
皮带检测模块,用于在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测。
检测区域划分模块,用于依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域。
皮带破损分析模块,用于获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数。
皮带破损增长系数分析模块,用于分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
预警终端,用于依据各皮带检测子区域在各检测时间点的破损系数进行相应预警,并依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行相应预警。
云数据库,用于存储皮带在设定检测周期内对应的货物参数,存储开裂灰度值范围,并存储皮带对应的历史故障次数。
进一步地,所述货物参数包括各次传输对应的货物重量。
进一步地,所述皮带对应的历史传输质量评估系数,其具体方法为:从皮带在设定检测周期内对应的货物参数中提取各次传输对应的货物重量Gb,其中b为各次传输的编号,b=1,2,...,c。
将皮带所属各次传输对应的货物重量进行均值处理,进而得到皮带对应的货物重量均值G′。
从皮带所属各次传输对应的货物重量中选取皮带所属传输对应的最大货物重量Gmax和最小货物重量Gmin。
分析皮带对应的传输重量偏差系数其中Gb+1为第b+1次传输对应的货物重量,G″为预设的最大货物重量与最小货物重量对应的允许货物重量误差,G″′为预设的相邻两次传输对应的允许货物重量误差,c为传输次数,λ1、λ2、λ3分别为预设的相邻两次传输的货物重量偏差、货物重量偏差、最大货物重量与最小货物重量对应的重量偏差所属的影响权重系数。
统计皮带对应的传输次数C,进而依据预定义的皮带对应的标准传输次数C′,分析皮带对应的历史传输质量评估系数其中e为自然常数。
进一步地,所述分析各检测时间点所属各皮带检测子区域对应的破损系数,其具体方法为:依据各检测时间点所属各皮带检测子区域的目标边图像获取各检测时间点所属各皮带检测子区域对应目标边图像的各灰度值。
从云数据库中提取皮带对应的开裂灰度值范围,进而将各检测时间点所属各皮带检测子区域的目标边图像的各灰度值与皮带对应的开裂灰度值范围进行对比,从而筛选各检测时间点所属各皮带检测子区域对应的各异常区域,并获取其对应的面积,进而从中选取面积最大的区域作为目标开裂区域,进而得到各检测时间点所属各皮带检测子区域对应的目标开裂区域。
获取各检测时间点所属各皮带检测子区域对应目标开裂区域的面积Sjp,其中j为各检测时间点的编号,j=1,2,...,k,p为各皮带检测子区域的编号,p=1,2,...,q。
分析各检测时间点所属各皮带检测子区域在目标边检测时对应的破损系数其中S′为预设的允许目标开裂区域的面积。
同理,分析各检测时间点所属各皮带检测子区域在指定边检测时对应的破损系数M′jp。
分析各检测时间点所属各皮带检测子区域对应的破损系数其中γ1、γ2为预设的目标开裂区域面积、目标开裂区域规则度对应的权值因子,μjp为第j个检测时间点所属第p个皮带检测子区域对应目标开裂区域的轮廓规则度。
进一步地,所述各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度,其具体分析方法为:获取各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓,并获取其对应的线条。
以各皮带检测子区域对应的中心点为原点建立三维坐标系,从各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓线条上按照设定的长度选取各轮廓点,并获取其对应的三维坐标其中h为各轮廓点的编号,h=1,2,...,g。
分析各检测时间点所属各皮带检测子区域对应各轮廓点与其相邻轮廓点之间的距离
分析各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度其中/>为第j个检测时间点所属第p个皮带检测子区域对应第h+1个轮廓点与第h+2个轮廓点之间的距离,g为轮廓点的数量,JL′为预设的轮廓点距离的允许距离偏差的误差。
进一步地,所述分析各检测时间点对应的各损坏皮带子区域,其具体方法为:将各检测时间点所属各皮带检测子区域对应的破损系数与预设的破损系数阈值进行对比,若某检测时间点所属某皮带检测子区域对应的破损系数大于或等于破损系数阈值,则将该皮带检测子区域标记为损坏皮带子区域,将该检测时间点标记为损坏时间点,进而得到各损坏时间点所属的各损坏皮带子区域。
进一步地,所述各损坏皮带子区域在各损坏时间点对应的破损增长系数,其具体分析方法为:依据各检测时间点所属各皮带检测子区域对应的破损系数获取各损坏时间点所属各损坏皮带子区域对应的破损系数,进而将其进行汇总,获取各损坏皮带子区域在各损坏时间点所属的破损系数σm,f,其中m为各损坏皮带子区域的编号,m=1,2,...,l,f为各损坏时间点的编号,f=1,2,...,t,进而获取各损坏时间点与其相邻损坏时间点的间隔Jf,f-1,其中f>1。
分析各损坏皮带子区域在各损坏时间点对应的破损增长率其中σm,f-1为第m个损坏皮带子区域对应第f-1个损坏时间点所属的破损系数。
综合分析各损坏皮带子区域在各损坏时间点对应的破损增长系数其中ξ为皮带传输环境质量评估系数,ω″为预设的允许损坏增长率,χ1、χ2、χ3分别为预设的损坏增长率、皮带历史传输质量、皮带传输环境质量对应的占比因子。
进一步地,所述皮带传输环境质量评估系数ξ,其具体分析方法为:获取各检测时间点对应的皮带传输速度Rj,并获取各检测时间点对应各皮带检测子区域对应的温度WTjp,从云数据库中提取皮带对应的历史故障次数CS。
将各检测时间点对应各皮带检测子区域对应的温度进行均值处理,进而得到各检测时间点对应的温度均值,并将各检测时间点对应的温度均值进行均值处理,进而将其结果作为皮带对应的适宜温度WT′。
分析各检测时间点对应的皮带传输环境质量评估系数其中R′为预定义的标准皮带传输速度,CS′为预设的皮带允许故障次数,δ1、δ2、δ3为预设的温度适宜、传输速度适宜、皮带故障次数对应的影响权重因子。
将各检测时间点对应的皮带传输环境质量评估系数进行均值处理,并将其结果作为皮带传输环境质量评估系数。
本发明第二方面提供基于深度学习的皮带纵向撕裂检测识别方法,包括:S1.皮带历史货物乘载分析:从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数。
S2.皮带检测:在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测。
S3.检测区域划分:依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域。
S4.皮带破损分析:获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数。
S5.皮带破损增长系数分析:分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
相对于现有技术,本发明的实施例至少具有如下优点或有益效果:(1)本发明在皮带历史货物乘载分析模块中获取皮带在设定检测周期内的货物参数,进而据此分析皮带的历史传输质量,弥补了现有技术中对皮带历史情况的分析力度不够深入的缺陷,进而保障皮带撕裂扩张分析结果的精确性,及时确保皮带撕裂的风险并给予预警,降低相关损失,有利于皮带的长期使用。
(2)本发明在皮带检测模块对皮带进行双向检测,该检测方法更为准确,避免数据来源的单一性影响皮带撕裂分析结果的准确性,为后续皮带撕裂分析奠定了强有力的数据基础。
(3)本发明在检测区域划分模块对皮带检测区域进行划分,进行皮带撕裂分析时更为准确,同时也能更迅速定位出皮带撕裂风险的区域。
(4)本发明在皮带破损分析模块中对皮带撕裂区域的面积和规则性进行分析,克服了现有技术中对皮带撕裂区域规则性关注度不高的现象,保障皮带撕裂区域扩张的安全性,进而保障皮带纵向撕裂分析结果的精确性,从而为后续皮带撕裂增长的分析提供强有力的数据支持,提高了皮带撕裂增长系数分析结果的参考性。
(5)本发明在皮带破损增长系数分析模块中对损坏子区域的破损增长系数进行分析,进而确保皮带撕裂增长的安全性,避免出现皮带撕裂增长出现过大的现象,有利于在当前损坏子区域的破损系数符合要求的情况下继续对皮带进行检测,从而在一定程度上降低人力物力资源的浪费。
附图说明
利用附图对本发明作进一步说明,但附图中的实施例不构成对本发明的任何限制,对于本领域的普通技术人员,在不付出创造性劳动的前提下,还可以根据以下附图获得其它的附图。
图1为本发明的模块连接示意图。
图2为本发明的方法流程图。
图3为本发明的皮带示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1所示,本发明第一方面提供基于深度学习的皮带纵向撕裂检测识别***,包括:皮带历史货物乘载分析模块、皮带检测模块检测区域划分模块、皮带破损分析模块、皮带破损增长系数分析模块、预警终端和云数据库。
所述皮带检测模块与检测区域划分模块连接,检测区域划分模块与皮带破损分析模块连接,皮带破损分析模块和皮带历史货物乘载分析模块均与皮带破损增长系数分析模块连接,云数据库分别与皮带破损增长系数分析模块、皮带破损分析模块和皮带历史货物乘载分析模块连接,预警终端分别与皮带破损增长系数分析模块和皮带破损分析模块连接。
所述皮带历史货物乘载分析模块,用于从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数。
在本发明的具体实施例中,所述货物参数包括各次传输对应的货物重量。
在本发明的具体实施例中,所述皮带对应的历史传输质量评估系数,其具体方法为:从皮带在设定检测周期内对应的货物参数中提取各次传输对应的货物重量Gb,其中b为各次传输的编号,b=1,2,...,c。
将皮带所属各次传输对应的货物重量进行均值处理,进而得到皮带对应的货物重量均值G′。
从皮带所属各次传输对应的货物重量中选取皮带所属传输对应的最大货物重量Gmax和最小货物重量Gmin。
分析皮带对应的传输重量偏差系数其中Gb+1为第b+1次传输对应的货物重量,G″为预设的最大货物重量与最小货物重量对应的允许货物重量误差,G″′为预设的相邻两次传输对应的允许货物重量误差,c为传输次数,λ1、λ2、λ3分别为预设的相邻两次传输的货物重量偏差、货物重量偏差、最大货物重量与最小货物重量对应的重量偏差所属的影响权重系数。
统计皮带对应的传输次数C,进而依据预定义的皮带对应的标准传输次数C′,分析皮带对应的历史传输质量评估系数其中e为自然常数。
本发明在皮带历史货物乘载分析模块中获取皮带在设定检测周期内的货物参数,进而据此分析皮带的历史传输质量,弥补了现有技术中对皮带历史情况的分析力度不够深入的缺陷,进而保障皮带撕裂扩张分析结果的精确性,及时确保皮带撕裂的风险并给予预警,降低相关损失,有利于皮带的长期使用。
参照图3所示,所述皮带检测模块,用于在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测。
本发明在皮带检测模块对皮带进行双向检测,该检测方法更为准确,避免数据来源的单一性影响皮带撕裂分析结果的准确性,为后续皮带撕裂分析奠定了强有力的数据基础。
所述检测区域划分模块,用于依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域。
本发明在检测区域划分模块对皮带检测区域进行划分,进行皮带撕裂分析时更为准确,同时也能更迅速定位出皮带撕裂风险的区域。
所述皮带破损分析模块,用于获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数。
在本发明的具体实施例中,所述分析各检测时间点所属各皮带检测子区域对应的破损系数,其具体方法为:依据各检测时间点所属各皮带检测子区域的目标边图像获取各检测时间点所属各皮带检测子区域对应目标边图像的各灰度值。
从云数据库中提取皮带对应的开裂灰度值范围,进而将各检测时间点所属各皮带检测子区域的目标边图像的各灰度值与皮带对应的开裂灰度值范围进行对比,从而筛选各检测时间点所属各皮带检测子区域对应的各异常区域,并获取其对应的面积,进而从中选取面积最大的区域作为目标开裂区域,进而得到各检测时间点所属各皮带检测子区域对应的目标开裂区域。
需要说明的是,筛选各检测时间点所属各皮带检测子区域对应的各异常区域,其具体方法为:若某检测时间点所属某皮带检测子区域的目标边图像的某灰度值处于开裂灰度值范围之间,则将该灰度值标记为开裂灰度值,获取各检测时间点所属各皮带检测子区域所属各开裂灰度值所处的区域,并将其标记为各检测时间点所属各皮带检测子区域对应的各异常区域。
获取各检测时间点所属各皮带检测子区域对应目标开裂区域的面积Sjp,其中j为各检测时间点的编号,j=1,2,...,k,p为各皮带检测子区域的编号,p=1,2,...,q。
分析各检测时间点所属各皮带检测子区域在目标边检测时对应的破损系数其中S′为预设的允许目标开裂区域的面积。
同理,分析各检测时间点所属各皮带检测子区域在指定边检测时对应的破损系数M′jp。
分析各检测时间点所属各皮带检测子区域对应的破损系数其中γ1、γ2为预设的目标开裂区域面积、目标开裂区域规则度对应的权值因子,μjp为第j个检测时间点所属第p个皮带检测子区域对应目标开裂区域的轮廓规则度。
在本发明的具体实施例中,所述各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度,其具体分析方法为:获取各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓,并获取其对应的线条。
以各皮带检测子区域对应的中心点为原点建立三维坐标系,从各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓线条上按照设定的长度选取各轮廓点,并获取其对应的三维坐标其中h为各轮廓点的编号,h=1,2,...,g。
分析各检测时间点所属各皮带检测子区域对应各轮廓点与其相邻轮廓点之间的距离
需要说明的是,分析第j个检测时间点所属第p个皮带检测子区域对应第h个轮廓点与第h+1个轮廓点之间的距离其具体计算公式为:其中为第j个检测时间点所属第p个皮带检测子区域对应第h+1个轮廓点的三维坐标。
分析各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度其中/>为第j个检测时间点所属第p个皮带检测子区域对应第h+1个轮廓点与第h+2个轮廓点之间的距离,g为轮廓点的数量,JL′为预设的轮廓点距离的允许距离偏差的误差。
本发明在皮带破损分析模块中对皮带撕裂区域的面积和规则性进行分析,克服了现有技术中对皮带撕裂区域规则性关注度不高的现象,保障皮带撕裂区域扩张的安全性,进而保障皮带纵向撕裂分析结果的精确性,从而为后续皮带撕裂增长的分析提供强有力的数据支持,提高了皮带撕裂增长系数分析结果的参考性。
所述皮带破损增长系数分析模块,用于分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
在本发明的具体实施例中,所述分析各检测时间点对应的各损坏皮带子区域,其具体方法为:将各检测时间点所属各皮带检测子区域对应的破损系数与预设的破损系数阈值进行对比,若某检测时间点所属某皮带检测子区域对应的破损系数大于或等于破损系数阈值,则将该皮带检测子区域标记为损坏皮带子区域,将该检测时间点标记为损坏时间点,进而得到各损坏时间点所属的各损坏皮带子区域。
在本发明的具体实施例中,所述各损坏皮带子区域在各损坏时间点对应的破损增长系数,其具体分析方法为:依据各检测时间点所属各皮带检测子区域对应的破损系数获取各损坏时间点所属各损坏皮带子区域对应的破损系数,进而将其进行汇总,获取各损坏皮带子区域在各损坏时间点所属的破损系数σm,f,其中m为各损坏皮带子区域的编号,m=1,2,...,l,f为各损坏时间点的编号,f=1,2,...,t,进而获取各损坏时间点与其相邻损坏时间点的间隔Jf,f-1,其中f>1。
分析各损坏皮带子区域在各损坏时间点对应的破损增长率其中σm,f-1为第m个损坏皮带子区域对应第f-1个损坏时间点所属的破损系数。
综合分析各损坏皮带子区域在各损坏时间点对应的破损增长系数其中ξ为皮带传输环境质量评估系数,ω″为预设的允许损坏增长率,χ1、χ2、χ3分别为预设的损坏增长率、皮带历史传输质量、皮带传输环境质量对应的占比因子。
在本发明的具体实施例中,所述皮带传输环境质量评估系数ξ,其具体分析方法为:获取各检测时间点对应的皮带传输速度Rj,并获取各检测时间点对应各皮带检测子区域对应的温度WTjp,从云数据库中提取皮带对应的历史故障次数CS。
需要说明的是,使用温度传感器获取各检测时间点对应各皮带检测子区域对应的温度。
将各检测时间点对应各皮带检测子区域对应的温度进行均值处理,进而得到各检测时间点对应的温度均值,并将各检测时间点对应的温度均值进行均值处理,进而将其结果作为皮带对应的适宜温度WT′。
分析各检测时间点对应的皮带传输环境质量评估系数其中R′为预定义的标准皮带传输速度,CS′为预设的皮带允许故障次数,δ1、δ2、δ3为预设的温度适宜、传输速度适宜、皮带故障次数对应的影响权重因子。
将各检测时间点对应的皮带传输环境质量评估系数进行均值处理,并将其结果作为皮带传输环境质量评估系数。
本发明在皮带破损增长系数分析模块中对损坏子区域的破损增长系数进行分析,进而确保皮带撕裂增长的安全性,避免出现皮带撕裂增长出现过大的现象,有利于在当前损坏子区域的破损系数符合要求的情况下继续对皮带进行检测,从而在一定程度上降低人力物力资源的浪费。
所述预警终端,用于依据各皮带检测子区域在各检测时间点的破损系数进行相应预警,并依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行相应预警。
需要说明的是,将各皮带检测子区域在各检测时间点的破损系数与预设的破损系数警戒值进行对比,若某皮带检测子区域在某检测时间点的破损系数大于或等于破损系数警戒值,则在该检测时间点进行皮带破损异常预警,同理,依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行破损增长异常预警。
所述云数据库,用于存储皮带在设定检测周期内对应的货物参数,存储开裂灰度值范围,并存储皮带对应的历史故障次数。
参照图2所示,本发明第二方面提供基于深度学习的皮带纵向撕裂检测识别方法,包括:S1.皮带历史货物乘载分析:从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数。
S2.皮带检测:在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测。
S3.检测区域划分:依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域。
S4.皮带破损分析:获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数。
S5.皮带破损增长系数分析:分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
以上内容仅仅是对本发明结构所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明的结构或者超越本发明所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.基于深度学习的皮带纵向撕裂检测识别***,其特征在于,包括:
皮带历史货物乘载分析模块,用于从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数;
皮带检测模块,用于在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测;
检测区域划分模块,用于依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域;
皮带破损分析模块,用于获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数;
皮带破损增长系数分析模块,用于分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数;
预警终端,用于依据各皮带检测子区域在各检测时间点的破损系数进行相应预警,并依据各损坏皮带子区域在各损坏时间点对应的破损增长系数进行相应预警;
云数据库,用于存储皮带在设定检测周期内对应的货物参数,存储开裂灰度值范围,并存储皮带对应的历史故障次数。
2.根据权利要求1所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述货物参数包括各次传输对应的货物重量。
3.根据权利要求2所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述皮带对应的历史传输质量评估系数,其具体方法为:
从皮带在设定检测周期内对应的货物参数中提取各次传输对应的货物重量Gb,其中b为各次传输的编号,b=1,2,...,c;
将皮带所属各次传输对应的货物重量进行均值处理,进而得到皮带对应的货物重量均值G′;
从皮带所属各次传输对应的货物重量中选取皮带所属传输对应的最大货物重量Gmax和最小货物重量Gmin;
分析皮带对应的传输重量偏差系数其中Gb+1为第b+1次传输对应的货物重量,G″为预设的最大货物重量与最小货物重量对应的允许货物重量误差,G″′为预设的相邻两次传输对应的允许货物重量误差,c为传输次数,λ1、λ2、λ3分别为预设的相邻两次传输的货物重量偏差、货物重量偏差、最大货物重量与最小货物重量对应的重量偏差所属的影响权重系数;
统计皮带对应的传输次数C,进而依据预定义的皮带对应的标准传输次数C′,分析皮带对应的历史传输质量评估系数其中e为自然常数。
4.根据权利要求3所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述分析各检测时间点所属各皮带检测子区域对应的破损系数,其具体方法为:
依据各检测时间点所属各皮带检测子区域的目标边图像获取各检测时间点所属各皮带检测子区域对应目标边图像的各灰度值;
从云数据库中提取皮带对应的开裂灰度值范围,进而将各检测时间点所属各皮带检测子区域的目标边图像的各灰度值与皮带对应的开裂灰度值范围进行对比,从而筛选各检测时间点所属各皮带检测子区域对应的各异常区域,并获取其对应的面积,进而从中选取面积最大的区域作为目标开裂区域,进而得到各检测时间点所属各皮带检测子区域对应的目标开裂区域;
获取各检测时间点所属各皮带检测子区域对应目标开裂区域的面积Sjp,其中j为各检测时间点的编号,j=1,2,...,k,p为各皮带检测子区域的编号,p=1,2,...,q;
分析各检测时间点所属各皮带检测子区域在目标边检测时对应的破损系数其中S′为预设的允许目标开裂区域的面积;
同理,分析各检测时间点所属各皮带检测子区域在指定边检测时对应的破损系数Mj′p;
分析各检测时间点所属各皮带检测子区域对应的破损系数其中γ1、γ2为预设的目标开裂区域面积、目标开裂区域规则度对应的权值因子,μjp为第j个检测时间点所属第p个皮带检测子区域对应目标开裂区域的轮廓规则度。
5.根据权利要求4所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度,其具体分析方法为:
获取各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓,并获取其对应的线条;
以各皮带检测子区域对应的中心点为原点建立三维坐标系,从各检测时间点所属各皮带检测子区域对应目标开裂区域的外部轮廓线条上按照设定的长度选取各轮廓点,并获取其对应的三维坐标其中h为各轮廓点的编号,h=1,2,...,g;
分析各检测时间点所属各皮带检测子区域对应各轮廓点与其相邻轮廓点之间的距离
分析各检测时间点所属各皮带检测子区域对应目标开裂区域的轮廓规则度其中/>为第j个检测时间点所属第p个皮带检测子区域对应第h+1个轮廓点与第h+2个轮廓点之间的距离,g为轮廓点的数量,JL′为预设的轮廓点距离的允许距离偏差的误差。
6.根据权利要求1所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述分析各检测时间点对应的各损坏皮带子区域,其具体方法为:将各检测时间点所属各皮带检测子区域对应的破损系数与预设的破损系数阈值进行对比,若某检测时间点所属某皮带检测子区域对应的破损系数大于或等于破损系数阈值,则将该皮带检测子区域标记为损坏皮带子区域,将该检测时间点标记为损坏时间点,进而得到各损坏时间点所属的各损坏皮带子区域。
7.根据权利要求4所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述各损坏皮带子区域在各损坏时间点对应的破损增长系数,其具体分析方法为:
依据各检测时间点所属各皮带检测子区域对应的破损系数获取各损坏时间点所属各损坏皮带子区域对应的破损系数,进而将其进行汇总,获取各损坏皮带子区域在各损坏时间点所属的破损系数σm,f,其中m为各损坏皮带子区域的编号,m=1,2,...,l,f为各损坏时间点的编号,f=1,2,...,t,进而获取各损坏时间点与其相邻损坏时间点的间隔Jf,f-1,其中f>1;
分析各损坏皮带子区域在各损坏时间点对应的破损增长率其中σm,f-1为第m个损坏皮带子区域对应第f-1个损坏时间点所属的破损系数;
综合分析各损坏皮带子区域在各损坏时间点对应的破损增长系数其中ξ为皮带传输环境质量评估系数,ω″为预设的允许损坏增长率,χ1、χ2、χ3分别为预设的损坏增长率、皮带历史传输质量、皮带传输环境质量对应的占比因子。
8.根据权利要求7所述的基于深度学习的皮带纵向撕裂检测识别***,其特征在于:所述皮带传输环境质量评估系数ξ,其具体分析方法为:
获取各检测时间点对应的皮带传输速度Rj,并获取各检测时间点对应各皮带检测子区域对应的温度WTjp,从云数据库中提取皮带对应的历史故障次数CS;
将各检测时间点对应各皮带检测子区域对应的温度进行均值处理,进而得到各检测时间点对应的温度均值,并将各检测时间点对应的温度均值进行均值处理,进而将其结果作为皮带对应的适宜温度WT′;
分析各检测时间点对应的皮带传输环境质量评估系数其中R′为预定义的标准皮带传输速度,CS′为预设的皮带允许故障次数,δ1、δ2、δ3为预设的温度适宜、传输速度适宜、皮带故障次数对应的影响权重因子;
将各检测时间点对应的皮带传输环境质量评估系数进行均值处理,并将其结果作为皮带传输环境质量评估系数。
9.基于深度学习的皮带纵向撕裂检测识别方法,其特征在于:包括:
S1.皮带历史货物乘载分析:从云数据库中获取皮带在设定检测周期内对应的货物参数,进而分析皮带对应的历史传输质量评估系数;
S2.皮带检测:在皮带传动装置沿着皮带传动的方向,在皮带目标边按照预设的间隔设置各摄像头,同理,在皮带指定边设置各摄像头,并由此对皮带进行图像检测;
S3.检测区域划分:依据目标边设置的各摄像头的布设间隔将皮带检测区域按照预设的检测间隔划分为各皮带检测子区域;
S4.皮带破损分析:获取各检测时间点所属各皮带检测子区域的目标边图像和指定边图像,进而分析各检测时间点所属各皮带检测子区域对应的破损系数;
S5.皮带破损增长系数分析:分析各检测时间点对应的各损坏皮带子区域,从而分析各损坏皮带子区域在各损坏时间点对应的破损增长系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497175.7A CN116461931A (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的皮带纵向撕裂检测识别***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310497175.7A CN116461931A (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的皮带纵向撕裂检测识别***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116461931A true CN116461931A (zh) | 2023-07-21 |
Family
ID=87175333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310497175.7A Pending CN116461931A (zh) | 2023-05-05 | 2023-05-05 | 基于深度学习的皮带纵向撕裂检测识别***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116461931A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333727A (zh) * | 2023-12-01 | 2024-01-02 | 山东瀚邦胶带有限公司 | 一种基于可视化图像处理技术的输送带磨损区域识别分析*** |
-
2023
- 2023-05-05 CN CN202310497175.7A patent/CN116461931A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117333727A (zh) * | 2023-12-01 | 2024-01-02 | 山东瀚邦胶带有限公司 | 一种基于可视化图像处理技术的输送带磨损区域识别分析*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kothari | Detecting welding defects in steel plates using machine learning and computer vision algorithms | |
CN116461931A (zh) | 基于深度学习的皮带纵向撕裂检测识别***及方法 | |
CN106770321B (zh) | 一种基于多阈值区间的塑料零件缺陷检测方法 | |
US20200189854A1 (en) | Monitoring system for conveyor belt | |
CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
JPH11267949A (ja) | 工具摩耗検知装置および方法 | |
CN100465836C (zh) | 加工型材的方法和装置 | |
CN111539927A (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测过程及算法 | |
CN113129282A (zh) | 皮带异常确定方法、装置、设备及存储介质 | |
CN106956917A (zh) | 一种用于实时平衡多任务生产线的缓存装置及方法 | |
CN116517862A (zh) | 一种基于stft-cnn的矿井通风机异常诊断*** | |
CN116177146A (zh) | 一种基于ai与激光监测技术的输送皮带检测***及方法 | |
CN117668501B (zh) | 一种基于自动化生产的焊接数据智能管理***及方法 | |
CN116664552B (zh) | 基于视频图像分析的电梯门异常检测方法 | |
CN113762283A (zh) | 传送带跑偏监测方法及装置 | |
CN115504187B (zh) | 一种矿用皮带智能调速和保护***及控制方法 | |
CN105021630A (zh) | 输送带表面破损自动检测方法 | |
JP6741527B2 (ja) | 積層された合板の枚数測定装置及びその枚数測定方法 | |
Kleta et al. | Image processing and analysis as a diagnostic tool for an underground infrastructure technical condition monitoring | |
Onita et al. | Quality control in porcelain industry based on computer vision techniques | |
CN112270663B (zh) | 基于蜂巢网络环境的沥青路面过筛修复*** | |
US11796420B2 (en) | Bearing maintenance timing acquisition method | |
CN114897846A (zh) | 一种基于机器视觉的点阵目标规律性检测方法 | |
CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
CN107578185B (zh) | 一种工业建构筑物的健康检测方法及装置 |
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 |