一种基于红外计算机视觉的输送带纵向损伤振动感知方法技术

本发明专利技术一种基于红外计算机视觉的输送带纵向损伤振动感知方法，属于计算机视觉技术领域；所要解决的技术问题为：提供一种基于红外计算机视觉的输送带纵向损伤振动感知方法的改进；解决上述技术问题采用的技术方案为：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像；采用可变卷积核的卷积神经网络分别训练与测试输送带的振动频率信号，得到初步训练好的卷积神经网络；通过转移学习得到进一步训练好的卷积神经网络模型；将采集的图像数据输入中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果；本发明专利技术应用于输送带损伤判断。

【技术实现步骤摘要】
一种基于红外计算机视觉的输送带纵向损伤振动感知方法
本专利技术一种基于红外计算机视觉的输送带纵向损伤振动感知方法，属于基于红外计算机视觉的输送带纵向损伤振动感知方法

技术介绍
2020年我国原煤日平均产量为1135万吨，矿用输送带在高效运输煤炭的过程中起着至关重要的作用。在运输的过程中，矿用输送带易发生纵向的磨损，划伤，长期将产生撕裂，一经撕裂，所造成的经济代价不容小觑。这些纵向损伤主要是因为原煤中含有铁器、木棒等杂物，下落时对带体造成局部损伤。当这些杂物卡在机架或托辊上时，由于输送带向前高速运转，从而导致输送带发生纵向撕裂。随着5G时代的到来，矿用输送带运维过程中的全面感知、实时互联、动态预测相关技术有了海量数据、高速计算、智慧分析的支撑。目前，我国对于矿用输送带的状态监测已经运用了人工智能领域中的深度学习技术，可实现对输送带的纵向损伤状态识别。但是上述技术存在的缺陷是针对已发生的纵向损伤进行识别，从而确认损伤类型以及程度，存在滞后性。这种滞后性是因为在使用神经网络对目标识别时，捕捉到的仅是将光信息转化成电信息而组成的一张张图像集。除此之外，现阶段在捕捉微小振动时，常用到模型替代法，即通过使用一个可以与矿用输送带产生共振的轻小物体来替代“质量大，不易观察”的输送带，或者采用贴附信标，通过捕捉信标发出的信号，与矿用输送带建立映射等等。上述模型替代法易受环境、器械部件、人员等噪音影响，从而导致二者之间建立的数学模型存在“易干扰、实用性差、半接触式”问题。因此，为了进一步解决巡检煤矿井下“强干扰、光线弱、接触式”问题，以及现阶段图像处理技术在该问题上存在的滞后性，提出一种基于红外计算机视觉的矿用输送带纵向损伤振动感知方法。
技术实现思路
本专利技术为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于红外计算机视觉的输送带纵向损伤振动感知方法的改进。为了解决上述技术问题，本专利技术采用的技术方案为：一种基于红外计算机视觉的输送带纵向损伤振动感知方法，包括如下步骤：步骤一：构建图像数据集：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像，并存储至塔式服务器上，其中一部分数据集用于初步训练卷积神经网络，另一部分数据集用于进一步训练卷积神经网络；步骤二：采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号，得到初步训练好的卷积神经网络；步骤三：通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上，得到进一步训练好的卷积神经网络模型；步骤四：将采集的图像数据输入步骤三中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果。所述步骤一中的图像数据集在输入卷积神经网络之前，先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱，所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下，训练集与测试集采用7：3-8：2的比例用于卷积神经网络模型的训练与验证。所述步骤二中的可变卷积核的卷积神经网络具体包括：含正常卷积核的卷积层、池化层、含可变卷积核的卷积层、全连接层和新式全连接层，图像数据输入含正常卷积核的卷积层，依次经过池化层、含可变卷积核的卷积层、全连接层和新式全连接层后，通过损失函数Softmax对网络进行优化后，输出诊断结果；损失函数Softmax的计算公式为：上式中yi为新式全连接层中第i个神经元的输出。所述步骤三中的转移学习包括参数最优化设置和微小特征提取。所述卷积神经网络中采用的激活函数为sigmoid，计算公式为：所述新式全连接层具有随机初始化权重。所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机，并且相机加持显微镜头。本专利技术相对于现有技术具备的有益效果为：本专利技术提供的基于红外计算机视觉的矿用输送带纵向损伤振动感知方法，通过采用卷积核变形的卷积神经网络识别环境中各项硬件设施的振动频率以及发生纵向损伤时输送带的振动频率，然后将复合在矿用输送带上的振幅谱筛选出非主体振幅并将其剔除，最终获取到仅有输送带振动的频谱；根据振动频谱，判断该矿用输送带的当前运行状况，从而真正意义上实现5G矿用输送带的全面感知、实时互联、动态预测。附图说明下面结合附图对本专利技术做进一步说明：图1为本专利技术的可变形卷积在矿用输送带上的振动特征提取示意图；图2、图3为本专利技术的3*3可变形卷积网络示意图；图4、图5、图6是矿用输送带磨损、划伤、撕裂实物图；图7为本专利技术的卷积核可变的卷积神经网络架构图。具体实施方式如图1至图7所示，本专利技术一种基于红外计算机视觉的输送带纵向损伤振动感知方法，包括如下步骤：步骤一：构建图像数据集：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像，并存储至塔式服务器上，其中一部分数据集用于初步训练卷积神经网络，另一部分数据集用于进一步训练卷积神经网络；步骤二：采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号，得到初步训练好的卷积神经网络；步骤三：通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上，得到进一步训练好的卷积神经网络模型；步骤四：将采集的图像数据输入步骤三中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果。所述步骤一中的图像数据集在输入卷积神经网络之前，先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱，所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下，训练集与测试集采用7：3-8：2的比例用于卷积神经网络模型的训练与验证。所述步骤二中的可变卷积核的卷积神经网络具体包括：含正常卷积核的卷积层、池化层、含可变卷积核的卷积层、全连接层和新式全连接层，图像数据输入含正常卷积核的卷积层，依次经过池化层、含可变卷积核的卷积层、全连接层和新式全连接层后，通过损失函数Softmax对网络进行优化后，输出诊断结果；损失函数Softmax的计算公式为：上式中yi为新式全连接层中第i个神经元的输出。所述步骤三中的转移学习包括参数最优化设置和微小特征提取。所述卷积神经网络中采用的激活函数为sigmoid，计算公式为：所述新式全连接层具有随机初始化权重。所述高速相机具体采用拍摄速度为1440-100000帧/秒的相机，并且相机加持显微镜头。本专利技术提供的基于红外计算机视觉的矿用输送带本文档来自技高网...

【技术保护点】
1.一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：包括如下步骤：/n步骤一：构建图像数据集：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像，并存储至塔式服务器上，其中一部分数据集用于初步训练卷积神经网络，另一部分数据集用于进一步训练卷积神经网络；/n步骤二：采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号，得到初步训练好的卷积神经网络；/n步骤三：通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上，得到进一步训练好的卷积神经网络模型；/n步骤四：将采集的图像数据输入步骤三中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果。/n

【技术特征摘要】
1.一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：包括如下步骤：
步骤一：构建图像数据集：在矿用输送带上方设置高速相机采集输送带的正常态、磨损态、划伤态、撕裂态下的微小振动图像，并存储至塔式服务器上，其中一部分数据集用于初步训练卷积神经网络，另一部分数据集用于进一步训练卷积神经网络；
步骤二：采用可变卷积核的卷积神经网络分别训练与测试正常态、磨损态、划伤态、撕裂态下的矿用输送带的振动频率信号，得到初步训练好的卷积神经网络；
步骤三：通过转移学习将初步训练好的卷积神经网络应用于另一部分数据集上，得到进一步训练好的卷积神经网络模型；
步骤四：将采集的图像数据输入步骤三中的卷积神经网络模型中，根据不同波段的振幅所对应的矿用输送带纵向损伤信息，输出对输送带损伤诊断结果。


2.根据权利要求1所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述步骤一中的图像数据集在输入卷积神经网络之前，先根据控制变量法提取出干扰源振幅频谱并剔除干扰源振幅频谱，所述干扰源振幅频谱包括识别环境中各项硬件设施的振动频率以及复合在矿用输送带上的非主体振幅谱。


3.根据权利要求2所述的一种基于红外计算机视觉的输送带纵向损伤振动感知方法，其特征在于：所述步骤二中初步训练神经网络包括在正常态、磨损态、划伤态、撕裂态的每一种状态下，训练集与测试集...

【专利技术属性】
技术研发人员：乔铁柱，付杰，阎高伟，
申请(专利权)人：太原理工大学，
类型：发明
国别省市：山西;14