一种输送带撕裂和跑偏检测方法、装置、设备及存储介质制造方法及图纸

本申请涉及一种输送带撕裂和跑偏检测方法、装置、设备及存储介质，其方法包括获取输送带的视频数据，构建图像数据库；使图像数据库的数据输入深度神经网络模型中进行训练，并输出异常图像数据特征；基于支持向量机模型的使分类准确率最高的超参数组合，训练获得该超参数组合下的支持向量机模型；使深度神经网络模型和支持向量机模型对输送带的视频数据进行检测；当满足预设条件时,深度神经网络模型输出特征向量z，并将当前的输送带的视频数据判断为异常；支持向量机模型基于特征向量z，输出输送带撕裂或输送带跑偏的异常结果。解决了输送带撕裂或跑偏场景的识别准确率较低问题。本申请具有提高识别准确率的效果。申请具有提高识别准确率的效果。申请具有提高识别准确率的效果。

【技术实现步骤摘要】
一种输送带撕裂和跑偏检测方法、装置、设备及存储介质


[0001]本申请涉及工业自动化
，尤其是涉及一种输送带撕裂和跑偏检测方法、装置、设备及存储介质。

技术介绍

[0002]目前，输送带是电厂运载动力煤炭的重要工具，是电厂安全可靠运行的必要条件。然而，输送带在长时间的煤炭运输过程中，由于负荷的交替变化、疲劳损伤等原因，将会发生撕裂、跑偏等问题，严重的情况下会影响工厂的正常运转，甚至威胁到工人的作业安全。
[0003]具体地，输送带撕裂指输送带在运输煤炭的过程中，由于摩擦损伤、金属卡顿、外部压力、高速运转等原因引起的输送带撕裂现象，将会导致动力煤泄漏，裂纹不断扩展，严重时会造成机器故障、生产停滞、人员伤亡等重大事故，将对煤矿运输系统的安全运行形成重大威胁。现有的输送带撕裂检测方法主要有人工检测、传感器检测和基于图像处理的撕裂检测方法，但人工检测方式不能及时发现撕裂并停止运输；传感器检测容易受损导致检测失效、且准确性、稳定性和可靠性低；基于图像处理的撕裂检测方法通常只能针对单一场景下的撕裂进行检测，对撕裂趋势也缺乏早期预测，通用性和可靠性低。
[0004]输送带跑偏指输送带运转过程中其实际中心线与理论中心线距离过大，会导致动力煤在末端集聚，形成侧漏，造成环境污染、增加清理工作量、影响生产效率和输送带使用寿命，重则导致安全生产事故。现有的输送带跑偏检测方法主要有人工检测、光电检测和视觉图像检测方法，但人工检测方法效率低、不能及时发现跑偏并进行停工检修；光电检测设备造价昂贵、难以推广；视觉图像检测方法依赖于数学模型、且受复杂环境影响较大而易导致检测准确率不高。
[0005]针对上述中的相关技术，专利技术人认为存在有现有的输送带撕裂或跑偏场景的识别准确率较低的缺陷。

技术实现思路

[0006]为了提高输送带撕裂或跑偏场景的识别准确率，本申请提供了一种输送带撕裂和跑偏检测方法、装置、设备及存储介质。
[0007]第一方面，本申请提供一种输送带撕裂和跑偏检测方法，具有对输送带进行撕裂和跑偏精确检测的特点。
[0008]本申请是通过以下技术方案得以实现的：
[0009]一种输送带撕裂和跑偏检测方法，包括以下步骤：
[0010]获取输送带的视频数据，构建图像数据库；
[0011]使所述图像数据库的数据输入深度神经网络模型中进行训练，并输出异常图像数据特征；
[0012]基于支持向量机模型的使分类准确率最高的超参数组合，并使标注的所述异常图像数据特征的撕裂图像数据特征和跑偏图像数据特征输入支持向量机模型进行训练，获得
该超参数组合下的支持向量机模型；
[0013]使训练的所述深度神经网络模型和所述超参数组合下的所述支持向量机模型对输送带的视频数据进行检测；
[0014]当满足预设条件时,所述深度神经网络模型输出特征向量z，并将当前的输送带的视频数据判断为异常；
[0015]所述支持向量机模型基于所述特征向量z，输出输送带撕裂或输送带跑偏的异常结果。
[0016]本申请在一较佳示例中可以进一步配置为：所述预设条件包括所述深度神经网络模型输出的特征向量z与预设中心向量c的距离r大于预设阈值R。
[0017]本申请在一较佳示例中可以进一步配置为：使所述图像数据库的数据输入深度神经网络模型中进行训练的步骤包括：
[0018]预设对比损失函数，所述对比损失函数包括，
[0019][0020]其中，I1表示正常图像数据集合，I2表示异常图像数据集合，i表示正常图像数据集合I1或异常图像数据集合I2中的某一个图像，Z
i
表示图像i的特征向量，I1\i表示正常图像数据集合I1中的某一图像i以外的其他所有图像数据集合，j表示正常图像数据集合I1或异常图像数据集合I2中某一图像i以外的一个图像，Z
j
表示图像j的特征向量，I2\i表示异常图像数据集合I2中的某一图像i以外的其他所有图像数据集合，t为正常图像数据集合I1或异常图像数据集合I2中的一个图像，Z
t
为图像t的特征向量；使用所述对比损失函数对深度神经网络模型进行预训练。
[0021]本申请在一较佳示例中可以进一步配置为：对深度神经网络模型进行预训练后，还包括以下步骤：
[0022]预设训练损失函数，所述训练损失函数包括，
[0023][0024]其中，z
i
为输入图像i在深度神经网络模型上的输出向量，c为预训练得到的输出向量均值；
[0025]使用所述训练损失函数对经过预训练的深度神经网络模型进行优化。
[0026]本申请在一较佳示例中可以进一步配置为：获取所述支持向量机模型的使分类准确率最高的超参数组合的步骤包括：
[0027]预设若干组支持向量机模型的包括核函数、惩罚参数、松弛向量的超参数组合，并基于所述撕裂图像数据特征和所述跑偏图像数据特征，训练支持向量机模型，获得与每组超参数组合对应的分类准确率；
[0028]构造超参数组合与分类准确率之间的响应关系；
[0029]结合增益期望，获取分类准确率最高时的超参数组合。
[0030]本申请在一较佳示例中可以进一步配置为：使所述图像数据库的数据输入深度神经网络模型中进行训练前，还包括以下步骤：
[0031]对划分的所述图像数据库的异常类别图像数据的撕裂图像数据和跑偏图像数据
进行数据增强处理；
[0032]使所述图像数据库的正常类别图像数据和经过数据增强处理的所述撕裂图像数据和所述跑偏图像数据输入深度神经网络模型中。
[0033]本申请在一较佳示例中可以进一步配置为：使所述图像数据库的正常类别图像数据和经过数据增强处理的所述撕裂图像数据和所述跑偏图像数据输入深度神经网络模型中的步骤前，还包括以下步骤：
[0034]使经过数据增强处理的所述撕裂图像数据和所述跑偏图像数据，以及所述正常类别图像数据进行归一化处理后，再输入深度神经网络模型中。
[0035]第二方面，本申请提供一种输送带撕裂和跑偏检测装置，具有对输送带进行撕裂和跑偏精确检测的特点。
[0036]本申请是通过以下技术方案得以实现的：
[0037]一种输送带撕裂和跑偏检测装置，包括：
[0038]数据获取模块，用于获取输送带的视频数据，构建图像数据库；
[0039]第一训练模块，用于使所述图像数据库的数据输入深度神经网络模型中进行训练，并输出异常图像数据特征；
[0040]第二训练模块，用于基于支持向量机模型的使分类准确率最高的超参数组合，并使标注的所述异常图像数据特征的撕裂图像数据特征和跑偏图像数据特征输入支持向量机模型进行训练，获得该超参数组合下的支持向量机模型；
[0041]检测模块，用于使训练的所述深度神经网络模型和所述超参数组合下的所述支持向量机模型对输送带的视频数据进行检测；
[0042]异常感知模块，用于在满足预设条本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输送带撕裂和跑偏检测方法，其特征在于，包括以下步骤：获取输送带的视频数据，构建图像数据库；使所述图像数据库的数据输入深度神经网络模型中进行训练，并输出异常图像数据特征；基于支持向量机模型的使分类准确率最高的超参数组合，并使标注的所述异常图像数据特征的撕裂图像数据特征和跑偏图像数据特征输入支持向量机模型进行训练，获得该超参数组合下的支持向量机模型；使训练的所述深度神经网络模型和所述超参数组合下的所述支持向量机模型对输送带的视频数据进行检测；当满足预设条件时,所述深度神经网络模型输出特征向量z，并将当前的输送带的视频数据判断为异常；所述支持向量机模型基于所述特征向量z，输出输送带撕裂或输送带跑偏的异常结果。2.根据权利要求1所述的一种输送带撕裂和跑偏检测方法，其特征在于，所述预设条件包括所述深度神经网络模型输出的特征向量z与预设中心向量c的距离r大于预设阈值R。3.根据权利要求1所述的一种输送带撕裂和跑偏检测方法，其特征在于：使所述图像数据库的数据输入深度神经网络模型中进行训练的步骤包括：预设对比损失函数，所述对比损失函数包括，其中，I1表示正常图像数据集合，I2表示异常图像数据集合，i表示正常图像数据集合I1或异常图像数据集合I2中的某一个图像，Z
i
表示图像i的特征向量，I1\i表示正常图像数据集合I1中的某一图像i以外的其他所有图像数据集合，j表示正常图像数据集合I1或异常图像数据集合I2中某一图像i以外的一个图像，Z
j
表示图像j的特征向量，I2\i表示异常图像数据集合I2中的某一图像i以外的其他所有图像数据集合，t为正常图像数据集合I1或异常图像数据集合I2中的一个图像，Z
t
为图像t的特征向量；使用所述对比损失函数对深度神经网络模型进行预训练。4.根据权利要求3所述的一种输送带撕裂和跑偏检测方法，其特征在于：对深度神经网络模型进行预训练后，还包括以下步骤：预设训练损失函数，所述训练损失函数包括，其中，z
i
为输入图像i在深度神经网络模型上的输出向量，c为预训练得到的输出向量均值；使用所述训练损失函数对经过预训练的深度神经网络模型进行优化。5.根据权利要求1所述的一种输送带撕裂和跑偏检测方法，其特征在于，获取所述支持向量机模型的使分类准确率最高的超参数组合的步骤包括：预设若干组支持向...

【专利技术属性】
技术研发人员：陈创庭，熊凯，镇竞新，安建平，饶睦敏，邹祥波，秦士伟，匡草，叶骥，
申请(专利权)人：广东能源集团科学技术研究院有限公司，
类型：发明
国别省市：