基于实例分割的皮带撕裂检测方法技术

本发明专利技术涉及数据处理技术领域，具体涉及一种基于实例分割的皮带撕裂检测方法，包括搭建神经网络模型；获取训练集；使用训练集对神经网络模型进行训练，得到实例分割模型和模型权重；对皮带区域图片进行预处理，得到输入向量；将输入向量输入实例分割模型，实例分割模型基于模型权重对输入向量进行预测，得到撕裂区域，本申请通过使用实例分割模型对皮带区域图片的输入向量进行自动预测，得到皮带的撕裂区域，全过程无需人工参与，解决了现有的皮带撕裂检测方法人工成本较高的问题。裂检测方法人工成本较高的问题。裂检测方法人工成本较高的问题。

【技术实现步骤摘要】
基于实例分割的皮带撕裂检测方法


[0001]本专利技术涉及数据处理
，尤其涉及一种基于实例分割的皮带撕裂检测方法。

技术介绍

[0002]皮带撕裂，会造成物料倾洒、损毁减速器和电动机等设备，为此需要定时对皮带撕裂情况进行检查。
[0003]目前，现有技术公开了一种皮带撕裂检测方法，通过借助于额外的接触式设备或者传感器对皮带进行检测。
[0004]采用上述方式，在接触式设备或者传感器工作时需要工作人员值守，对接触式设备或者传感器进行调整，人工成本较高。

技术实现思路

[0005]本专利技术的目的在于提供一种基于实例分割的皮带撕裂检测方法，旨在解决现有的皮带撕裂检测方法人工成本较高的问题。
[0006]为实现上述目的，本专利技术提供了一种基于实例分割的皮带撕裂检测方法，包括以下步骤：
[0007]S1搭建神经网络模型；
[0008]S2获取训练集；
[0009]S3使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重；
[0010]S4对皮带区域图片进行预处理，得到输入向量；
[0011]S5将所述输入向量输入所述实例分割模型，所述实例分割模型基于所述模型权重对所述输入向量进行预测，得到撕裂区域。
[0012]其中，所述获取训练集的具体方式为：
[0013]获取训练数据，并对所述训练数据进行预处理，得到训练集。
[0014]其中，所述使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重的具体方式为：
[0015]S31将所述训练集输入所述神经网络模型；
[0016]S32所述神经网络模型基于所述训练集分别进行数据迭代和损失计算，分别得到模型权重和实例分割模型。
[0017]其中，所述对皮带区域图片进行预处理，得到输入向量的具体方式为：
[0018]S41从云台摄像头的拍摄视频中获取或绘制皮带所在区域，得到皮带区域；
[0019]S42基于所述皮带区域读取所述拍摄视频的图像帧，得到皮带区域图片；
[0020]S43对所述皮带区域图片进行图像预处理，得到输入向量。
[0021]其中，所述对所述皮带区域图片进行图像预处理，得到输入向量的具体方式为：
[0022]S431基于所述实例分割模型的输入尺寸对所述皮带区域图片进行尺寸调整，得到调整图像；
[0023]S432将所述调整图像转换为张量数据，得到输入向量。
[0024]其中，所述将所述输入向量输入所述实例分割模型，所述实例分割模型基于所述模型权重对所述输入向量进行预测，得到撕裂区域的具体方式为：
[0025]S51将所述输入向量输入所述实例分割模型；
[0026]S52所述实例分割模型判断所述输入向量是否有煤流数据，当有煤流数据时执行步骤S41，当无煤流数据时执行步骤S53；
[0027]S53所述网络模型基于所述模型权重对所述输入向量进行撕裂预测，当预测出无撕裂时执行步骤S41，当预测出有撕裂时，得到撕裂特征并执行步骤S54；
[0028]S54判断所述撕裂特征是否在所述皮带区域内，当所述撕裂特征不在所述皮带区域内时执行步骤S41，当所述撕裂特征在所述皮带区域内时执行步骤S55；
[0029]S55绘制所述撕裂特征，得到撕裂区域；
[0030]S56基于所述撕裂区域进行报警。
[0031]本专利技术的一种基于实例分割的皮带撕裂检测方法，通过搭建神经网络模型；获取训练集；使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重；对皮带区域图片进行预处理，得到输入向量；将所述输入向量输入所述实例分割模型，所述实例分割模型基于所述模型权重对所述输入向量进行预测，得到撕裂区域，本申请通过使用所述实例分割模型对所述皮带区域图片的输入向量进行自动预测，得到皮带的撕裂区域，全过程无需人工参与，解决了现有的皮带撕裂检测方法人工成本较高的问题。
附图说明
[0032]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术提供的一种基于实例分割的皮带撕裂检测方法的流程图。
[0034]图2是本专利技术提供的一种基于实例分割的皮带撕裂检测方法的原理图。
[0035]图3是实例分割模型的网络结构图。
[0036]图4是ResNet的网络结构图。
[0037]图5是控制室报警软件示意图。
具体实施方式
[0038]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0039]请参阅图1至图5，本专利技术提供一种基于实例分割的皮带撕裂检测方法，包括以下步骤：
[0040]S1搭建神经网络模型；
[0041]具体的，使用工具搭建所述神经网络模型，所述工具包括Pytorch和Opencv；
[0042]Pytorch：开源的神经网络框架，专门针对GPU加速的深度神经网络(DNN)编程。Torch是一个经典的对多维矩阵数据进行操作的张量(tensor)库，在机器学习和其他数学密集型应用有广泛应用。
[0043]Opencv：用于图像处理、分析、机器视觉方面的开源函数库，该库的全部代码都经过优化，计算效率非常高，专注于设计成为一种用于实时系统的开源库。
[0044]S2获取训练集；
[0045]具体的，获取训练数据，并对所述训练数据进行预处理，得到训练集。
[0046]S3使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重；
[0047]具体方式为：
[0048]S31将所述训练集输入所述神经网络模型；
[0049]S32所述神经网络模型基于所述训练集分别进行数据迭代和损失计算，分别得到模型权重和实例分割模型。
[0050]具体的，所述神经网络模型基于所述训练集进行损失计算，得到实例分割模型，所述损失计算采用yolact实例分割算法：
[0051]yolact实例分割主要是通过两个并行的子网络来实现实例分割的。Prediction Head分支生成各个anchor的类别置信度、位置回归参数以及mask的掩码系数；Protonet分支生成一组原型mask。然后将原型mask和mask的掩码系数相乘，从而得到图片中每一个目标物体的mask。NMS算法叫Fast
‑
NMS，和传统的NMS算法相比只有轻微的精度损失，但是却大大提升了分割的速度。
[0052]yolact模型(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实例分割的皮带撕裂检测方法，其特征在于，包括以下步骤：S1搭建神经网络模型；S2获取训练集；S3使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重；S4对皮带区域图片进行预处理，得到输入向量；S5将所述输入向量输入所述实例分割模型，所述实例分割模型基于所述模型权重对所述输入向量进行预测，得到撕裂区域。2.如权利要求1所述的基于实例分割的皮带撕裂检测方法，其特征在于，所述获取训练集的具体方式为：获取训练数据，并对所述训练数据进行预处理，得到训练集。3.如权利要求2所述的基于实例分割的皮带撕裂检测方法，其特征在于，所述使用所述训练集对所述神经网络模型进行训练，得到实例分割模型和模型权重的具体方式为：S31将所述训练集输入所述神经网络模型；S32所述神经网络模型基于所述训练集分别进行数据迭代和损失计算，分别得到模型权重和实例分割模型。4.如权利要求3所述的基于实例分割的皮带撕裂检测方法，其特征在于，所述对皮带区域图片进行预处理，得到输入向量的具体方式为：S41从云台摄像头的拍摄视频中获取或绘制皮带所在区域，得到皮带区域；S42基于所述皮带区域读取所述拍摄视频的图像帧，得到皮带区域图片；S4...

【专利技术属性】
技术研发人员：陈叶亮，朱恩东，雷凌，徐晨鑫，
申请(专利权)人：南京北新智能科技有限公司，
类型：发明
国别省市：