【技术实现步骤摘要】
本专利技术涉及辊筒检测领域，尤其是一种辊筒输送偏移检测方法与系统。
技术介绍
1、在现代工业生产中，输送带系统是物料搬运不可或缺的组成部分，其运行的稳定性直接关系到生产效率和产品质量。辊筒作为输送带的关键支撑部件，其位置的准确性对整个输送系统的平稳运行至关重要。然而，由于机械磨损、安装误差或外部冲击等因素，辊筒可能会出现位置偏移，这不仅会影响输送效率，还可能引起物料堆积、堵塞甚至设备损坏，导致生产中断和经济损失。
2、现有技术中辊筒偏移检测方法多依赖于人工巡检或简单的传感器检测，这些方法存在检测效率低、准确性不足或无法实时监控等问题。并且，由于工业现场环境复杂，图像采集条件多变，加之辊筒偏移的细微性，使得传统的图像识别算法在实际应用中面临挑战。
技术实现思路
1、（一）解决的技术问题
2、为了解决上述技术问题，本专利技术提供一种辊筒输送偏移检测方法与系统。
3、（二）技术方案
4、为了解决上述存在的技术问题，实现专利技术目的，本专利技术是通过以下技术方案实现的：
5、一种辊筒输送偏移检测方法，其特征在于，包括如下步骤：
6、s1、数据采集与标注，基于高分辨率摄像机定时采集输送带运行中的辊筒图像数据，并对图像进行标注；
7、s2、数据扩充，具体的，基于多视图对比学习的生成对抗网络进行样本生成，用于数据扩充；
8、s3、特征提取模型训练，具体的，基于模拟的能量守恒条件的神经网络作为特征提取模
9、s4、特征降维模型训练，将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，具体的，采用基于量子隧穿策略的自编码神经网络算法作为特征降维模型；
10、s5、分类器模型训练，将降维后的数据输入到分类器中进行分类器的训练，具体的，基于退火策略的超限学习机分类算法训练分类器；
11、s6、辊筒输送偏移检测识别，利用已训练完成的模型处理新的样本，并获取最终的分类结果，实现对辊筒输送偏移的检测。
12、进一步的，根据输送带辊筒是否偏移对图像进行标注，标注的类别包括“正常”和“偏移”2个类别。
13、进一步的，所述基于多视图对比学习的生成对抗网络算法包括如下步骤：
14、s201、初始化生成器和判别器的网络参数，所述参数包括权重和偏置；
15、s202、在每个训练周期内，生成器根据当前的网络参数和选定的对比样本，尝试生成新的图像数据，训练过程通过最小化损失函数实现；
16、s203、采用多关系图注意力机制动态调整关注点，优先处理关键特征；
17、s204、判别器对生成的图像和真实图像进行分类；
18、s205、计算生成的图像与真实图像之间的对抗损失以及对比损失，根据这一复合损失更新生成器和判别器的网络参数；
19、s206、重复迭代上述步骤，直至满足预设的停止迭代条件。
20、进一步的，所述步骤s202中损失函数计算方式如下：
21、、式中，表示期望，表示服从于特定分布，表示原始数据集的分布，表示所对应的类别的真实数据，表示所有类别的集合，为生成器的损失函数，为对比损失项，是真实图像数据，是输入的随机噪声，是正则化参数，表示l2范数，为判别器函数，为生成器函数。
22、进一步的，所述基于模拟的能量守恒条件的神经网络算法训练包括如下步骤：
23、s301、初始化神经网络的权重和偏置；
24、s302、输入的辊筒图像数据在每一层通过激活函数处理，使用加权输入和激活函数计算每层的输出；
25、s303、根据模拟的能量守恒条件，动态调整网络各层的权重；
26、s304、根据实际辊筒位置与网络预测位置的偏差，计算损失函数；
27、s305、在每个训练周期结束时，根据该周期的损失函数值调整网络权重的更新权重和偏置；
28、s306、重复迭代上述步骤，直至满足预设的停止迭代条件。
29、进一步的，所述步骤s304包括：
30、根据模拟的能量守恒条件，在神经网络中定义每层输出的能量，表示为：
31、式中，是第层第个神经元的输出；
32、每一层的能量被设定为与前一层相等，以模拟能量守恒，表示为：
33、动态调整网络各层的权重，权重调整策略表示为：式中，是第层第行第列的权重，是目标能量值。
34、进一步的，所述基于量子隧穿策略的自编码神经网络算法包括如下步骤：
35、s401、利用量子编码方法对自编码器网络的权重和偏置进行初始化；
36、s402、在前向传播过程中，输入数据通过编码器生成潜在表示；
37、s403、解码器从潜在表示重构数据，进一步计算重构误差；
38、s404、基于计算得到的总损失，通过反向传播算法更新网络参数；
39、s405、重复迭代上述步骤，直至满足预设的停止迭代条件。
40、进一步的，所述步骤s403还包括：
41、所述重构误差基于量子化的正则项计算，表示为：式中，为输入，pz为生成的潜在表示， 为解码器函数，，为正则项系数，表示量子正则化项。
42、进一步的，所述基于退火策略的超限学习机分类算法的训练流程如下：
43、s501、随机初始化超限学习机的权重和偏置；
44、s502、将降维后的特征数据输入到超限学习机，通过前向传播的方式计算隐含层的输出和最终的分类结果；
45、s503、根据当前模型的分类性能，计算系统的能力；
46、s504、在模拟退火策略下，以一定的概率接受更高能力的配置，以跳出局部最优解；
47、s505、进行退火更新；
48、s506、采用动态权重调整机制进行权重调整，在每次迭代结束后评估分类性能并相应地调整权重；
49、s507、重复迭代上述步骤，直至满足预设的停止迭代条件。
50、本专利技术还提供一种辊筒输送偏移检测系统，其包括：
51、数据采集与标注模块，其用于基于高分辨率摄像机定时采集输送带运行中的辊筒图像数据，并对图像进行标注；
52、数据扩充模块，其用于基于多视图对比学习的生成对抗网络进行样本生成，实现数据扩充；
53、特征提取模型训练模块，其用于将扩充后的数据输入到特征提取模型中进行特征提取模型的训练；具体的，基于模拟的能量守恒条件的神经网络作为特征提取模型，用于提取图像数据中对于辊筒输送偏移检测的细微特征；
54、特征降维模型训练模块，其用于将特征提取后的数据输入到特征降维模型中进行特征降维模型的训练，具体的，采用基于量子隧穿策略的自编码神经网络算法作为特征降维模型；
55、分类器模型训练模块，其用于将降维后的数据输入到分类器中进行分类器的训练，具体本文档来自技高网...
【技术保护点】
1.一种辊筒输送偏移检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，根据输送带辊筒是否偏移对图像进行标注，标注的类别包括“正常”和“偏移”2个类别。
3.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，所述基于多视图对比学习的生成对抗网络算法包括如下步骤：
4.根据权利要求3所述的辊筒输送偏移检测方法，其特征在于，所述步骤S202中损失函数计算方式如下：
5.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，所述基于量子隧穿策略的自编码神经网络算法包括如下步骤：
6.根据权利要求5所述的辊筒输送偏移检测方法，其特征在于，所述步骤S403还包括：
7.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，所述基于退火策略的超限学习机分类算法的训练流程如下：
8.一种基于如权利要求1-7任意项所述的辊筒输送偏移检测方法的系统，其包括：
【技术特征摘要】
1.一种辊筒输送偏移检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，根据输送带辊筒是否偏移对图像进行标注，标注的类别包括“正常”和“偏移”2个类别。
3.根据权利要求1所述的辊筒输送偏移检测方法，其特征在于，所述基于多视图对比学习的生成对抗网络算法包括如下步骤：
4.根据权利要求3所述的辊筒输送偏移检测方法，其特征在于，所述步骤s202中损失函数计算方式如...
【专利技术属性】
技术研发人员：王耀亮，汪虹，王敏杰，沈琦伟，
申请(专利权)人：湖州盟泰智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。