一种基于机器视觉的带式输送机大块异物检测方法及系统与流程

本发明涉及一种煤矿异物检测方法，具体为一种基于机器视觉的带式输送机大块异物检测方法及系统，属于煤矿运输监控。

背景技术：

1、带式输送机是煤矿井下运输煤炭的关键设备.在煤炭运输过程中，带式输送机上会出现各种各样的大块非煤异物，如掉落的岩石、机械零件、操作不规范放置的杂物，这些异物进入带式输送机后，会造成输送机卡阻或输送带跑偏，导致输送带撕裂，引发事故，严重影响煤矿生产安全及经济效益。所以要对输送机皮带上的大块异物进行检测，提前预防输送带撕裂情况。

2、在现有技术中，异物检测主要采用人工巡检法、射线法和机器视觉法。人工巡检法是指煤矿工作人员来回走动，观察带式输送机上是否有大块异物，该方法人工劳动强度大且效率低，容易出现漏检误检的情况。射线检测法根据射线在经过不同物质后反射的能量差异来间接识别煤与非煤异物，设备价格昂贵且维护成本高。

3、针对煤矿运输过程的异物检测，如公开号为cn113989716a所公开的一种煤矿井下输送带异物目标检测方法、系统、设备及终端，利用煤矿井下输送带监控视频制作训练样本和测试样本；利用labellmg标注工具从获取的视频中对异物进行截取和标注，并对输送带图像进行自适应直方图均衡；在yolov5算法框架下，引入注意力模型cbam，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。。然而，现有的机器视觉检测仅对带式输送机上的异物进行识别，不能有效筛选出对带式输送机损害较大的大块异物；另一方面，现有技术是采用在yolov5算法框架下，引入注意力模型cbam，使用深度可分离卷积精简网络参数，优化损失函数，并构建检测模型。

技术实现思路

1、本发明的目的就在于为了解决现有技术无法精准的对不同的大块异物进行识别、筛选、分类的问题而提供一种基于机器视觉的带式输送机大块异物检测方法及系统。

2、本发明通过以下技术方案来实现上述目的：一种基于机器视觉的带式输送机大块异物检测方法，该检测方法包括以下步骤：

3、s1、图像采集：矿用轻型防爆相机采集带式输送机上的运煤图像，构建异物数据集；

4、s2、图像预处理：读取相机采集的图像进行图像预处理操作，包括图像滤波去噪和图像增强；

5、s3、异物识别筛选：采用基于相关性的模板匹配算法实现异物初步识别，结合帧差法和面积法筛选出符合条件的大块异物，如果图像中没有大块异物，则将图像清除以免浪费内存，识别出异物后，对其进行筛选；

6、s4、异物分类：对大块异物进行纹理特征提取，使用改进后的mlp神经网络分类算法对大块异物进行准确分类。

7、作为本发明再进一步的方案：s2中，对图像预处理的图像滤波去噪和图像增强具体包括：

8、s21、初始化参数，对滤波器的权重、初始输出值的参数进行初始化，并确保滤波的尺寸；

9、s22、对输入信号递归计算，即当前时刻的输入信号与之前时刻的输出信号进行加权求和；

10、s23、迭代处理，再读取新的输入信号，进行递归计算，并输出滤波后的信号；

11、s24、使用三个尺度参数值不同的高斯函数与运煤图像的三个颜色通道分别进行卷积运算，计算某一像素点高斯邻域内像素的加权平均值并输出；

12、s25、在每一个颜色通道中，按照从左至右、从上至下的顺序，将高斯函数移动一个高斯模板的距离，继续计算当前某一像素点高斯模板内像素的加权平均值，直到遍历结束；

13、s26、分别对三个通道内的各个卷积输出进行求和，再除以总个数，得到不同通道的卷积平均值；

14、s27、选用softmax函数对三个通道输出的卷积平均值进行权重分配。

15、所述s3中，基于相关性的加入图像金字塔模板匹配算法具体包括：

16、s31、确定金字塔的层数；

17、s32、通过下采样创建每个层级的金字塔图像；

18、s33、从金字塔的最顶层图像进行匹配，搜索窗口在待检测图像上遍历搜索，寻找模板图像与待检测图像的最佳匹配区域；

19、s34、得到了最佳的匹配区域后，将匹配区域的位置坐标乘 2 映射到下一层，下一层的搜索范围就在这个区域内进行，将找到的目标区域按同样的方法继续向下映射，直到金字塔的最底层。

20、作为本发明再进一步的方案：s4中，改进后的mlp神经网络分类算法引入优化后的灰狼算法作用于多层感知机模型，且优化后的灰狼算法训练与检测的具体步骤为：

21、s41、初始化多层感知机模型，将权重和偏置转换为矩阵编码，作为优化灰狼算法的输入信息；

22、s42、初始化灰狼优化算法的各个参数，设置狼群种群规模为 200，最大迭代次数为 140；

23、s43、计算灰狼个体的适应度值，将三个最优的个体适应度值记为x1(t)、x2(t)、x3(t)，表示1狼、2狼和3狼的位置；

24、s44、更新当前迭代次数中的收敛因子及各个狼的位置信息；

25、s45、不断循环更新，当达到最大迭代值或收敛精度时，将1狼的位置信息x1(t）作为最优解输出，并将其转换为对应的权重参数和偏置参数，放入 mlp 网络模型中；

26、s46、提取大块异物的纹理特征，放入训练好的 mlp 网络模型中对大块异物进行分类，输出分类结果。

27、一种基于机器视觉的带式输送机大块异物检测系统，该检测系统包括图像采集模块、图像预处理模块、大块异物识别筛选及分类模块、数据存储模块；图像采集模块通过布署于带式输送机的上下层皮带之间的矿用轻型防爆相机对皮带图像进行实时采集。

28、作为本发明再进一步的方案：图像预处理模块包括图像滤波和图像增强两个预处理操作。

29、作为本发明再进一步的方案：大块异物识别筛选及分类模块采用基于相关性的模板匹配算法结合帧差法、面积法准确识别、筛选大块异物；之后提取不同大块异物的纹理特征，使用改进后的 mlp分类算法对大块异物进行准确分类。

30、作为本发明再进一步的方案：数据存储模块是存储大块异物分类图像的数据库，通过对数据的分析，统计分析大块异物出现的频率及原因。

31、本发明的有益效果是：

32、1）本发明采用的带式输送机大块异物检测系统可对石头类、木头类、铁器类不同的大块异物进行识别、筛选和分类，识别准确率高，适用性强；

33、2）本发明采用自适应权重的 msr 图像增强算法，能够根据不同通道入射分量的大小分配权重系数，可获得低模糊、低噪声的目标图像，图像增强效果强；

34、3）本发明采用基于相关性的改进模板匹配算法，将模板匹配算法结合帧差法和面积法，保留了大块异物的识别结果，识别筛选效果显著。

技术特征：

1.一种基于机器视觉的带式输送机大块异物检测方法，其特征在于，所述检测方法包括以下步骤：

2.根据权利要求1所述的带式输送机大块异物检测方法，其特征在于：所述s2中，对图像预处理的图像滤波去噪和图像增强具体包括：

3.根据权利要求1所述的带式输送机大块异物检测方法，其特征在于：所述s3中，基于相关性的加入图像金字塔模板匹配算法具体包括：

4.根据权利要求1所述的带式输送机大块异物检测方法，其特征在于：所述s4中，改进后的mlp神经网络分类算法引入优化后的灰狼算法作用于多层感知机模型，且优化后的灰狼算法训练与检测的具体步骤为：

5.一种基于机器视觉的带式输送机大块异物检测系统，其特征在于：所述检测系统包括图像采集模块、图像预处理模块、大块异物识别筛选及分类模块、数据存储模块；

6.根据权利要求5所述的基于机器视觉的带式输送机大块异物检测系统，其特征在于：所述图像预处理模块包括图像滤波和图像增强两个预处理操作。

7.根据权利要求5所述的基于机器视觉的带式输送机大块异物检测系统，其特征在于：所述大块异物识别筛选及分类模块采用基于相关性的模板匹配算法结合帧差法、面积法准确识别、筛选大块异物；之后提取不同大块异物的纹理特征，使用改进后的 mlp分类算法对大块异物进行准确分类。

8.根据权利要求5所述的基于机器视觉的带式输送机大块异物检测系统，其特征在于：所述数据存储模块是存储大块异物分类图像的数据库，通过对数据的分析，统计分析大块异物出现的频率及原因。

技术总结
本发明公开了一种基于机器视觉的带式输送机大块异物检测方法及系统，该检测方法包括图像采集、图像预处理、异物识别筛选HE异物分类步骤；该检测系统包括图像采集模块、图像预处理模块、大块异物识别筛选及分类模块、数据存储模块。本发明采用的带式输送机大块异物检测系统可对石头类、木头类、铁器类不同的大块异物进行识别、筛选和分类，识别准确率高，适用性强；本发明采用自适应权重的MSR图像增强算法，能够根据不同通道入射分量的大小分配权重系数，可获得低模糊、低噪声的目标图像，图像增强效果强；本发明采用基于相关性的改进模板匹配算法，将模板匹配算法结合帧差法和面积法，保留了大块异物的识别结果。

技术研发人员：孙强,刘新华,郝敬宾,华德正,庄静,李琳,吕海军,康明霞
受保护的技术使用者：徐州华东机械有限公司
技术研发日：
技术公布日：2024/9/29