基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置及方法

本发明涉及一种皮带跑偏实时轻量化检测装置与方法，具体是一种基于图像亚像素煤矿皮带跑偏实时轻量化检测装置及方法，属于煤矿安全监测和计算机视觉。

背景技术：

1、相关技术指出，带式输送机，以其长距离输送、大运输量和高效率特性，成为煤矿煤流运输体系中不可或缺的关键设备。然而，在矿井地区的复杂运输环境下，如长距离输送、运输量波动大、设备负荷变化显著以及设备长时间持续运行等因素，导致输送带容易发生跑偏现象，从而引发煤料撒落、带面异常磨损等潜在风险。为确保煤矿运输的安全与稳定，对输送带进行持续、精确的状态检测显得尤为重要。当前，煤矿生产中虽已普遍安装摄像头和各类传感器以满足行业标准，但这些系统大多仅提供远程监控功能，鲜有搭载专门的输送带跑偏识别算法，难以实现输送带位置的实时准确检测。鉴于近年来提出的煤矿智能化连续作业和无人化运输的发展目标，作为煤料运输系统核心的带式输送机，其智能化升级与改造成为亟待解决的技术问题。

2、传统的基于机器视觉的跑偏检测算法主要依赖于皮带边缘附近灰度值的变化，通过微分方法提取边缘，虽然这种方法在检测速度和实现方面具有一定的优势，但在梯度阈值的选取上却面临挑战，且检测结果对阈值的选择高度敏感。此外，煤矿环境中灰尘等因素导致获取的图像常受噪声干扰，对检测精度造成不利影响。因此，图像去噪和增强成为处理过程中的关键步骤。目前，retinex模型及其改进版本在井下图像增强中得到广泛应用。然而，传统的基于梯度的边缘检测算子(如sobel、canny)在煤矿带式输送机场景中表现不佳。这些算子主要关注局部亮度、颜色等急剧变化，而煤矿环境中背景与输送带前景之间的梯度分界不明显，难以准确描述输送带边缘。相比之下，卷积神经网络(cnn)以其高级抽象特征提取能力，为边缘检测提供了新的解决方案，例如，基于vgg网络改进的hed边缘检测模型在桌面和室内场景中取得了显著成效，利用数据集训练的模型也适用于日常生活场景。然而，这些现有算法在煤矿特有的低照度、高粉尘等复杂场景下尚未得到实际应用。因此，针对煤矿环境的特殊性，开发适用于低照度、高粉尘等复杂场景的图像增强和边缘检测算法，对于提升带式输送机的智能化水平、确保煤矿运输系统的安全与稳定具有重要意义。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明在于提出一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置，能够实现皮带跑偏情况的实时、准确检测，提高煤矿巡检的效率和安全性。

2、本发明还提出一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法。

3、根据本发明第一方面的基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置，包括图像采集装置和边缘计算节点，所述图像采集装置安装在井下靠近皮带的位置，用于采集皮带的图像信息；所述边缘计算节点安装在井下，用于实时接收图像采集装置传送的图像数据，并通过内置的基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法实时检测皮带是否发生跑偏现象。

4、在一些实施例中，基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置，还包括定位装置和报警装置，所述定位装置安装在皮带架上，用于采集皮带的位置信息，并将该位置信息传送至边缘计算节点，若边缘计算节点检测皮带运行异常，即皮带出现跑偏现象，则启动报警装置发出报警信号，同时，将皮带的位置信息发送至地面监控室内的上位机。

5、根据本发明第二方面的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，包括以下步骤：

6、s1皮带运行监测：捕获图像采集装置传送的视频流，利用帧间差分法分析连续帧之间的差异，提取皮带的运动特征，并通过阈值处理进一步突出运动区域，若检测皮带正在运行，则进入步骤s2，否则，重复步骤s1；

7、s2透视变换校准：采用透视变换技术对步骤s1处理后的图像进行校准，消除由于拍着角度带来的图像畸变；

8、s3图像预处理：选择参考条作为基准参考条，对校准后的图像进行对齐或矫正；其次，增强对比度，然后基于基准参考条提取皮带边缘附近区域作为最小感兴趣区域，即皮带边缘区域，最后，采用帧缓存技术存储和检索图像帧，确保在需要时能够迅速访问和处理这些帧；

9、s4边缘检测：将提取出的皮带边缘区域输入到基于残差连接的轻量化神经网络模型中进行分析，提取出深层的特征信息，然后，结合上采样技术生成高质量的超分辨率图像，以提高边缘检测的准确性，在超分辨率图像上，引入具有异常检测双向边缘跟踪方法，通过同时跟踪垂直和水平方向的边缘，并结合异常检测机制，实现对皮带边缘位置的准确追踪和定位，得到皮带边缘位置预测结果图；

10、s5皮带跑偏检测：从步骤s4得到的皮带边缘位置预测结果图中提取边缘中心线，然后，采用最近邻匹配算法来匹配预测结果图中的边缘中心线与预先存储的标签图中的中心线之间的对应点，通过计算二者对应点之间的距离差得到偏移量，若检测到偏移量波动超出预设的阈值时，将其视为皮带发生了跑偏现象；否则，皮带未发生跑偏现象。

11、与现有技术相比，本发明具有以下优点：

12、1)本发明轻量级亚像素卷积神经网络精确地识别了皮带在煤矿井下的运行状态，特别是在光线不足、皮带物料变化等复杂环境下，其检测准确率相较于传统方法有明显提升，这种方法通过学习和识别皮带在图像中的超像素特征，更准确地判断了皮带是否跑偏。

13、2)本发明构建了一个高效的特征提取模块，该模块专注于从行图像中提炼关键信息，并巧妙地引入了残差连接单元以融合不同深度的特征，从而实现了深层与浅层信息的互补。另外，结构中嵌入了亚像素卷积层，这不仅显著降低了模型的计算复杂度，还实现了图像的高分辨率重建，进一步提高了皮带跑偏检测的准确性。

技术特征：

1.一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置，其特征在于，

2.根据权利要求1所述的一种图像亚像素的煤矿皮带跑偏实时轻量化检测装置，其特征在于，还包括定位装置和报警装置，所述定位装置安装在皮带架上，用于采集皮带的位置信息，并将该位置信息传送至边缘计算节点，若边缘计算节点检测皮带运行异常，即皮带出现跑偏现象，则启动报警装置发出报警信号，同时，将皮带的位置信息发送至地面监控室内的上位机。

3.一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，包括以下步骤：

4.根据权利要求3所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s2具体方法如下：

5.根据权利要求3所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s3具体方法如下：

6.根据权利要求3所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s4具体方法如下：

7.根据权利要求6所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s4.5具体方法如下：

8.根据权利要求7所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s4.5.3中采用互补滤波策略，使得与先前时刻融合结果更为接近的跟踪结果拥有更高的权重：

9.根据权利要求6所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，检测出异常结果之后，将采用所述步骤s4.6中基于过去n分钟内的收集的数据推断的最可能值，所述最可能值采用以下方法推断：

10.根据权利要求3所述的一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测方法，其特征在于，所述步骤s5中若检测到皮带发生跑偏现象，立即进行报警和定位。

技术总结
本发明公开一种基于图像亚像素的煤矿皮带跑偏实时轻量化检测装置及方法，首先，该装置通过图像采集装置实时捕获皮带运行的视频流，并借助边缘计算节点对这些视频流进行实时分析，通过实时监测皮带的运行状态，一旦皮带开始工作，便立即通过透视变换来校正因拍摄角度或环境造成的图像失真。其次，通过图像预处理方法自动选取高对比度的参考条，并精准地提取出皮带边缘附近的区域作为最小感兴趣区域即皮带边缘区域。然后，利用轻量级亚像素卷积神经网络对这些区域进行深度分析，生成高质量的超分辨率图像，以进一步提升边缘检测的准确性。最后，通过引入具有异常检测的双向边缘跟踪方法，精确识别并定位皮带的边缘位置，从而实现对皮带跑偏情况的实时、准确检测。

技术研发人员：杨磊,杨旭,廖先强,尹雨晴,徐晓,牛强
受保护的技术使用者：中国矿业大学
技术研发日：
技术公布日：2025/4/14