矿用输送带纵向撕裂检测系统研究

针对目前矿用输送带纵向撕裂检测方法灵敏度低及检测设备复杂、体积较大等问题,采用机器视觉法设计了一种矿用输送带纵向撕裂检测系统。该系统采用FAST角点检测算法及基于Hough变换的直线检测算法检测输送带纵向撕裂现象,并采用基于该检测方法的纵向撕裂检测无线传感器节点及速度传感器实现输送带纵向撕裂部位位置及长度检测。测试结果表明,对于长6m、宽800mm、运行速度为5m/s的输送带,该系统每秒可处理46.3帧图像,检测准确率为96.24%。     

皮带撕裂缺陷检测中应用机器视觉的研究

为了能够准确、及时地判断皮带纵向撕裂故障,提出并实现了一种以机器视觉技术为基础的皮带纵向撕裂检测系统。该系统将高帧率相机与一字线激光发射器按特定位置和角度集成到同一个图像采集设备中。在使用中,将该图像采集设备分别安装在皮带下方两侧,当皮带发生撕裂事故时,照射在其表面的激光条纹也随之发生变化,通过对采集到的激光条纹图像进行特征识别,可实现对皮带撕裂故障的检测。     

煤矿输送带纵向撕裂检测装置的研究

首先介绍目前煤矿输送带使用的主要情况,分析了输送带在使用过程中产生纵向撕裂的原因及现有的几种输送带纵向撕裂检测系统,提出一种新的输送带纵向撕裂振动检测的新方案.     

用于输送带纵向撕裂检测的新型视觉传感器

针对现有输送带纵向撕裂视觉检测存在采集图像不清晰的问题,提出了一种基于红外与可见光图像融合的新型视觉传感器。该视觉传感器采用分光棱镜将从同一镜头入射的同轴光分别投射至红外CCD和可见光CCD,红外CCD和可见光CCD同时采集目标同一点的红外图像和可见光图像,利用像素级融合方法获得融合图像。实验结果表明,该视觉传感器所采集的融合图像具有清晰的撕裂信息和详细的背景信息,满足输送带图像高质量采集的要求。     

一种带式输送机物料流量多点超声检测方法

针对单点超声测距技术用于带式输送机物料流量检测时,在煤块分布不均或存在较大煤块情况下测量误差较大的问题,提出了一种基于多点超声对向测距技术的带式输送机物料流量检测方法。该方法通过对物料表面和胶带表面进行多点坐标定位,计算出物料近似截面积,结合带式输送机运行速度,得出物料流量。试验结果表明,在运输煤块较大且不均匀的情况下,该方法的检测误差较单点超声测距技术小。     

基于二维Gabor滤波器的胶带撕裂检测

现有的基于机器视觉技术的胶带撕裂检测方法处理背景纹理复杂的图像时易将撕裂痕迹相对背景纹理不明显的缺陷区域误判为无缺陷,且检测结果噪点较多,不易识别。针对上述问题,提出了一种基于二维Gabor滤波器的胶带撕裂检测方法。该方法采用Gabor滤波对胶带图像进行处理,得到多幅Gabor滤波处理图;通过Gabor优化选择方法,以变异系数为基础构建新的代价函数,选取最优滤波通道,突出撕裂区域纹理特征;利用Sobel算子分别提取水平和垂直方向的撕裂区域纹理特征,得到2个方向的梯度图,对所得梯度图进行自乘归一化操作,增强纹理信息,采用像素加权平均法融合2幅图像;将得到的融合图像通过自适应阈值二值化的方法进行阈值分割,并利用形态学技术对待检测图像进行胶带撕裂检测。检测结果表明,改进后的Gabor优化选择方法比原Gabor优化选择方法和基于Sobel算子的纵向撕裂检测方法漏检率更低,可以检测出背景纹理复杂的胶带缺陷图像中的所有缺陷,并且检测结果清晰,撕裂区域轮廓特征保留较为完好。     

带式输送机煤流量自适应检测方法

针对现有带式输送机煤流量检测方法存在检测精度易受环境影响、实现过程复杂、信息提取耗时较长等问题,提出了一种基于机器视觉的带式输送机煤流量自适应检测方法。首先,采用基于小波变换的融合算法对带式输送机运输煤料原始图像进行增强处理,并采用OTSU算法将增强图像分割为胶带图像和煤料图像;然后,对煤料图像进行空洞填充、轮廓检测和面积计算等处理,获取煤料图像面积信息;最后,采用基于数学建模的煤流量检测算法,通过计算煤料瞬时体积获得煤流量检测值。试验结果表明,该方法平均检测时间约为30ms,检测结果与电子胶带秤测量结果的误差约为5%,满足带式输送机自动调速控制系统对煤流量检测实时性和准确性的要求。     

基于Hough变换的输送带纵向撕裂检测方法

针对现有输送带纵向撕裂检测方法存在敏感度低、操作不便、非可视化等问题,提出了一种基于Hough变换的输送带纵向撕裂检测方法。该方法使用线光源辅助照射,利用CCD实时采集输送带下表面图像,通过Hough变换提取图像斜率差特征来判断输送带是否发生纵向撕裂。测试结果验证了该方法的有效性。     

改进YOLOv4的输送带纵向撕裂检测

输送带纵向撕裂检测是煤矿安全生产的重要问题之一.针对矿用输送带纵向撕裂检测存在因数据量不足、损伤形态多样化、极致宽高比而导致的检测精度不足、存在误检与漏检等问题,本文提出一种改进YOLOv4的输送带纵向撕裂检测算法.首先,通过数据增强的方式扩充现有数据,构建输送带纵向撕裂数据集.其次,在主干网络之中添加可变形卷积,增强模型对多样化损伤形态的特征提取能力.最后,在特征融合阶段,引入跨阶段局部网络(CSPNet)结构,提升模型对极致宽高比的纵向撕裂检测性能,进一步降低模型的漏检与误检.实验结果表明,输送带纵向撕裂检测准确率达到92.5%, F1分数达到93.1%,基本满足输送带纵向撕裂检测要求.     

煤矿带式输送机分拣机器人异物识别与定位系统设计

机器视觉已在煤矿带式输送机分拣机器人目标检测与识别方面具有一定的理论基础,但目前煤矿带式输送机分拣机器人目标识别主要针对煤矸石识别,对造成输送带穿透、撕裂等的异物目标识别的研究较少,且在目标异物精确定位方面的研究也较少。针对上述问题,设计了一种基于机器视觉的煤矿带式输送机分拣机器人异物识别与定位系统,可对输送带上存在的不同类型和不同形状的异物进行识别与定位。采用双目视觉实时获取输送带上异物图像信息,并对图像进行预处理,基于Canny算子进行图像信息增强,通过灰度拉伸方法改进图像边缘信息,突出煤矿带式输送机上异物的边缘特征;利用形态学方法提取异物形状特征,建立异物图像特征样本库,通过图像特征匹配的方式解算出异物存在区域,实现异物类型的检测、分类与识别;在异物类型成功识别的基础上,以目标异物边缘特征值为基础,建立目标异物的感兴趣区域(ROI),构建相机、输送带与目标异物坐标转换关系,利用多目标质心快速计算方法求取目标异物质心坐标,实现对目标异物的定位。系统样机实验结果表明：煤矿带式输送机分拣机器人异物识别与定位系统异物识别率不受尺寸、材质和颜色等因素影响,能够实现输送带目标异物图像的采集、...     

基于激光扫描的带式输送机瞬时煤量检测方法

针对现有井下带式输送机煤量激光仪器检测方式未提出明确激光线提取方法的问题,提出了一种基于激光扫描的带式输送机瞬时煤量检测方法。通过数字摄像仪和激光仪器获取带式输送机上散煤的图像,利用Ohta颜色空间特性提取激光线轮廓,并进行基于索引表的激光线细化和连接处理;根据离线获取的基线和实时获取的激光线,采用梯形面积累积法计算散煤的截面面积,实时获取带式输送机的瞬时煤量。测试结果表明,该方法检测结果与实际煤量匹配,准确性高,实时性好。     

基于液压感知的带式输送机煤流量检测系统

针对煤矿生产过程中带式输送机煤流量难以实时、精确测量的问题,利用STM32芯片和W5500芯片,实现了采用液压感知技术对矿井带式输送机煤流量进行实时检测的方法。首先,利用液压缸和压力传感器测量得到传送带上的物料负载量并进行处理和传送;然后,利用光电编码器测量传送带带速;最后,依据模型计算得到传送带上的物料流量。实验结果表明,该方法实现了带式输送机煤流量的实时检测,检测精度为90%,证明了基于液压感知和有限元分析计算煤流量的正确性,为带式输送机变带速控制奠定基础。     

改进区域卷积神经网络的传送带撕裂检测

针对传送带撕裂检测中对破损目标检测精度不足和检测性能低下的问题,提出一种改进区域卷积神经网络Light-Head R-CNN的传送带撕裂检测方法。将特征提取模块设置为轻量化卷积网络MoblieNetV2有效降低模型参数,采用大尺度卷积核扩大网络感受野,增强模型特征提取能力;引入特征金字塔结构融合不同层次的特征信息,优化模型对微小破损的识别效果;结合注意力机制对特征权重进行调整,突出破损目标的特征信息。实验结果表明,所提算法对传送带破损目标的平均检测精度提高了2.78%,检测速度提高了22.9%,具有良好的实时检测效果。     

基于φ—OTDR技术的带式输送机托辊故障检测

针对现有带式输送机托辊故障检测方法准确率及效率低等问题,提出一种基于φ-OTDR技术的带式输送机托辊故障检测方法。该方法利用相干脉冲光的后向瑞利散射对托辊的振动信号进行检测,从而实现对异常托辊的识别和定位。实验及测试结果表明,该方法能够实现带式输送机托辊故障检测,故障定位误差不大于5m。     

基于图像识别的带式输送机输煤量和跑偏检测方法

传统的卷积神经网络(CNN)是单任务网络,为实现带式输送机输煤量和跑偏的同时检测,使用2个卷积神经网络分别对输煤量和跑偏进行检测,导致网络体积大、参数多、计算量大、运行时间长,严重影响检测性能.为降低网络结构的复杂性,提出了一种基于多任务卷积神经网络(MT-CNN)的带式输送机输煤量和跑偏检测方法,可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数.在VGGNet模型的基础上,增大卷积核和池化核的尺度,减少全连接层通道数量,改变输出层结构,构建了MT-CNN;对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后,获取训练数据集和测试数据集,并对MT-CNN进行训练;使用训练好的MT-CNN对输送带图像进行识别分类,实现输煤量和跑偏的准确、快速检测.实验结果表明,训练后的MT-CNN在测试数据集中检测准确率为97.3%,平均处理每张图像的时间约为23.1 ms.通过现场实际运行验证了该方法的有效性.     

基于多目标优化的带式输送机节能系统方案设计

针对带式输送机运行时存在的空载率高、运行效率低、电能消耗严重的问题,设计带式输送机节能系统方案.建立综合考虑采煤机牵引速度平稳性、带式输送机速度平稳性以及负载平稳性的多目标优化的带式输送机节能模型,给出带式输送机节能协同调速评价函数.基于该评价函数,设计带式输送机RBF-模糊PID节能控制方案,实现带式输送机速度、采煤...     

基于PLC的多机驱动带式输送机控制系统的硬件设计

文章在分析多机驱动带式输送机工作原理及控制要求的基础上,设计了基于PLC的多机驱动带式输送机控制系统。详细介绍了该控制系统的硬件配置和控制方案、传感器与执行器的选型,解决了信号的安全隔离、大功率阀的驱动和防爆等技术问题。现场实验表明:该系统具有安全可靠、使用灵活、功能强大等特点。     

基于全卷积神经网络的输送带撕裂检测方法

针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题,提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像,可有效解决煤矿井下光照条件差的问题;采用改进最大值法进行线激光条纹检测,可有效排除条纹断点,精确提取条纹,并拟合出缺失点;选用全卷积神经网络中的U-net网络对线激光条纹进行撕裂分割,将撕裂检测问题转换成语义分割问题,并通过降维对U-net网络进行优化,从而减少参数量和计算量;将分割结果反投影回原始图像,利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明：改进最大值法可有效处理线激光条纹断点区域,无误检和漏检,性能优于Steger法和灰度重心法;U-net网络收敛速度快于SegNet和FCNs网络,迭代的稳定性较强,评价指标最优,U-net4网络性能优于U-net3和U-net5。在验证集上的检测结果表明,撕裂检测的召回率为96.09%,精确率为96.85%。在实验平台的测量结果表明,撕裂物理尺寸测量的最大相对误差为-13.04%。     

基于神经网络的带式输送机火灾预警算法

针对传统的带式输送机火灾预警算法大多仅根据单一特征信号进行火灾预警而导致误报率较高的问题,提出了一种传统火灾预警算法与神经网络相结合的带式输送机火灾预警算法。该算法将多种传统火灾预警算法提取的单一特征变量作为神经网络的输入量,利用实验室所测得的样本数据来训练神经网络,并将神经网络的输出作为火灾预警算法的最终输出。实验结果表明,该算法能够有效识别出样本数据中的火灾预警状态,误报率低。