一种面向冶金物料皮带偏移的视觉检测方法

发布时间：2021-12-18 20:50

　　针对冶金物料皮带运行过程中的偏移问题,提出了一种基于计算机视觉的检测方法。首先,构建物料皮带图像数据集,利用该数据集训练了YOLOv4目标检测网络。随后,利用YOLOv4网络检测图像中的皮带区域,结合该区域的位置推算出滚轮裸露区域,并将裸露区域设为RoI。在此基础上,利用水平集分割算法分割出RoI中滚轮裸露区域的候选轮廓,使用面积特征滤除干扰轮廓。最后,利用小孔成像技术推算出物料皮带的偏移量。实验结果表明,利用该的检测算法能够有效检测出滚轮皮带的偏移量,具备了一定的工程应用价值。 

【文章来源】：安徽冶金科技职业学院学报. 2020,30(04)

【文章页数】：3 页

【图文】：

各检测网络性能对比

在实际生产过程中,当物料皮带向左偏移时,滚轮左裸露区域的宽度会缩小,而滚轮右裸露区域的宽度会增加;反之,滚轮左裸露区域的宽度会增加,而滚轮右裸露区域的宽度会缩小。因此,通过小孔成像技术可推算出滚轮左右裸露区域实际宽度变化,进而可以判断物料皮带是否发生了偏移。为了验证本文算法的有效性,以物料皮带偏移厘米作为报警阈值,使用本文算法的报警成功率如图4所示。分析图4可知,使用本文算法检测500幅皮带偏移图像的平均报警成功率约为95%,说明本文算法的准确率较高。图4 报警成功率示意图

报警成功率示意图

【参考文献】：
期刊论文
[1]遮挡对于目标检测的影响分析[J]. 张胜虎,马惠敏.  图学学报. 2020(06)
[2]结合区域生长与水平集算法的宫颈癌图像分割[J]. 刘莹,李筠,杨海马,刘瑾,陈嘉慈,付玏.  电子测量与仪器学报. 2020(09)
[3]融合GIoU和Focal loss的YOLOv3目标检测算法[J]. 邹承明,薛榕刚.  计算机工程与应用. 2020(24)
[4]输送带跑偏故障的机器视觉检测技术[J]. 杨彦利,苗长云,亢伉,李现国.  中北大学学报(自然科学版). 2012(06)

硕士论文
[1]带式输送机全自动纠偏系统研究[D]. 惠先刚.燕山大学 2018



本文编号：3543147