基于深度学习的输送带跑偏状态智能监测方法
左明明1
张习2
杨子豪2
孙其飞1
张梦超2
张媛3
李虎4
1.山东招金集团有限公司,山东招远 2654002.山东科技大学机械电子工程学院,山东青岛 2665903.山东科技大学机械电子工程学院,山东青岛 266590;力博重工科技股份有限公司,山东泰安 2710004.中煤科工集团常州研究院有限公司,江苏常州 213015
摘要：针对现有输送带跑偏状态监测方法实用性、鲁棒性不足及数据集制作难度大的问题,提出了一种基于深度学习的输送带跑偏状态智能监测方法.将输送带边缘识别问题看作特定场景下的直线检测问题,提出以目标检测网络预测框的对角线表征输送带边缘直线的检测策略,以预测框的右上-左下对角线表征输送带左边缘,以左上-右下对角线表征输送带右边缘;通过YOLOv5模型对输送带边缘进行检测,并设计了跑偏量计算方法和跑偏状态判定规则.实验结果表明,利用目标检测网络预测框的对角线特征可稳定高效地实现输送带边缘识别和跑偏量量化,简化了图像数据处理流程和数据标注,具有较强的泛化能力和快速迁移学习能力;结合直线检测策略的YOLOv5模型对料流边界、支柱等其他直线的抗干扰能力强,在CUMT-BELT数据集上的检测精度达99％以上,检测速度最快达148帧/s,实时性好.
关键词：带式输送机跑偏监测直线检测输送带边缘识别深度学习YOLOv5
分类号：TD528(矿山运输与设备)
资助基金：国家重点研发计划(2023YFC2907304)
论文发表日期：2024-12-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：8( 166-172,182 )
英文信息