CN115231205A - 一种刮板运输机的故障监测方法及系统 - Google Patents
一种刮板运输机的故障监测方法及系统 Download PDFInfo
- Publication number
- CN115231205A CN115231205A CN202211055444.6A CN202211055444A CN115231205A CN 115231205 A CN115231205 A CN 115231205A CN 202211055444 A CN202211055444 A CN 202211055444A CN 115231205 A CN115231205 A CN 115231205A
- Authority
- CN
- China
- Prior art keywords
- scraper
- image
- area
- monitoring
- pixel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 77
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000005286 illumination Methods 0.000 claims description 14
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000003709 image segmentation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 230000007257 malfunction Effects 0.000 claims 2
- 230000010006 flight Effects 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 9
- 238000013461 design Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000036544 posture Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G19/00—Conveyors comprising an impeller or a series of impellers carried by an endless traction element and arranged to move articles or materials over a supporting surface or underlying material, e.g. endless scraper conveyors
- B65G19/18—Details
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G43/00—Control devices, e.g. for safety, warning or fault-correcting
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种刮板运输机的故障监测方法及系统，涉及刮板运输机技术领域，所述方法包括：获取监测区域的图像，所述监测区域内至少包括一块刮板；对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；根据刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，判断刮板运输机的运行出现故障。本申请通过对刮板运输机的故障自动监测，提高了刮板运输机运行效率，降低了检修时间和成本。
Description
技术领域
本申请涉及刮板运输机技术领域，尤其是涉及一种刮板运输机的故障监测方法及系统。
背景技术
在刮板运输机的日常运行中，会经常因杂物、大块、物料偏载等原因导致出现跳链、断链、漂链等故障。目前选煤厂在刮板运输机运行时多采用岗位人员对其运行状态进行周期性巡检，以避免上述故障的发生，但是由于刮板运输机的故障有偶发性，人工巡检如果不能及时发现故障会导致较为严重的事故，检修时间较长，而且刮板运输机已应用到选煤厂的很多环节，靠人工巡检效率低下，资源占用多。
发明内容
有鉴于此，本申请提供了一种刮板运输机的故障监测方法及系统，以解决上述技术问题。
第一方面，本申请实施例提供了一种刮板运输机的故障监测方法，包括：
获取监测区域的图像，所述监测区域内至少包括一块刮板；
对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；
根据刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，判断刮板运输机的运行出现故障。
在一种的可能实现中，对监测区域的图像进行处理，得到刮板在图像中的位置信息；包括：
获取监测区域的图像的每个像素的亮度值；
判断每个像素的亮度值是否大于预设的阈值，若为是，则将该像元的像素值置为1，否则置为0；由此得到二值化图像；
提取二值化图像的最大连通域，与刮板形状进行拟合，得到刮板在图像中的像素区域。
在一种的可能实现中，对监测区域的图像进行处理，得到刮板在图像中的位置信息；包括：
利用预先训练完成的图像分割模型，对监测区域的图像进行处理，得到刮板在图像中的像素区域。
在一种的可能实现中，所述图像分割模型采用U-Net分割网络，所述图像分割模型的训练步骤包括：
采集刮板运输机运行时多张刮板图像，作为刮板图像样本；
通过改变对比度，增加随机噪声和尺寸变换对刮板图像样本进行处理，生成扩充的刮板图像样本；
利用标注软件对刮板图像样本和扩充的刮板图像样本的刮板进行标注，生成掩膜标签图像，所述掩膜标签图像标识了刮板在原图像中的位置信息；
利用U-Net分割网络对每个刮板图像样本或的扩充刮板图像样本进行处理，得到预测的刮板位置信息，利用预测的刮板位置信息和对应的掩膜标签图像中标识的刮板位置信息计算损失函数值；
基于损失函数值和随机梯度下降算法，更新U-Net分割网络的参数。
在一种的可能实现中，根据刮板在图像中的区域位置信息，得到刮板运行的角度；包括：
对刮板在图像中的像素区域进行椭圆拟合，得到椭圆的长轴，作为刮板的长边；
获取刮板的长边与设定的水平基准线的夹角，作为刮板运行的角度。
在一种的可能实现中，根据刮板在图像中的区域位置信息，得到刮板运行的角度；包括：
计算刮板在图像中的像素区域的最小外接斜矩形；
计算像素区域的面积和最小外接斜矩形的面积比，作为像素区域的矩形度度量；
判断矩形度度量是否小于预设的矩形度阈值，若为是，判断该最小外接斜矩形为刮板；
获取最小外接斜矩形的长边与设定的水平基准线的夹角，作为刮板运行的角度。
在一种的可能实现中，当所述监测区域内包括两块刮板时，所述方法还包括：
根据刮板的运行速度获取图像采集设备的采集帧率；
根据采集帧率获取刮板从进入监测区域到离开监测区域时间段内采集图像的固定帧数；
当未识别出刮板的连续图像的帧数大于等于固定帧数，则认为发生刮板缺失的故障，向报警器发出报警指令。
在一种的可能实现中，所述方法还包括：
根据刮板在图像中的像素区域，得到刮板的数量；当刮板的数量大于监测区域内刮板的数量，则认为发生刮板堆积的故障，向报警器发出报警指令。
第二方面，本申请实施例提供了一种刮板运输机的故障监测系统，包括：光照部件、图像采集设备、图像处理模块和报警器；
所述光照部件，用于为监测区域提供封闭且稳定的光照环境；所述监测区域内至少包括一块刮板；
所述图像采集设备，用于连续采集监测区域的图像，发送至图像处理模块；
所述图像处理模块，用于获取监测区域的图像，对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；根据刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，判断刮板运输机的运行出现故障，向报警器发送报警指令。
在一种的可能实现中，所述光照部件包括：遮光护罩和两个补光灯；所述遮光护罩用于提供全封闭的监测环境，所述补光灯用于提供稳定的光环境，并使光照集中在监测区域的上层刮板位置。
本申请通过对刮板运输机的故障自动监测，提高了刮板运输机运行效率，降低了检修时间和成本。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的刮板拉斜的俯视图；
图2为本申请实施例提供的刮板运输机的故障监测方法的流程图；
图3为本申请实施例提供的刮板运输机的故障监测系统的功能结构图；
图4为本申请实施例提供的补光灯下的刮板运行俯视图；
图5为本申请实施例提供的补光灯的刮板运行截面图；
图6为本申请实施例提供的电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
首先对本申请实施例的设计思想进行简单介绍。
为了解决人工巡检如果不能及时发现故障会导致较为严重的事故的技术问题，研发人员采用的发明构思为位移传感器和接近开关传感器配合的设计，具体为：通过设置位移传感器和接近开关传感器进行故障的检测：在刮板运行方向，设置多组与刮板运行垂直的位移传感器，检测刮板运行状态，当刮板出现拉斜或变形时，根据位移值的不同计算出报警阈值。在垂直刮板运行方向，设计连杆机构，与刮板两侧同步接触，每当刮板运行通过时，两侧会同时触碰连杆结构，进而触发接近开关，通过PLC(可编程逻辑控制器)记录触发信号的时间间隔，如果两侧触发信号间隔过长或仅一侧触发视为报警。经过多次实验后确定，上述检测方式存在以下缺点：
缺点一：检测方式为间接检测，利用传感器信号触发的同步性来判断刮板是否拉斜或确实，数据维度单一，当出现误报、漏报时无法回溯分析原因。
缺点二：可靠性、稳定性差；刮板运输机应用比较广泛，所运输的物料有干有湿，当刮板粘黏煤泥时，会造成干扰导致触发的信号不同步，导致误报。
缺点三：对传感器的安装要求较高，传感器要求尽可能贴近运行的刮板，当因为震动、物料触碰或刮板变形导致传感器损坏或位置错位都会导致误报漏报。
缺点四：刮板运输机各种故障发生的因素现象情况种类较多，传感器检测技术原理简单，无法优化升级覆盖更多的应用场景。
为了更好的解决上述技术问题，研发人员对设计思路进行了优化，并构思出全新的设计思路：刮板输送机的运行状态(包括故障预兆显示)可通过链条和刮板的运行状态来体现出来，可通过观察刮板的形状，运行的姿态以及运行的平稳性来掌握设备的运行状态，这也是判断其故障的重要依据。每一起故障的发生都会有一定的预兆，如果能提前掌握预兆将事故消除在发生之前可将生产损失降低到最小，若事故已经发生，也可根据这些预兆现象查明原因迅速判断和正确处理。刮板运输机的运行状态包括：正常运行状态，停车状态和故障状态。因刮板运输机的运行原理是由两条导链同步拉动刮板工作，其常见的故障现象有单侧导链脱出，单侧导链拉断，左右两侧导链因跳链导致的错位，杂物卡进机头滚轮导致的导链脱链、跳链等，这些故障在发生前、发生中、发生后都会有一个统一的现象就是刮板的运行姿态会拉斜，如图1所示。
基于上述设计思路，本申请提出了一种刮板运输机的故障监测方法，能够利用机器视觉和图像算法对刮板运输机运行实现不间断监测；该方法首先获取刮板运输机内部运行的状态图像，将刮板的位置、形状拟合成角度、面积等特征值，对大量运行数据的统计和分析得到刮板运输机发生故障时的特征值阈值，建立报警阈值；将特征值与报警阈值进行比较，实现跳链、断链、拉斜等故障的智能监测，并进入集控联锁实现故障自动停机。
本申请通过采用工业相机采集监测区域的图像，获取刮板运输机内部的运行状态图像，利用机器视觉结合深度神经网络模型识别刮板的故障状态；通过对运行状态图像的存储可以提供很好的回溯分析数据，可以通过对检测结果的分析比对进一步优化检测算法。同时利用丰富的图像识别算法将刮板运输机各种运动状态的特征数据提取出来，结合现场的使用要求开发报警逻辑并通过现场报警器和系统报警信号来实现刮板运输机的报警停车联动。
岗位工人可以通过本申请的系统对刮板运输机的运行信息进行监控，在早期及时准确的发现事故仅需十几分钟就可恢复生产，节省了人力资源，提高了运行效率，降低了检修时间和成本。
在介绍了本申请实施例的应用场景和设计思想之后，下面对本申请实施例提供的技术方案进行说明。
如图2所示，本申请实施例提供了一种刮板运输机的故障监测方法，包括：
步骤101：获取监测区域的图像，所述监测区域内至少包括一块刮板；
步骤102：对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；
其中，对监测区域的图像进行处理，得到刮板在图像中的区域位置信息，有两种方式：
第一种方式：获得层次分明的稳定图像数据，利用二值化进行图像处理，提取最大连通域，进行形状拟合；具体为：
获取监测区域的图像的每个像素的亮度值；
判断每个像素的亮度值是否大于预设的阈值，若为是，则将该像元的像素值置为1，否则置为0；由此得到二值化图像；
提取二值化图像的最大连通域，与刮板形状进行拟合，得到刮板在图像中的像素区域。
第二种方式：将监测区域的图像输入图像分割模型中，进行图像分割识别，识别出刮板的形状，使用图形算法计算出刮板的长度、宽度、以及与设定的水平基准的夹角，设定角度阈值，夹角大于此阈值时给出报警。
本实施例中，所述图像分割模型采用U-Net分割网络，图像分割模型的训练过程如下：
通过相机采集刮板运输机运行时多张刮板图像。利用标注软件对图像上的刮板进行标注，生成对应图像的掩膜标签图像。掩膜标签图像标识了刮板在原图像中的位置信息。通过改变对比度，增加随机噪声，尺寸变换等方法增强图像，扩充图像样本。然后将扩充后的图像样本送入U-Net分割网络中对网络参数进行训练，设置一定的迭代次数，直到验证精度达到95％以上，停止训练。最后用训练好的U-Net分割网络测试，若不满足分割精度要求，增加训练样本，重复上述过程。
步骤103：根据刮板在图像中的位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，则判断刮板运输机的运行出现故障。
其中，利用刮板在图像中的区域位置信息，得到刮板运行的角度，有两种方式：
第一种方式：
对刮板在图像中的像素区域进行椭圆拟合，得到椭圆的长轴，作为刮板的长边；
获取将刮板的长边与设定的水平基准的夹角，作为刮板运行的角度。
第二种方式：
相机垂直视角下，刮板的形状是矩形，所以理想情况下分割出的刮板是矩形区域。对刮板在图像中的像素区域计算最小外接斜矩形。计算像素区域面积和最小外接斜矩形的面积比，作为矩形度度量。设定矩形度阈值，若矩形度度量大于矩形度阈值，说明分割准确，该最小外接斜矩形为刮板；获取最小外接斜矩形的长边与设定的水平基准线的夹角，作为刮板运行的角度。
对于每帧图像中刮板的角度，还可以采用滑动平均对角度序列进行滤波，得到稳定的角度检测值。
此外，本实施例的方法还可以检测刮板的缺失，具体为：
根据刮板的运行速度获取图像采集设备的采集帧率；
根据采集帧率获取刮板从进入监测区域到离开监测区域时间段内采集图像的固定帧数；
当未识别出刮板的连续图像的帧数大于等于固定帧数，则认为发生刮板缺失的故障，向报警器发出报警指令。
本实施例的方法还可以检测刮板的堆积，具体为：采集区域覆盖固定数量的刮板，此数量可根据刮板的运行速度、刮板的间距以及镜头的视野进行综合评估；例如，若监测区域内有1条刮板的运行，当图像中识别出大于1条以上的刮板时，这种情况可能是链条断裂导致的刮板堆积，判断发生故障。
如图3所示，本申请实施例提供了一种刮板运输机的故障监测系统，包括：光照部件201、图像采集设备202、图像处理模块203和报警器204；
所述光照部件201包括：遮光护罩和两个补光灯；所述光照部件安装于位于刮板运输机机头2米左右的位置；所述遮光护罩用于提供全封闭的监测环境，避免照射到底部，导致在进行图像提取时造成识别干扰；所述补光灯用于提供稳定的光环境，并使光照集中在监测区域的上层刮板位置。如图4和图5所示。
图像采集设备202，用于连续采集的上层刮板的运行情况的图像，优选的，图像采集设备为高清工业相机。所述高清工业相机设置在遮光护罩的顶部。
图像处理模块203，用于对监测区域的图像进行处理，得到刮板在图像中的区域位置信息，利用刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度，向报警器204发送报警指令。
报警器204，用于在接收到报警指令后进行报警。
本实施例中，将故障报警信号同时推送到现场报警器以及生产系统中的报警停车逻辑中，实现发现故障立即报警停车。为避免停车时因检修、清扫导致的误报，故障监测系统的启动与刮板运输机运行的启动信号关联，当刮板运输机启动运行时故障监测系统同步启动执行故障检测。
需要说明的是，上述图像处理模块解决技术问题的原理与本申请实施例提供的刮板运输机的故障监测方法相似，因此，本申请实施例提供的图像处理模块的实施可以参见本申请实施例提供的刮板运输机的故障监测方法的实施，重复之处不再赘述。
如图6所示，本申请实施例提供的电子设备300至少包括：处理器301、存储器302和存储在存储器302上并可在处理器301上运行的计算机程序，处理器301执行计算机程序时实现本申请实施例提供的刮板运输机的故障监测方法。
本申请实施例提供的电子设备300还可以包括连接不同组件(包括处理器301和存储器302)的总线303。其中，总线303表示几类总线结构中的一种或多种，包括存储器总线、外围总线、局域总线等。
存储器302可以包括易失性存储器形式的可读介质，例如随机存储器(RandomAccess Memory，RAM)3021和/或高速缓存存储器3022，还可以进一步包括只读存储器(ReadOnly Memory，ROM)3023。
存储器302还可以包括具有一组(至少一个)程序模块3025的程序工具3024，程序模块3025包括但不限于：操作子系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
电子设备300也可以与一个或多个外部设备304(例如键盘、遥控器等)通信，还可以与一个或者多个使得用户能与电子设备300交互的设备通信(例如手机、电脑等)，和/或，与使得电子设备300与一个或多个其它电子设备300进行通信的任何设备(例如路由器、调制解调器等)通信。这种通信可以通过输入/输出(Input/Output，I/O)接口305进行。并且，电子设备300还可以通过网络适配器306与一个或者多个网络(例如局域网(Local AreaNetwork，LAN)，广域网(Wide Area Network，WAN)和/或公共网络，例如因特网)通信。如图6所示，网络适配器306通过总线303与电子设备300的其它模块通信。应当理解，尽管图6中未示出，可以结合电子设备300使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of IndependentDisks，RAID)子系统、磁带驱动器以及数据备份存储子系统等。
需要说明的是，图6所示的电子设备300仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机指令，该计算机指令被处理器执行时实现本申请实施例提供的刮板运输机的故障监测方法。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (10)
1.一种刮板运输机的故障监测方法，其特征在于，包括：
获取监测区域的图像，所述监测区域内至少包括一块刮板；
对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；
根据刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，判断刮板运输机的运行出现故障。
2.根据权利要求1所述的刮板运输机的故障监测方法，其特征在于，对监测区域的图像进行处理，得到刮板在图像中的位置信息；包括：
获取监测区域的图像的每个像素的亮度值；
判断每个像素的亮度值是否大于预设的阈值，若为是，则将该像元的像素值置为1，否则置为0；由此得到二值化图像；
提取二值化图像的最大连通域，与刮板形状进行拟合，得到刮板在图像中的像素区域。
3.根据权利要求1所述的刮板运输机的故障监测方法，其特征在于，对监测区域的图像进行处理，得到刮板在图像中的位置信息；包括：
利用预先训练完成的图像分割模型，对监测区域的图像进行处理，得到刮板在图像中的像素区域。
4.根据权利要求3所述的刮板运输机的故障监测方法，其特征在于，所述图像分割模型采用U-Net分割网络，所述图像分割模型的训练步骤包括：
采集刮板运输机运行时多张刮板图像，作为刮板图像样本；
通过改变对比度，增加随机噪声和尺寸变换对刮板图像样本进行处理，生成扩充的刮板图像样本；
利用标注软件对刮板图像样本和扩充的刮板图像样本的刮板进行标注，生成掩膜标签图像，所述掩膜标签图像标识了刮板在原图像中的位置信息；
利用U-Net分割网络对每个刮板图像样本或扩充的刮板图像样本进行处理，得到预测的刮板位置信息，利用预测的刮板位置信息和对应的掩膜标签图像中标识的刮板位置信息计算损失函数值；
基于损失函数值和随机梯度下降算法，更新U-Net分割网络的参数。
5.根据权利要求2或3所述的刮板运输机的故障监测方法，其特征在于，根据刮板在图像中的区域位置信息，得到刮板运行的角度；包括：
对刮板在图像中的像素区域进行椭圆拟合，得到椭圆的长轴，作为刮板的长边；
获取刮板的长边与设定的水平基准线的夹角，作为刮板运行的角度。
6.根据权利要求2或3所述的刮板运输机的故障监测方法，其特征在于，根据刮板在图像中的区域位置信息，得到刮板运行的角度；包括：
计算刮板在图像中的像素区域的最小外接斜矩形；
计算像素区域的面积和最小外接斜矩形的面积比，作为像素区域的矩形度度量；
判断矩形度度量是否小于预设的矩形度阈值，若为是，判断该最小外接斜矩形为刮板；
获取最小外接斜矩形的长边与设定的水平基准线的夹角，作为刮板运行的角度。
7.根据权利要求1所述的刮板运输机的故障监测方法，其特征在于，当所述监测区域内包括两块刮板时，所述方法还包括：
根据刮板的运行速度获取图像采集设备的采集帧率；
根据采集帧率获取刮板从进入监测区域到离开监测区域时间段内采集图像的固定帧数；
当未识别出刮板的连续图像的帧数大于等于固定帧数，则认为发生刮板缺失的故障，向报警器发出报警指令。
8.根据权利要求2或3所述的刮板运输机的故障监测方法，其特征在于，所述方法还包括：
根据刮板在图像中的像素区域，得到刮板的数量；当刮板的数量大于监测区域内刮板的数量，则认为发生刮板堆积的故障，向报警器发出报警指令。
9.一种刮板运输机的故障监测系统，其特征在于，包括：光照部件、图像采集设备、图像处理模块和报警器；
所述光照部件，用于为监测区域提供封闭且稳定的光照环境；所述监测区域内包括至少一块刮板；
所述图像采集设备，用于连续采集监测区域的图像，发送至图像处理模块；
所述图像处理模块，用于获取监测区域的图像，对监测区域的图像进行处理，得到刮板在图像中的区域位置信息；根据刮板在图像中的区域位置信息，得到刮板运行的角度，当刮板运行的角度大于预设的角度阈值，判断刮板运输机的运行出现故障，向报警器发送报警指令。
10.根据权利要求9所述的刮板运输机的故障监测系统，其特征在于，所述光照部件包括：遮光护罩和两个补光灯；所述遮光护罩用于提供全封闭的监测环境，所述补光灯用于提供稳定的光环境，并使光照集中在监测区域的上层刮板位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211055444.6A CN115231205A (zh) | 2022-08-31 | 2022-08-31 | 一种刮板运输机的故障监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211055444.6A CN115231205A (zh) | 2022-08-31 | 2022-08-31 | 一种刮板运输机的故障监测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115231205A true CN115231205A (zh) | 2022-10-25 |
Family
ID=83682160
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211055444.6A Pending CN115231205A (zh) | 2022-08-31 | 2022-08-31 | 一种刮板运输机的故障监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115231205A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117583281A (zh) * | 2023-11-29 | 2024-02-23 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120026323A1 (en) * | 2011-06-24 | 2012-02-02 | General Electric Company | System and method for monitoring stress on a wind turbine blade |
| CN203255688U (zh) * | 2013-04-25 | 2013-10-30 | 中国神华能源股份有限公司 | 刮板输送机故障检测系统 |
| CN107944342A (zh) * | 2017-10-27 | 2018-04-20 | 天津美腾科技有限公司 | 一种基于机器视觉的刮板机异常状态检测系统 |
| US20190193946A1 (en) * | 2017-12-22 | 2019-06-27 | Flexible Steel Lacing Company | Apparatus and method for monitoring conveyor systems |
| JP2021011364A (ja) * | 2019-07-08 | 2021-02-04 | 株式会社サタケ | スクレーパコンベアの監視装置 |
| CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
| CN113899752A (zh) * | 2021-09-30 | 2022-01-07 | 三峡大学 | 双排链刮板机内链板裂纹的视觉检测装置及方法 |
| CN113942805A (zh) * | 2021-12-22 | 2022-01-18 | 西安华创马科智能控制系统有限公司 | 煤块运输监控方法及装置 |
| CN114560256A (zh) * | 2022-02-28 | 2022-05-31 | 国能神东煤炭集团有限责任公司 | 一种刮板输送机故障检测方法、系统及存储介质 |
-
2022
- 2022-08-31 CN CN202211055444.6A patent/CN115231205A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120026323A1 (en) * | 2011-06-24 | 2012-02-02 | General Electric Company | System and method for monitoring stress on a wind turbine blade |
| CN203255688U (zh) * | 2013-04-25 | 2013-10-30 | 中国神华能源股份有限公司 | 刮板输送机故障检测系统 |
| CN107944342A (zh) * | 2017-10-27 | 2018-04-20 | 天津美腾科技有限公司 | 一种基于机器视觉的刮板机异常状态检测系统 |
| US20190193946A1 (en) * | 2017-12-22 | 2019-06-27 | Flexible Steel Lacing Company | Apparatus and method for monitoring conveyor systems |
| JP2021011364A (ja) * | 2019-07-08 | 2021-02-04 | 株式会社サタケ | スクレーパコンベアの監視装置 |
| CN113298757A (zh) * | 2021-04-29 | 2021-08-24 | 同济大学 | 一种基于u-net卷积神经网络的金属表面缺陷检测方法 |
| CN113899752A (zh) * | 2021-09-30 | 2022-01-07 | 三峡大学 | 双排链刮板机内链板裂纹的视觉检测装置及方法 |
| CN113942805A (zh) * | 2021-12-22 | 2022-01-18 | 西安华创马科智能控制系统有限公司 | 煤块运输监控方法及装置 |
| CN114560256A (zh) * | 2022-02-28 | 2022-05-31 | 国能神东煤炭集团有限责任公司 | 一种刮板输送机故障检测方法、系统及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 俞一彪: "数字信号处理—理论与应用", 30 September 2017, 东南大学出版社, pages: 183 * |
| 朱欣华: "智能仪器原理与设计", 31 December 2002, 中国计量出版社, pages: 110 - 111 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117583281A (zh) * | 2023-11-29 | 2024-02-23 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
| CN117583281B (zh) * | 2023-11-29 | 2024-04-19 | 广州赛志系统科技有限公司 | 板件机器人分拣码垛优化方法、控制系统及分拣生产线 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111965246B (zh) | 一种基于多信息融合的刮板机故障检测方法及其检测系统 | |
| CN111079818A (zh) | 铁路货车车钩托梁折断检测方法 | |
| CN110378897A (zh) | 一种基于视频的受电弓运行状态实时监测方法及装置 | |
| CN205538710U (zh) | 一种基于机器视觉的电感质量自动检测系统 | |
| CN111186741B (zh) | 电梯门系统健康维护方法及装置 | |
| CN114998244A (zh) | 基于计算机视觉的轨道梁指形板智能巡检系统及方法 | |
| CN111591715A (zh) | 一种皮带纵向撕裂检测方法及装置 | |
| CN112115927A (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
| CN111289529A (zh) | 一种基于ai智能分析的输送皮带撕裂检测系统及检测方法 | |
| CN116976865B (zh) | 基于大数据分析的船舶维修器件调配管理系统 | |
| CN105241679A (zh) | 一种动车组隐蔽故障检测方法 | |
| CN115231205A (zh) | 一种刮板运输机的故障监测方法及系统 | |
| CN111060512A (zh) | 智能缺陷识别系统 | |
| CN114740086A (zh) | 一种单轨吊轨道缺陷检测方法 | |
| CN114429544A (zh) | 基于计算机视觉的振动筛筛网破损检测方法、系统及装置 | |
| CN112508911A (zh) | 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法 | |
| CN113899752A (zh) | 双排链刮板机内链板裂纹的视觉检测装置及方法 | |
| CN108712504A (zh) | 基于物联网的机床设备智能监控系统 | |
| CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 | |
| CN112744540A (zh) | 输送带撕裂监测装置、带有撕裂监测装置的输送线及其监测方法 | |
| CN117250201B (zh) | 一种泳池砖层缺陷检测方法及系统 | |
| CN204759441U (zh) | 一种二维码检测设备及相应检测系统 | |
| KR102566876B1 (ko) | 비지도 학습 방법을 활용한 레이다 시스템용 공기건조장비의 이상 탐지 시스템 및 방법 | |
| Szkilnyk | Vision-based fault detection in assembly automation | |
| CN111028250A (zh) | 一种实时智能验布方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |