CN109188550A - 一种皮带输送机异物检测系统 - Google Patents
一种皮带输送机异物检测系统 Download PDFInfo
- Publication number
- CN109188550A CN109188550A CN201810999593.5A CN201810999593A CN109188550A CN 109188550 A CN109188550 A CN 109188550A CN 201810999593 A CN201810999593 A CN 201810999593A CN 109188550 A CN109188550 A CN 109188550A
- Authority
- CN
- China
- Prior art keywords
- foreign matter
- box
- ground
- detection system
- priori
- 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
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种皮带输送机的异物检测系统，包括设在皮带的四周安全区域及危险区域处分别设有用于检测异物的红外线、用于拍摄异物遮挡红外线的图像传感器、报警器及异物检测系统，所述红外线、图像传感器及报警器分别与异物检测系统通过控制信号连接。本发明实时监测安全区域至危险区域之间及危险区域内的异物情况，在发现异物后，通过报警通知管理人员及时处理危险情况，保证了皮带输送机的安全运行及操作人员的人身安全。
Description
技术领域
本发明涉及一种异物检测系统，具体涉及一种皮带输送机异物检测系统。
背景技术
皮带输送机是煤矿生产运输的重要工具。现有预防皮带输送机事故主要通过定制作业规范，以制度监管为主。由于井下作业环境复杂、工作强度大、人为侥幸心理、技术控管手段缺乏等因素的存在，导致皮带输送机工作中，经常有铁棍、人、巨大煤块等异物处于皮带输送机的危险区域，导致皮带输送机事故频发，给生产及人身安全带来极大损失。
发明内容
本发明解决了现有技术的不足，提供了一种能够实时监测异物靠近皮带输送机的皮带输送机异物检测系统。
本发明为了实现上述目的所采用的技术方案是：
一种皮带输送机的异物检测系统，包括设在皮带的四周安全区域及危险区域处分别设有用于检测异物的红外线、用于拍摄异物遮挡红外线的图像传感器、报警器及异物检测系统，所述红外线、图像传感器及报警器分别与异物检测系统通过控制信号连接，所述异物检测系统在检测到异物遮挡红外线后,异物检测系统记录被遮挡的时间并报警，同时图像识别模块提取图像传感器内的异物遮挡视频后自动识别及记录违章行为，并对违章行为进行继续追踪，发出警示，图像识别模块还实时地对危险区域内的对象进行检测，当检测到有异物时，将与皮带输送机的电源联动，并给相关值班人员发信息通知。
进一步地，所述异物检测系统包括红外线状态监测端、图像识别模块、报警器控制端及图像存储器。
进一步地，所述图像识别模块包括异物检测模型，所述异物检测模型由基础网络及多分辨率检测网络组合而成。
更进一步地，所述基础网络是VGG-16，网络输出19 × 19的特征，设有5个多分辨率检测层，为获得更高的分辨率，将VGG-16conv4_3也作为多分辨率检测层，各层的大小分别为:38 × 38 × 512, 19 × 19 × 1024, 10 × 10 × 512, 5 × 5 × 256, 3 ×3 × 256, 1 × 1 × 256，多分辨率层由不同大小的卷积层实现，且CNN 网络在越深的层，feature map 的尺寸会越来越小，在训练时，输入给分类器的数据包括第n个检测层的特征映射、ground-truth box中对象的类别，输出为对象属于某个类别的概率，输入给检测器的数据包括第𝑛个检测层的特征映射、ground-truth box和priori box的位置坐标，输出priori box与ground-truth的偏移量误差，因每个priori box和ground-truth box的IOU相差都非常多，通过两种方法判定一个先验框为一个正样本：1)与ground-truth边界框IOU重叠最高的先验框，或者2)一个先验框与任意一个ground-truth box的IOU大于0.7，一个ground-truth box可以作为多个先验的标签；如果一个非正样本与所有ground-truthboxes的IOU比率都低于0.3，则我们将些先验框视为负样本，最后我们丢弃对训练没有贡献的，既不是正样本，又不是负样本的先验框，模型的训练方法是多任务最小化目标函数，但扩展到可以识别多个对象的类别，整个目标损失函数是检测损失()和分类损失()的加权和:
其中是不同检测层输出的特征映射，是先验框𝑑中的对象的类别，是预测框的坐标，是ground-truth box坐标值；是匹配的先验框数，如果=0时，将损失设为0，α控制检测误差的权重；回归方法分别计算预测框box()的中心、宽和高到prior box之间的偏移量和ground-truth box的中心、宽和高到prior box之间的偏移量，检测损失是基于Smooth L1[20]计算预测框𝑝的坐标向量和ground truth box 的坐标向量之间的偏移量，基于这个偏移误差，ADAM就可以对模型进行端到端的训练；
通过上面的误差函数对所有先验框生成的建议区域进行优化，但这将偏向负样本，因为它们的样本数量占据主导地位，因此在训练过程中，采用min-batch的方式，每次的方式，每次随机选择128个建议区域，并强制地将正、负样本的比例保持在1:1。如果一幅图像中的正样本少于64个，就用负样本小批量填充。我们随机初始化所有新的多分辨率检测层，使其参数服从均值是零，方差为0.1的高斯分布。基础网络层是通过预先训练ImageNet分类模型VGG-16来初始化的。
优选的，所述异物包括铁棍、人、巨大煤块。
本发明在检测到异物遮挡红外线后,异物检测系统记录被遮挡的时间并报警，同时图像识别模块提取摄像机内的异物遮挡视频后自动识别及记录违章行为，并对违章行为进行继续追踪，发出警示，图像识别模块还实时地对危险区域内的对象进行检测，当检测到有异物时，将与皮带输送机的电源联动，并给相关值班人员发信息通知。本发明实时监测安全区域至危险区域之间及危险区域内的异物情况，在发现异物后，通过报警通知管理人员及时处理危险情况。本发明保证了皮带输送机的安全运行及操作人员的人身安全。
附图说明
下面结合附图对本发明作进一步描述，其中：
图1为异物检测警示线示意图；
附图标记说明: 1、皮带，2、红外线，3、图像传感器，4、安全区域，5、危险区域。
具体实施方式
下面将结合附图对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，一种皮带输送机的异物检测系统，包括设在皮带1的四周安全区域4及危险区域5处分别设有用于检测异物的红外线2、用于拍摄异物遮挡红外线的图像传感器（索尼IMX232）3、报警器及异物检测系统，所述红外线、图像传感器（索尼IMX232）3及报警器分别与异物检测系统通过控制信号连接，所述异物检测系统在检测到异物遮挡红外线后,异物检测系统记录被遮挡的时间并报警，同时图像识别模块提取图像传感器（索尼IMX232）3内的异物遮挡视频后自动识别及记录违章行为，并对违章行为进行继续追踪，发出警示，图像识别模块还实时地对危险区域内的对象进行检测，当检测到有异物时，将与皮带输送机的电源联动，并给相关值班人员发信息通知。
进一步地，所述异物检测系统包括红外线控制器、图像识别模块、报警器控制器。
进一步地，所述图像识别模块包括异物检测模型，所述异物检测模型由基础网络及多分辨率检测网络组合而成。
更进一步地，所述基础网络是VGG-16，网络输出19 × 19的特征，设有5个多分辨率检测层，为获得更高的分辨率，将VGG-16conv4_3也作为多分辨率检测层，各层的大小分别为:38 × 38 × 512, 19 × 19 × 1024, 10 × 10 × 512, 5 × 5 × 256, 3 ×3 × 256, 1 × 1 × 256，多分辨率层由不同大小的卷积层实现，且CNN 网络在越深的层，feature map 的尺寸会越来越小，在训练时，输入给分类器的数据包括第n个检测层的特征映射、ground-truth box中对象的类别，输出为对象属于某个类别的概率，输入给检测器的数据包括第𝑛个检测层的特征映射、ground-truth box和priori box的位置坐标，输出priori box与ground-truth的偏移量误差，因每个priori box和ground-truth box的IOU相差都非常多，通过两种方法判定一个先验框为一个正样本：1)与ground-truth边界框IOU重叠最高的先验框，或者2)一个先验框与任意一个ground-truth box的IOU大于0.7，一个ground-truth box可以作为多个先验的标签；如果一个非正样本与所有ground-truthboxes的IOU比率都低于0.3，则我们将些先验框视为负样本，最后我们丢弃对训练没有贡献的，既不是正样本，又不是负样本的先验框，模型的训练方法是多任务最小化目标函数，但扩展到可以识别多个对象的类别，整个目标损失函数是检测损失()和分类损失()的加权和:
其中是不同检测层输出的特征映射，是先验框𝑑中的对象的类别，是预测框的坐标，是ground-truth box坐标值；是匹配的先验框数，如果=0时，将损失设为0，α控制检测误差的权重；回归方法分别计算预测框box()的中心、宽和高到prior box之间的偏移量和ground-truth box的中心、宽和高到prior box之间的偏移量，检测损失是基于Smooth L1[20]计算预测框𝑝的坐标向量和ground truth box 的坐标向量之间的偏移量，基于这个偏移误差，ADAM就可以对模型进行端到端的训练；
通过上面的误差函数对所有先验框生成的建议区域进行优化，但这将偏向负样本，因为它们的样本数量占据主导地位，因此在训练过程中，采用min-batch的方式，每次的方式，每次随机选择128个建议区域，并强制地将正、负样本的比例保持在1:1。
如果一幅图像中的正样本少于64个，就用负样本小批量填充。我们随机初始化所有新的多分辨率检测层，使其参数服从均值是零，方差为0.1的高斯分布。基础网络层是通过预先训练ImageNet分类模型VGG-16来初始化的。
优选的，所述异物包括铁棍、人、巨大煤块。
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。应当理解，以上的描述意图在于说明而非限制。例如，上述实施例(和/或其方面)可以彼此组合使用。此外，根据本发明的启示可以做出很多改型以适于具体的情形或材料而没有偏离本发明的范围。通过阅读上述描述，权利要求的范围和精神内的很多其它的实施例和改型对本领域技术人员是显而易见的。
Claims (5)
1.一种皮带输送机的异物检测系统，其特征在于，包括在皮带的四周安全区域及危险区域处分别设有用于检测异物的红外线、用于拍摄异物遮挡红外线的图像传感器、报警器及异物检测系统，所述红外线、图像传感器及报警器分别与异物检测系统通过控制信号连接，所述异物检测系统在检测到异物遮挡红外线后,异物检测系统记录被遮挡的时间并报警，同时图像识别模块提取图像传感器内的异物遮挡视频后自动识别及记录违章行为，并对违章行为进行继续追踪，发出警示，图像识别模块还实时地对危险区域内的对象进行检测，当检测到有异物时，将与皮带输送机的电源联动，并给相关值班人员发信息通知。
2.根据权利要求1所述的皮带输送机的异物检测系统，其特征在于，所述异物检测系统包括红外线状态监测端、图像识别模块、报警器控制端及图像存储器。
3.根据权利要求1至2中任一项所述的皮带输送机的异物检测系统，其特征在于，所述图像识别模块包括异物检测模型，所述异物检测模型由基础网络及多分辨率检测网络组合而成。
4.根据权利要求2所述的皮带输送机的异物检测系统，其特征在于，所述基础网络是VGG-16，网络输出19 × 19的特征，设有5个多分辨率检测层，为获得更高的分辨率，将VGG-16conv4_3也作为多分辨率检测层，各层的大小分别为:38 × 38 × 512, 19 × 19 ×1024, 10 × 10 × 512, 5 × 5 × 256, 3 × 3 × 256, 1 × 1 × 256，多分辨率层由不同大小的卷积层实现，且CNN 网络在越深的层，feature map 的尺寸会越来越小，在训练时，输入给分类器的数据包括第n个检测层的特征映射、ground-truth box中对象的类别，输出为对象属于某个类别的概率，输入给检测器的数据包括第𝑛个检测层的特征映射、ground-truth box和priori box的位置坐标，输出priori box与ground-truth的偏移量误差，因每个priori box和ground-truth box的IOU相差都非常多，通过两种方法判定一个先验框为一个正样本：1)与ground-truth边界框IOU重叠最高的先验框，或者2)一个先验框与任意一个ground-truth box的IOU大于0.7，一个ground-truth box可以作为多个先验的标签；如果一个非正样本与所有ground-truth boxes的IOU比率都低于0.3，则我们将些先验框视为负样本，最后我们丢弃对训练没有贡献的，既不是正样本，又不是负样本的先验框，模型的训练方法是多任务最小化目标函数，但扩展到可以识别多个对象的类别，整个目标损失函数是检测损失()和分类损失()的加权和:
其中是不同检测层输出的特征映射，是先验框𝑑中的对象的类别，是预测框的坐标，是ground-truth box坐标值；是匹配的先验框数，如果=0时，将损失设为0，α控制检测误差的权重；回归方法分别计算预测框box()的中心、宽和高到prior box之间的偏移量和ground-truth box的中心、宽和高到prior box之间的偏移量，检测损失是基于Smooth L1[20]计算预测框𝑝的坐标向量和ground truth box 的坐标向量之间的偏移量，基于这个偏移误差，ADAM就可以对模型进行端到端的训练；
通过上面的误差函数对所有先验框生成的建议区域进行优化，但这将偏向负样本，因为它们的样本数量占据主导地位，因此在训练过程中，采用min-batch的方式，每次的方式，每次随机选择128个建议区域，并强制地将正、负样本的比例保持在1:1。
5.根据权利要求1所述的皮带输送机的异物检测系统，其特征在于，所述异物包括铁棍、人、巨大煤块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999593.5A CN109188550A (zh) | 2018-08-30 | 2018-08-30 | 一种皮带输送机异物检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810999593.5A CN109188550A (zh) | 2018-08-30 | 2018-08-30 | 一种皮带输送机异物检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109188550A true CN109188550A (zh) | 2019-01-11 |
Family
ID=64916788
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810999593.5A Pending CN109188550A (zh) | 2018-08-30 | 2018-08-30 | 一种皮带输送机异物检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109188550A (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
| CN110053944A (zh) * | 2019-05-22 | 2019-07-26 | 合肥市信同信息科技有限公司 | 一种基于视觉和激光的输煤皮带下料口落点检测系统 |
| CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
| CN111126193A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业（集团）有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下不安全行为人工智能识别系统 |
| CN111198405A (zh) * | 2020-01-13 | 2020-05-26 | 金隅天坛(唐山)木业科技有限公司 | 一种纤维板热压机用钢带检测系统 |
| CN111805615A (zh) * | 2019-04-11 | 2020-10-23 | 天津市讯嘉塑胶制品有限公司 | 一种具有拉力检测功能的自动控制模切机 |
| CN112317962A (zh) * | 2020-10-16 | 2021-02-05 | 广州黑格智造信息科技有限公司 | 一种用于隐形矫治器生产的打标系统及其方法 |
| CN112926443A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络的烟叶收购传送带是否有人的判断方法及装置 |
| CN113989251A (zh) * | 2021-11-02 | 2022-01-28 | 河南中平自动化股份有限公司 | 一种矿用煤矸分选智能控制系统及方法 |
| CN114155199A (zh) * | 2021-11-08 | 2022-03-08 | 深圳江行联加智能科技有限公司 | 输煤皮带异物监测方法、装置、设备及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203237722U (zh) * | 2013-05-08 | 2013-10-16 | 中国神华能源股份有限公司 | 皮带机回程皮带异物检测设备 |
| CN204567692U (zh) * | 2015-03-12 | 2015-08-19 | 崔琰 | 一种能监测机车前端异物的铁路监测装置 |
| CN107300722A (zh) * | 2017-07-18 | 2017-10-27 | 孙天宇 | 一种机场跑道异物检测系统 |
| CN107434147A (zh) * | 2016-05-25 | 2017-12-05 | 宝山钢铁股份有限公司 | 一种输煤皮带高硬度异物检测方法 |
-
2018
- 2018-08-30 CN CN201810999593.5A patent/CN109188550A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN203237722U (zh) * | 2013-05-08 | 2013-10-16 | 中国神华能源股份有限公司 | 皮带机回程皮带异物检测设备 |
| CN204567692U (zh) * | 2015-03-12 | 2015-08-19 | 崔琰 | 一种能监测机车前端异物的铁路监测装置 |
| CN107434147A (zh) * | 2016-05-25 | 2017-12-05 | 宝山钢铁股份有限公司 | 一种输煤皮带高硬度异物检测方法 |
| CN107300722A (zh) * | 2017-07-18 | 2017-10-27 | 孙天宇 | 一种机场跑道异物检测系统 |
Non-Patent Citations (1)
| Title |
|---|
| YANAN ZHANG 等: "Object detection and recognition of intelligent service robot based on Deep learning", 《2017IEEE 8TH INTERNATIONAL CONFERENCE ON CIS & RAM》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109961014A (zh) * | 2019-02-25 | 2019-07-02 | 中国科学院重庆绿色智能技术研究院 | 一种煤矿输送带危险区域监测方法及系统 |
| CN111805615A (zh) * | 2019-04-11 | 2020-10-23 | 天津市讯嘉塑胶制品有限公司 | 一种具有拉力检测功能的自动控制模切机 |
| CN110053944A (zh) * | 2019-05-22 | 2019-07-26 | 合肥市信同信息科技有限公司 | 一种基于视觉和激光的输煤皮带下料口落点检测系统 |
| CN110428007A (zh) * | 2019-08-01 | 2019-11-08 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
| CN110428007B (zh) * | 2019-08-01 | 2020-11-24 | 科大讯飞(苏州)科技有限公司 | X光图像目标检测方法、装置及设备 |
| CN111126193A (zh) * | 2019-12-10 | 2020-05-08 | 枣庄矿业（集团）有限责任公司蒋庄煤矿 | 一种基于深度学习煤矿井下不安全行为人工智能识别系统 |
| CN111198405A (zh) * | 2020-01-13 | 2020-05-26 | 金隅天坛(唐山)木业科技有限公司 | 一种纤维板热压机用钢带检测系统 |
| CN112317962A (zh) * | 2020-10-16 | 2021-02-05 | 广州黑格智造信息科技有限公司 | 一种用于隐形矫治器生产的打标系统及其方法 |
| CN112926443A (zh) * | 2021-02-24 | 2021-06-08 | 北京优创新港科技股份有限公司 | 一种基于卷积神经网络的烟叶收购传送带是否有人的判断方法及装置 |
| CN113989251A (zh) * | 2021-11-02 | 2022-01-28 | 河南中平自动化股份有限公司 | 一种矿用煤矸分选智能控制系统及方法 |
| CN114155199A (zh) * | 2021-11-08 | 2022-03-08 | 深圳江行联加智能科技有限公司 | 输煤皮带异物监测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109188550A (zh) | 一种皮带输送机异物检测系统 | |
| CN109230351B (zh) | 一种皮带输送机运行异常的识别方法 | |
| CA2543027C (en) | Railroad car coupler gap analyzer | |
| CN104751603B (zh) | 危岩崩塌监测预警系统及方法 | |
| EP1943612B1 (en) | Video image track supervision system | |
| KR20200079489A (ko) | 모니터링 장치, 산업 설비, 모니터링 방법, 및 컴퓨터 프로그램 | |
| CN108527382A (zh) | 一种巡检机器人 | |
| CN107662867A (zh) | 乘客运输机的梯级滚轮监测和维修操作人员监测 | |
| Singh et al. | Security system for railway crossings using machine learning | |
| CN110441320A (zh) | 一种煤矸石检测方法、装置及系统 | |
| CN106503761A (zh) | 物品安检判图系统及方法 | |
| CN206292821U (zh) | 物品安检判图系统 | |
| CN116911328A (zh) | 一种智能物料识别定位系统及其使用方法 | |
| JP7126095B2 (ja) | 侵入検出装置及び侵入検出方法 | |
| CN106781195A (zh) | 一种煤矿火灾烟雾监测系统 | |
| Athira | Image processing based real time obstacle detection and alert system for trains | |
| CN211427457U (zh) | 一种重要处所智能安防系统 | |
| CN108074227B (zh) | 残损人民币销毁前检测系统和检测方法 | |
| JP2005106748A (ja) | 発熱監視方法および装置 | |
| CN107423719A (zh) | 一种基于视频图像的铁路货场防护红牌检测方法 | |
| WO2022170633A1 (zh) | 一种基于视觉与激光测距的轨交车辆防撞检测方法 | |
| CN112382068A (zh) | 基于bim与dnn的车站候车线跨越检测系统 | |
| CN111570313A (zh) | 基于机器视觉的安全套包装盒代码检测系统及检测方法 | |
| Sharma et al. | Automatic Train Overpass Using Camera and Load Sensors and Obstacle Detection | |
| Li et al. | Railway track circuit signal state check using object detection |
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 | ||
| CB02 | Change of applicant information | ||
| CB02 | Change of applicant information |
Address after: 030012 Fifth Floor of Venture and Innovation Building No. 6 Wuluo Street, Shanxi Demonstration Area, Taiyuan City, Shanxi Province Applicant after: Elite Digital Intelligence Technology Co., Ltd. Address before: 030032 Shanxi Demonstration Zone Wuluo Street 6 Venture Innovation Building, Five Floors Applicant before: Shanxi Jingying Technology Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190111 |