带式输送机上散状物料堆积视频实时检测

针对非接触式散状物料堆积检测方法存在检测速度慢、在图像模糊场景下检测精度低、深度学习模型内存需求大等问题,提出了一种基于轻量化Mask-RCNN(掩码-区域卷积神经网络)的带式输送机上散状物料堆积视频实时检测方法。首先,通过暗通道先验算法对采集的图像进行预处理,以减少运输装载过程中粉尘造成的图像雾化现象,提高图像边缘特征。针对传统的Mask-RCNN的主干网络ResNet无法满足在嵌入式平台上对散状物料堆积进行实时检测的需求问题,将去雾预处理后的图像输入到基于MobileNetV2+特征金字塔网络(FPN)的主干网络中进行特征提取,生成特征图,并对主干网络进行轻量化设计,以部署在嵌入式平台上,对实时采集图像数据进行实例分割。为更精确地找到分割物体的边缘,提出了在传统Mask-RCNN的掩码分支中添加边缘损失的方法,利用全卷积网络层生成掩码,结合Scharr算子构造边缘损失函数,融合目标分类、边界框回归、语义信息得到实例分割图像。最后,通过判断散状物料堆积掩码内的像素值是否超过预设阈值实现散状物料堆积检测。实验结果表明:所提方法的模型内存需求降低到以ResNet101为主干网络的模型的1/5,经图像去雾预处理后的平均精度均值提高了8%,单张图像平均检测时间为0.56 s,检测精度可达91.8%。

基于多感融合的散装物料输送系统巡检机器人

在煤矿生产领域中,带式输送机是一种常用的运输设备,其安全性和稳定性直接影响着煤矿生产效率。针对带式输送机在输送过程中易发生故障的问题,提出了一种基于沙丘猫群算法(SCSO)优化改进模糊细胞神经网络(IFCNN)的散装物料输送系统巡检机器人。该巡检机器人搭载多种传感器,采集带式输送机运行时的图像、温度、速度、声音等信息,将各个传感器采集到的信号转换成频域、时频域信息,用IFCNN对频域、时频域信息分别进行特征提取与融合,结合注意力机制选择重要特征进行故障诊断,从而实现散装物料输送系统的智能巡检。实际应用表明,经SCSO优化后的IFCNN可有效提取带式输送机的故障特征,提高故障检测的准确性,从而提高煤矿运输作业的安全性。