基于改进YOLOv4的输送带损伤检测方法

针对现有输送带损伤检测方法检测精度低、检测速度慢且缺少对面积较小损伤检测的问题,提出了一种基于改进YOLOv4的输送带损伤检测方法。该方法以YOLOv4为基础,对PANet路径融合网络部分进行改进,增加与浅层特征层的融合,将原3个尺度的特征层融合增加到4个尺度,提高模型对输送带损伤的特征提取能力,提高检测精度;将PANet部分每个特征层融合后的卷积次数由5次减少到3次,减少计算量,提高检测速度;对输送带损伤图像进行标注,并输入改进的YOLOv4模型进行训练和测试。实验结果表明,基于改进YOLOv4的输送带损伤检测方法损失收敛速度快,模型训练效果好;基于改进YOLOv4的输送带损伤检测方法对输送带撕裂、表面磨损和表面缺陷检测的平均精度均值达96.86%,检测速度达20.66帧/s,与YOLOv4,YOLOv3和Faster-RCNN相比,平均精度均值分别提升了1.4%,6.35%,2.16%,检测速度分别提升了2.39,2.34,15.25帧/s;与YOLOv4相比,基于改进YOLOv4的输送带损伤检测方法检测精度更高,对面积较小损伤的检测效果更好。

矿坝输送带实时图像探伤方法

长期工作在艰苦的环境下,钢丝绳芯输送带易发生断裂故障,对运输生产造成影响。提出一种基于模糊聚类算法的图像识别方法对输送带的损伤与接头进行检测,据背景差分法与阈值分割,分离出输送带前景、背景视频图像得到目标。利用Sobel算子检测得到损伤与接头处边缘关系,消除冗余信息,最后用模糊聚类算法对图像分类,从而对输送带是否有损伤作出判断。实验结果用以验证算法的有效性。