基于机器视觉的输送带表面故障定位技术研究

发布时间：2017-12-25 05:01

  本文关键词：基于机器视觉的输送带表面故障定位技术研究　出处：《天津工业大学》2017年硕士论文　论文类型：学位论文

  更多相关文章： 输送带 机器视觉 故障定位 深度学习 视觉显著性

【摘要】：作为我国现代化大生产的一种重要运输设备,带式输送机广泛应用于煤炭、冶金、矿山、港口、化工等众多行业,而输送带是输送机的重要部件,运行中容易发生划伤、纵向撕裂、破损等表面故障,严重危及安全生产。目前,机器视觉技术开始被应用于输送带的故障检测,但由于输送带首尾相连,循环运行工作,即使利用机器视觉技术发现了故障,检修过程中查找故障位置仍需要耗费大量的时间、人力和物力,因此,故障定位成为输送带视觉监测的一个重要技术问题。针对输送带视觉检测的表面故障定位问题,提出了一种基于机器视觉的输送带表面故障定位方法。该方法是在输送带上下表面的边缘烙上标记,根据数字容易被维修人员辨认的特点,在输送带上面做了数字标记,通过对采集的输送带图像进行处理来实现标记数字的定位和识别,进而实现对输送带表面故障的定位。对于数字标记的定位,提出了一种基于视觉显著性和卷积神经网络的输送带标记数字定位算法。该算法首先使用灰度线性变换增强带标记输送带图像的对比度,再用谱残差算法提取带标记输送带图像的显著图;然后用一种改进的直方图阈值分割算法对带标记的输送带显著图进行分割,实现对数字标记的初步定位;再用卷积神经网络对初步定位出的图像进行分类,以区分出标记数字区域和非数字区域。实验结果表明,该算法可以很好的定位输送带图像上的标记数字。对于数字标记的识别,提出了 一种基于深度学习的输送带标记数字识别算法,该算法对AlexNet模型进行改进,设计了适用于输送带标记图像的网络结构参数,实现了输送带标记数字的识别。实验测试表明该算法具有较高的识别精度。在此基础上,开发了基于机器视觉的输送带表面故障定位模块。利用实验室开发的输送带视觉在线监测系统对该定位模块进行了测试,实验室测试结果表明该模块具有较高的可靠性。
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TH222;TP391.41

【参考文献】

相关期刊论文 前10条

1 赵燕飞;杨彦利;王丽娟;;基于显著性和深度卷积神经网络的输送带表面故障定位[J];工矿自动化;2016年12期

2 崔岩;;CAN总线长距离胶带输送机故障定位系统[J];仪器仪表标准化与计量;2015年01期

3 姜维;卢朝阳;李静;刘晓佩;姚超;;基于视觉显著性与文字置信图的场景文字的背景抑制方法[J];电子学报;2015年01期

4 余永维;殷国富;殷鹰;杜柳青;;基于深度学习网络的射线图像缺陷识别方法[J];仪器仪表学报;2014年09期

5 龚丁禧;曹长荣;;基于卷积神经网络的植物叶片分类[J];计算机与现代化;2014年04期

6 高学;王有旺;;基于CNN和随机弹性形变的相似手写汉字识别[J];华南理工大学学报(自然科学版);2014年01期

7 冯禹;孟国营;张妙恬;杜岩;张博;;带式输送机故障定位技术的应用现状与技术探讨[J];煤炭工程;2013年11期

8 王骏;王士同;邓赵红;应文豪;;面向小目标图像的快速核密度估计图像阈值分割算法[J];自动化学报;2012年10期

9 姜慧研;冯锐杰;;基于改进的变分水平集和区域生长的图像分割方法的研究[J];电子学报;2012年08期

10 杨彦利;苗长云;亢伉;;基于机器视觉的矿用输送带在线监测技术[J];矿山机械;2012年08期

，

本文编号：1331426