摘要
带式输送机是煤炭生产过程中最重要的运输设备，确保带式输送机正常运转是保证煤炭生产效率的关键。带式输送机较为常见的故障主要是跑偏、堆煤和纵向撕裂，跑偏和堆煤有较为成熟的检测方法，而纵向撕裂的检测方法不是很理想。近年来，多层卷积神经网络的应用越来越成熟，尤其是机器视觉领域结合卷积神经网络能够实现对物体的准确检测，而带式输送机的纵向撕裂主要是由于锚杆和大块矸石等异物划伤皮带而引起的，因此如何通过机器视觉的方法检测到皮带上的异物是防止皮带发生纵向撕裂的重要研究方向。本文利用机器视觉的算法针对带式输送机上异物的实时检测与定位进行了研究，构建了一套针对带式输送机上锚杆和矸石等异物实时检测与定位的系统，重点研究了数据集的低光照图像增强、异物实时检测和双目相机定位的算法，并将实时检测与定位算法结合，之后通过实验测试了低光照图像的增强效果、异物检测算法的实时检测效果和检测到异物后的双目相机定位效果，实验表明所采用的算法能够比较理想地实现低光照图像增强、异物实时检测和双目相机定位等功能，最终通过本系统完成了对带式输送机上锚杆和矸石等异物的实时检测与定位的任务。本文主要研究内容如下： 1）研究了基于多层卷积神经网络的低光照图像增强算法并进行了实验测试：首先分析传统低光照图像增强算法的缺点引出基于多层卷积神经网络的低光照图像增强算法KinD++，并分析其网络，接着利用数据集对其进行训练，最后对所得到的模型在多种低光照环境中进行实验验证，并对比传统算法和其他深度学习的方法，实验表明KinD++算法能够较为理想地增强多种低光照环境下的图像，并且增强的图像色彩比较保真，能够恢复黑暗区域中物体的细节特征而不引入大量的噪声。 2）研究了基于多层卷积神经网络的目标检测算法并进行了实验测试：首先分析了YOLOv4目标检测框架的网络组成，然后针对半掩埋在煤中的锚杆和矸石，提出采用网格掩膜GridMask方法对训练图片中的异物进行部分遮挡，从而扩展数据集，并利用K-means++算法聚类数据集的九种锚定框宽高值，最后对训练得到的模型在测试集上进行精度测试并在运行的带式输送机上进行实时检测异物，实验表明通过网格掩膜的优化能够提高模型对于半掩埋物体的识别精度，模型也能够准确而快速地检测出运行的皮带机上的锚杆和矸石。 3）研究了双目相机的定位算法并进行了实验测试：首先构建了相机的成像模型，得到了世界坐标系中的点和像素坐标系中的点的转换矩阵，然后利用张正友标定法对双目相机的内外参数进行了标定，得到转换矩阵中未知的参数值，接着利用SGBM立体匹配算法匹配左右相机的图像获得视差图，利用公式得到视差图中像素点对应的世界坐标系中的三维坐标，将YOLOv4检测到的异物边界框的中心像素坐标送入测距算法最终得到异物距离相机的距离，最后对双目相机的定位算法进行精度测试，实验表明双目相机能够以较高精度完成测距任务。 4）设计并搭建带式输送机异物实时检测与定位实验台：首先搭建实验台的硬件系统，然后编写实验台的界面完成双目相机的实时监控、异物检测与定位、自动截取检测到异物的图片并保存、检测到异物发出警报等功能。
NETL