基于深度学习的矿用输送带损伤检测方法

作     者：张梦超 周满山 张媛 于岩 李虎 ZHANG Mengchao;ZHOU Manshan;ZHANG Yuan;YU Yan;LI Hu

作者机构：山东科技大学机械电子工程学院山东青岛266590 力博重工科技股份有限公司山东泰安271000 中煤科工集团常州研究院有限公司江苏常州213015 

出 版 物：《工矿自动化》 (Journal Of Mine Automation)

年 卷 期：2021年第47卷第6期

页      面：51-56页

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 

基　　金：国家重点研发计划资助项目(2018YFC0604702) 山东省自然科学基金资助项目(ZR2018BEE014) 

主　　题：带式输送机 损伤检测 深度学习 目标检测 表面划伤 撕裂 表面破损 击穿 

摘      要：针对目前输送带损伤检测方法缺乏对输送带撕裂以外其他损伤类型研究的问题,提出一种基于深度学习的矿用输送带损伤检测方法,通过Yolov4-tiny目标检测网络对输送带损伤类型进行分类。Yolov4-tiny目标检测网络以CSPDarknet53-tiny作为主干特征提取网络,借鉴Resnet残差思想,使用残差块防止深层网络中高层语义特征丢失,同时采用特征金字塔网络实现高低层语义信息融合,达到提高检测精度的目的;将CSPDarknet53-tiny中的2个有效特征层输入预测网络Yolo Head,通过得分排序和非极大值抑制算法对预测框进行筛选,从而预测输送带损伤类型。实验结果表明,Yolov4-tiny目标检测网络在输送带损伤数据集上对表面划伤、撕裂、表面破损和击穿4种损伤类型检测的平均精度分别为99.36%,94.85%,89.30%,86.76%,平均精度均值达92.57%;与Faster-RCNN,RFBnet,M2det,SSD,Yolov3,EfficientDet和Yolov4目标检测网络相比,Yolov4-tiny目标检测网络在数据集上取得了最快的检测速度,帧速率达101帧/s,实现了较好的速度与精度的平衡,且占用计算资源相对较少;通过对数据集外新鲜样本的检测,验证了本文方法具有较好的泛化能力。