基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測研究

郭硯秋， 苗長云， 劉意

（1. 天津工業(yè)大學(xué) 電子與信息工程學(xué)院，天津 300387；2. 天津工業(yè)大學(xué) 機(jī)械工程學(xué)院，天津 300387；3. 天津工業(yè)大學(xué) 工程教學(xué)實(shí)習(xí)訓(xùn)練中心，天津 300387）

0 引言

帶式輸送機(jī)是一種現(xiàn)代化生產(chǎn)中的連續(xù)運(yùn)輸設(shè)備[1-2]，具有運(yùn)量大、運(yùn)距遠(yuǎn)、運(yùn)費(fèi)低、效率高、運(yùn)行平穩(wěn)、裝卸方便、適合散料運(yùn)輸?shù)葍?yōu)點(diǎn)，已廣泛應(yīng)用于煤炭、礦山、港口、電力、冶金、化工等領(lǐng)域[3-4]。

帶式輸送機(jī)主要由托輥、輸送帶、滾筒、傳動(dòng)裝置等構(gòu)成。托輥是承載輸送帶和物料的關(guān)鍵部件，在使用過程中，由于多種原因，會(huì)發(fā)生軸承輥軸、密封件損壞和筒體磨損等故障，引起托輥卡轉(zhuǎn)，增加托輥與輸送帶間摩擦力，加大能耗，引發(fā)輸送帶跑偏、托輥和輸送帶溫度升高，造成輸送帶斷帶、縱向撕裂、火災(zāi)等安全事故[5]。為了保證帶式輸送機(jī)安全可靠運(yùn)行，需要對(duì)托輥故障進(jìn)行檢測[6-7]。由于托輥數(shù)量大且分散，工作環(huán)境惡劣，檢測條件苛刻，所以其故障在線檢測難度大。

傳統(tǒng)的托輥故障檢測方法主要有人工檢測法、聲音信號(hào)檢測法、振動(dòng)信號(hào)檢測法等。人工檢測法勞動(dòng)強(qiáng)度大，易受檢測人員主觀因素影響，準(zhǔn)確性差；因現(xiàn)場工作環(huán)境惡劣，聲音信號(hào)檢測法采集的信號(hào)噪聲大，導(dǎo)致檢測結(jié)果準(zhǔn)確性差；振動(dòng)信號(hào)檢測法需接觸式傳感器，在惡劣的環(huán)境中不易進(jìn)行數(shù)據(jù)采集，且采集的信號(hào)可靠性差、振動(dòng)傳感器易損壞[8-10]。

基于巡檢機(jī)器人及紅外圖像檢測可實(shí)現(xiàn)非接觸式的數(shù)據(jù)采集，受周圍環(huán)境影響小，檢測準(zhǔn)確率較高。朱振[11]采用輸送帶巡檢機(jī)器人代替人工檢測，使用ANSYS仿真托輥與輸送帶摩擦生熱產(chǎn)生的溫度場，分析托輥故障時(shí)其紅外圖像的特點(diǎn)，進(jìn)而實(shí)現(xiàn)故障檢測。蘇耀瑞[12]采用智能巡檢機(jī)器人搭載拾音器，通過自動(dòng)化巡檢的方式采集信號(hào)，對(duì)聲音信號(hào)進(jìn)行去噪、特征參數(shù)提取和分類器構(gòu)建等處理，實(shí)現(xiàn)托輥故障信號(hào)識(shí)別，然后根據(jù)信號(hào)的RFID標(biāo)簽追溯到故障托輥位置。馬宏偉等[13]提出一種基于連通分量的帶式輸送機(jī)托輥紅外圖像自動(dòng)分割和定位算法，采用紅外熱像儀進(jìn)行數(shù)據(jù)采集，通過垂直水平投影、Canny邊緣檢測、連通分量提取托輥閉合輪廓等圖像處理算法，實(shí)現(xiàn)托輥圖像自動(dòng)分割與定位。金學(xué)智[14]提出采用智能巡檢機(jī)器人和紅外熱像儀進(jìn)行托輥故障巡檢，完成故障判定，并生成故障預(yù)警報(bào)告。P. Dabek等[15]提出基于UGV機(jī)器人技術(shù)，對(duì)帶式輸送機(jī)過熱托輥進(jìn)行自動(dòng)檢測，通過對(duì)RGB圖像進(jìn)行預(yù)處理，將預(yù)處理后的圖像與紅外圖像融合得到過熱點(diǎn)，實(shí)現(xiàn)托輥故障檢測。但目前帶式輸送機(jī)巡檢機(jī)器人搭載紅外采集設(shè)備移動(dòng)受限，存在不能實(shí)時(shí)進(jìn)行數(shù)據(jù)采集、數(shù)據(jù)處理并上傳至監(jiān)控終端，無法完成遠(yuǎn)程故障檢測，續(xù)航能力不足等問題。

針對(duì)目前帶式輸送機(jī)托輥故障檢測存在可靠性和準(zhǔn)確性不高等問題，提出一種基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測方法，利用帶式輸送機(jī)巡檢機(jī)器人搭載托輥故障檢測器及紅外熱像儀進(jìn)行數(shù)據(jù)采集，紅外熱像儀將采集的托輥熱紅外圖像序列與溫度數(shù)據(jù)傳輸給托輥故障檢測器，利用托輥故障檢測算法實(shí)現(xiàn)故障檢測，將檢測結(jié)果通過無線傳輸模塊發(fā)送至上位機(jī)，實(shí)現(xiàn)帶式輸送機(jī)托輥運(yùn)行狀態(tài)的遠(yuǎn)程實(shí)時(shí)監(jiān)測與報(bào)警。

1 帶式輸送機(jī)托輥故障檢測系統(tǒng)

基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測系統(tǒng)主要由帶式輸送機(jī)巡檢機(jī)器人（搭載紅外熱像儀、托輥故障檢測器、報(bào)警器等）、上位機(jī)組成，如圖1所示。該系統(tǒng)采用艾睿T3S紅外熱像儀進(jìn)行托輥熱紅外圖像與溫度數(shù)據(jù)采集。采集數(shù)據(jù)傳輸給托輥故障檢測器進(jìn)行數(shù)據(jù)處理與故障判定，通過內(nèi)置的WH-L101無線傳輸模塊將檢測結(jié)果傳輸給上位機(jī)進(jìn)行顯示。若檢測到托輥發(fā)生故障，啟動(dòng)托輥故障檢測器與上位機(jī)報(bào)警器，實(shí)現(xiàn)雙報(bào)警。

2 帶式輸送機(jī)托輥故障檢測算法

托輥故障檢測算法部署在托輥故障檢測器的Cortex-A57處理器中。利用YOLOv5s 目標(biāo)檢測算法提取托輥熱紅外圖像的感興趣區(qū)域（Region of Interest，ROI），采用維納濾波和自適應(yīng)中值濾波算法對(duì)ROI圖像進(jìn)行濾波，利用自適應(yīng)直方圖均衡化和圖像銳化算法對(duì)濾波后的圖像進(jìn)行增強(qiáng)，采用基于形態(tài)學(xué)的Otsu圖像分割算法對(duì)增強(qiáng)后的圖像進(jìn)行分割，得到待檢測的托輥圖像，利用Harris角點(diǎn)檢測算法提取托輥圖像特征，獲得托輥位置信息并提取相應(yīng)的溫度信息。采用基于相對(duì)溫差法的托輥故障檢測算法判定托輥故障，當(dāng)溫度超過初始閾值時(shí)，算法進(jìn)一步判斷相對(duì)溫差所在閾值范圍，確定故障類型，并輸出檢測結(jié)果，否則直接輸出無故障檢測結(jié)果。托輥故障檢測算法流程如圖2所示。

圖2 托輥故障檢測算法流程Fig. 2 Process of the roller fault detection algorithm

2.1 托輥ROI提取

帶式輸送機(jī)巡檢機(jī)器人沿預(yù)設(shè)好的軌道移動(dòng)并進(jìn)行數(shù)據(jù)采集，采集到的部分熱紅外圖像沒有目標(biāo)托輥或存在其他物體，影響后續(xù)數(shù)據(jù)處理工作，因此采用YOLOv5s算法[16]對(duì)目標(biāo)進(jìn)行識(shí)別并進(jìn)行ROI提取。

實(shí)驗(yàn)過程中，首先對(duì)托輥熱紅外圖像進(jìn)行標(biāo)注，完成數(shù)據(jù)集制作，然后在訓(xùn)練好的YOLOv5s網(wǎng)絡(luò)模型中進(jìn)行預(yù)測，最后準(zhǔn)確框選出ROI部分并進(jìn)行截取，如圖3所示。

圖3 YOLOv5s網(wǎng)絡(luò)模型處理結(jié)果Fig. 3 YOLOv5s network model processing results

2.2 ROI圖像預(yù)處理

采用維納濾波對(duì)熱紅外圖像運(yùn)動(dòng)模糊和高斯白噪聲進(jìn)行濾波處理，采用自適應(yīng)中值濾波對(duì)熱紅外圖像中的椒鹽噪聲進(jìn)行抑制，并采用自適應(yīng)直方圖均衡化和圖像銳化算法對(duì)圖像進(jìn)行增強(qiáng)。

維納濾波通常用于提取被噪聲污染的有用信號(hào)，以最小均方誤差準(zhǔn)則進(jìn)行濾波，以圖像和噪聲各自的相關(guān)矩陣為最優(yōu)準(zhǔn)則，根據(jù)圖像的局部方差調(diào)整濾波輸出，局部方差越大，濾波的平滑作用越強(qiáng)[17-18]，結(jié)果如圖4所示。

圖4 維納濾波結(jié)果Fig. 4 Wiener filter results

中值濾波通過比較一定領(lǐng)域內(nèi)像素值的大小，取其中值作為這個(gè)領(lǐng)域的中心像素值。根據(jù)預(yù)設(shè)好的條件，選用自適應(yīng)中值濾波器動(dòng)態(tài)改變窗口尺寸，不僅可濾除椒鹽噪聲，還可平滑其他非脈沖噪聲，降低噪聲對(duì)圖像的影響并保護(hù)圖像細(xì)節(jié)[19-20]，處理后的結(jié)果如圖5所示。

圖5 自適應(yīng)中值濾波結(jié)果Fig. 5 Adaptive median filtering results

采用自適應(yīng)直方圖均衡化和Roberts圖像銳化算法對(duì)托輥熱紅外圖像進(jìn)行處理，增強(qiáng)目標(biāo)托輥區(qū)域與背景區(qū)域之間的不相關(guān)性，改善圖像的局部對(duì)比度及獲得更多的圖像細(xì)節(jié)[21]，處理結(jié)果如圖6所示。

圖6 圖像增強(qiáng)結(jié)果Fig. 6 Image enhancement results

2.3 托輥圖像分割

帶式輸送機(jī)安裝環(huán)境復(fù)雜，采集的托輥熱紅外圖像包含支架、傳感器等物體。采用基于形態(tài)學(xué)的Otsu圖像分割算法對(duì)圖像進(jìn)行分割。Otsu圖像分割算法是一種確定圖像二值化分割閾值的算法，通過選擇最佳閾值將圖像分為背景區(qū)域及目標(biāo)區(qū)域。最佳閾值由背景區(qū)域與目標(biāo)區(qū)域間的類間方差確定。背景區(qū)域和目標(biāo)區(qū)域間的類間方差越大，說明背景區(qū)域和目標(biāo)區(qū)域間差別越大[22]， 區(qū)域之間的相關(guān)性越小，分割效果就越好。區(qū)域間類間方差最大時(shí)的閾值即為最佳閾值。

假設(shè)灰度圖像有M個(gè)像素點(diǎn)，灰度等級(jí)總數(shù)為L，圖像的灰度等級(jí)為[0,L-1]，灰度等級(jí)i對(duì)應(yīng)的像素個(gè)數(shù)為mi。

灰度等級(jí)i的像素點(diǎn)出現(xiàn)的概率Pi滿足：

將圖像分為目標(biāo)區(qū)域S0和背景區(qū)域S1，S0和S1的灰度等級(jí)為[0,θ-1]和[θ,L-1]，其中θ為設(shè)定的閾值，分割后圖像的各個(gè)點(diǎn)的像素值為F(x,y)，(x,y)為像素點(diǎn)坐標(biāo)，則

S0與S1出現(xiàn)的概率為PS0和PS1，對(duì)應(yīng)的灰度等級(jí)均值為μ0和μ1。

S0和S1方差分別為

則目標(biāo)區(qū)域和背景區(qū)域的類間方差為

確定圖像分割的最佳閾值θ′后，采用基于形態(tài)學(xué)的Otsu算法對(duì)圖像進(jìn)行分割處理，可準(zhǔn)確地分割出輸送帶與托輥的形狀。其中開運(yùn)算處理可達(dá)到去除毛刺和增加圖像邊緣平滑度的效果，閉運(yùn)算可通過填充圖像的凹角對(duì)圖像進(jìn)行濾波，來彌合小斷點(diǎn)及填充物體內(nèi)細(xì)小空洞、連接鄰近物體，使分割效果更好，結(jié)果如圖7所示。

圖7 基于形態(tài)學(xué)的Otsu圖像分割算法處理結(jié)果Fig. 7 Image processing results by morphology-based Otsu image segmentation algorithm

2.4 托輥特征提取

Harris角點(diǎn)檢測算法是使用一個(gè)固定窗口在圖像上進(jìn)行任意方向上的移動(dòng)，判斷移動(dòng)后各方向上灰度值的變化情況，若發(fā)生較大變化則判定為窗口區(qū)域所在的位置就是角點(diǎn)所在的位置。

Harris角點(diǎn)檢測算法采用泰勒級(jí)數(shù)展開的思想獲取窗口移動(dòng)后任意方向上的像素值變化，以像素點(diǎn)為中心，窗口對(duì)應(yīng)的像素點(diǎn)位置為(x,y)，窗口在x,y方向上的移動(dòng)量分別為u,v。移動(dòng)前與移動(dòng)后對(duì)應(yīng)的窗口中的像素點(diǎn)灰度變化可用自相關(guān)函數(shù)描述。

式中：w(x,y)為窗口函數(shù)；I(x+u,y+v)為移動(dòng)后圖像像素灰度值；I(x,y)為移動(dòng)前圖像像素灰度值。

I(x+u,y+v)經(jīng)過泰勒級(jí)數(shù)展開并簡化得

由于是局部微小的移動(dòng)量，則可忽略上式中的余項(xiàng)，得

式中H為梯度的協(xié)方差矩陣，由圖像的導(dǎo)數(shù)求得。

通過角點(diǎn)響應(yīng)函數(shù)計(jì)算每個(gè)角點(diǎn)的響應(yīng)值R[23]，R只與H的特征值λ1和λ2有關(guān)。根據(jù)R判斷像素是否為角點(diǎn)，設(shè)角點(diǎn)閾值為N，若某點(diǎn)的響應(yīng)值R>N，則該點(diǎn)為角點(diǎn)，若R

式中：det(H)為H的行列式；k為經(jīng)驗(yàn)常數(shù)；trace為H的跡。

比較得到R的最大值Rmax，將0.01Rmax作為設(shè)定的閾值N，人為設(shè)置經(jīng)驗(yàn)常數(shù)k=0.04～0.06。根據(jù)Harris角點(diǎn)檢測算法對(duì)分割后的圖像進(jìn)行特征提取并得到托輥位置信息，如圖8所示?？煽闯?，將特征提取后的圖像分為輸送帶與托輥接觸面區(qū)域和軸承區(qū)域，并用綠色框標(biāo)出，設(shè)為Tangent Area（簡稱TA）及Bearing Area（簡稱BA）。

圖8 基于Harris角點(diǎn)檢測算法的特征提取結(jié)果Fig. 8 Feature extraction results by Harris corner point detection algorithm

2.5 基于相對(duì)溫差法的托輥故障檢測

進(jìn)行熱紅外圖像和溫度數(shù)據(jù)采集時(shí)，故障狀態(tài)下采集的溫度會(huì)隨著故障部位溫度升高而升高。為了避免環(huán)境溫度對(duì)實(shí)驗(yàn)數(shù)據(jù)和故障判定的影響，本文選用相對(duì)溫差法作為故障判定方法。

相對(duì)溫差法需要求得發(fā)生故障時(shí)及無故障時(shí)關(guān)鍵區(qū)域的溫升，即關(guān)鍵區(qū)域溫度與環(huán)境溫度的差值。相對(duì)溫差為

式中：τ1為發(fā)生故障時(shí)關(guān)鍵區(qū)域的溫升；τ2為無故障狀態(tài)下關(guān)鍵區(qū)域的溫升。

根據(jù)實(shí)驗(yàn)數(shù)據(jù)求得無故障狀態(tài)時(shí)的TA和BA區(qū)域的溫升最大值，將溫升最大值分別設(shè)為TA、BA區(qū)域檢測的初始閾值，用t0（TA）和t0（BA）表示，用于初步判斷托輥運(yùn)行時(shí)是否存在故障。當(dāng)圖像或視頻提取TA及BA區(qū)域的溫升均未超過t0（TA）和t0（BA）時(shí)，則判定為無故障，若溫升超過任意初始閾值，則進(jìn)行下一步的故障判定。

根據(jù)式（17）計(jì)算軸承銹蝕（B1）、托輥卡轉(zhuǎn)（C1）和筒體磨穿（D1）故障下的相對(duì)溫差，分別設(shè)閾值為tB1，tC1，tD1。當(dāng)關(guān)鍵區(qū)域的相對(duì)溫差超過tB1且小于tC1時(shí)，則托輥設(shè)備屬于B1故障；當(dāng)關(guān)鍵區(qū)域的相對(duì)溫差超過tC1但未超過tD1時(shí)，則托輥設(shè)備屬于C1故障；當(dāng)關(guān)鍵區(qū)域的相對(duì)溫差超過tD1時(shí)，則為D1故障。最終輸出故障類型。

3 托輥故障檢測器設(shè)計(jì)

采用Jetson Nano嵌入式開發(fā)板設(shè)計(jì)托輥故障檢測器的硬件，其主要由主處理器電路、USB接口電路1和2、WH-L101無線傳輸模塊、串口接口電路、GPIO接口電路、HDMI接口電路、顯示器、鍵盤、鼠標(biāo)等組成，如圖9所示。選用Jetson Nano嵌入式開發(fā)板為托輥故障檢測器的主處理器，其包含GPU和CPU，具有操作簡單、功耗較低、尺寸小巧等優(yōu)點(diǎn)，包含1塊128核Maxwell架構(gòu)的GPU，搭載四核Cortex-A57處理器及4 GiB內(nèi)存，用于托輥熱紅外圖像及溫度數(shù)據(jù)處理、托輥故障判定等。USB接口電路1連接鍵盤鼠標(biāo)，USB接口電路2連接紅外熱像儀，用于托輥熱紅外圖像和溫度數(shù)據(jù)采集；WH-L101無線傳輸模塊使用串口進(jìn)行數(shù)據(jù)的收發(fā)，可滿足于上位機(jī)一對(duì)一或一對(duì)多的通信，實(shí)現(xiàn)多臺(tái)上位機(jī)遠(yuǎn)程監(jiān)測托輥運(yùn)行情況，達(dá)到實(shí)時(shí)監(jiān)控的檢測要求；串口接口電路連接WH-L101無線傳輸模塊；GPIO接口電路連接報(bào)警器，故障時(shí)啟動(dòng)報(bào)警器報(bào)警[24]； HDMI接口電路連接顯示器，用于故障顯示。

圖9 帶式輸送機(jī)托輥故障檢測器硬件組成Fig. 9 Hardware composition of fault detector for belt conveyor roller

托輥故障檢測器軟件流程如圖10所示。設(shè)置紅外熱像儀的技術(shù)參數(shù)，如焦距、測溫范圍、色板選擇等，確保拍攝的托輥熱紅外圖像滿足質(zhì)量要求。對(duì)于采集的熱紅外數(shù)據(jù)，利用部署在Jetson Nano上的托輥故障檢測算法判斷是否發(fā)生故障，并判定為何種故障，同時(shí)啟動(dòng)報(bào)警器進(jìn)行報(bào)警。最終將結(jié)果顯示在上位機(jī)軟件。

圖10 托輥故障檢測器軟件流程Fig. 10 Flow of idler fault detector software

4 實(shí)驗(yàn)與結(jié)果分析

4.1 實(shí)驗(yàn)平臺(tái)搭建

為了驗(yàn)證基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測方法的準(zhǔn)確性和可靠性，搭建了帶式輸送機(jī)托輥故障檢測實(shí)驗(yàn)平臺(tái)，如圖11所示。

圖11 帶式輸送機(jī)托輥故障檢測實(shí)驗(yàn)平臺(tái)Fig. 11 Experimental platform for belt conveyor idler fault detection

4.2 YOLOv5s目標(biāo)檢測算法結(jié)果分析

選用YOLOv5s目標(biāo)檢測算法提取熱紅外圖像的ROI，制作數(shù)據(jù)集并訓(xùn)練網(wǎng)絡(luò)，對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行測試。網(wǎng)絡(luò)訓(xùn)練和測試平臺(tái)配置見表1。

表1 網(wǎng)絡(luò)訓(xùn)練和測試平臺(tái)配置Table 1 Network training and test platform configuration

在實(shí)驗(yàn)室環(huán)境下，帶式輸送機(jī)巡檢機(jī)器人搭載紅外熱像儀沿固定軌跡移動(dòng)，對(duì)2個(gè)帶式輸送機(jī)進(jìn)行視頻拍攝。分別對(duì)A0（無故障）、B1、C1、D1 4種狀態(tài)的視頻數(shù)據(jù)進(jìn)行取幀處理，獲得1 032張圖像，經(jīng)過擴(kuò)增獲得8 256張圖像，按照7∶3的比例隨機(jī)劃分訓(xùn)練集（5 780張）和測試集（2 476張）。訓(xùn)練迭代次數(shù)為100，使用自制數(shù)據(jù)集在訓(xùn)練好的YOLOv5s模型中進(jìn)行測試，結(jié)果如圖12所示，得到平均準(zhǔn)確率為99.12%。

圖12 YOLOv5s目標(biāo)檢測結(jié)果Fig. 12 YOLOv5s target detection results

4.3 溫度特性實(shí)驗(yàn)結(jié)果分析

結(jié)合帶式輸送機(jī)工程設(shè)計(jì)規(guī)范和實(shí)驗(yàn)需求，通過對(duì)正常托輥進(jìn)行鹽水浸泡和一定程度的損壞，得到B1、C1、D1 3種托輥故障[25]，如圖13所示。

圖13 托輥故障Fig. 13 The roller fault

實(shí)驗(yàn)環(huán)境的恒定溫度為15.6 ℃，在同一帶式輸送機(jī)的托輥組上，采用紅外熱像儀分別采集A0、B1、C1、D1 4種狀態(tài)下托輥熱紅外圖像及溫度數(shù)據(jù)。每隔5 min進(jìn)行一次數(shù)據(jù)保存，進(jìn)行25次采集，共得到100個(gè)樣本。將采集圖像經(jīng)過ROI提取、圖像處理、托輥分割和特征提取后，得到特征點(diǎn)所在區(qū)域的位置信息，根據(jù)TA區(qū)域和BA區(qū)域的位置信息對(duì)相應(yīng)位置的溫度數(shù)據(jù)進(jìn)行提取。

對(duì)溫度數(shù)據(jù)進(jìn)行處理，求得100個(gè)樣本中TA區(qū)域和BA區(qū)域的最大溫度及平均溫度，將TA區(qū)域的最大溫度作為輸送帶與托輥接觸面溫度（簡稱TTA），BA區(qū)域的平均溫度作為軸承溫度（簡稱TBA）。4種狀態(tài)下TA區(qū)域及BA區(qū)域的溫度曲線如圖14所示?？煽闯鲈赥A區(qū)域前10 min內(nèi)TTA迅速升高，在100 min進(jìn)行第25次采樣時(shí)趨于穩(wěn)態(tài)，C1和D1的穩(wěn)態(tài)溫度分別為31 ℃和53 ℃，明顯區(qū)別于B1，這說明對(duì)于C1或D1故障，TTA是有效的判別指標(biāo)，且C1、D1達(dá)到穩(wěn)態(tài)時(shí)的溫度越高，卡轉(zhuǎn)越嚴(yán)重。在BA區(qū)域前10 min內(nèi)TBA迅速升高，B1的TBA有明顯升高，且達(dá)到穩(wěn)態(tài)時(shí)的溫度為27 ℃，與A0狀態(tài)下的溫度形成鮮明對(duì)比， C1和D1狀態(tài)下的溫度變化不明顯。在50 min后，B1的TBA逐漸下降，說明當(dāng)出現(xiàn)BA時(shí)，潤滑良好的軸承有自我修復(fù)的功能，且TBA是B1有效的判別指標(biāo)。

圖14 4種狀態(tài)下TA區(qū)域最大溫度及BA區(qū)域平均溫度Fig. 14 The maximum temperature in TA region and average temperature in BA region under 4 states

4.4 托輥故障檢測結(jié)果分析

對(duì)關(guān)鍵區(qū)域特征點(diǎn)的溫度進(jìn)行提取與處理，計(jì)算相對(duì)溫差，得到托輥故障判定標(biāo)準(zhǔn)，見表2。當(dāng)TTA≤2.84 ℃且TBA≤2.34 ℃時(shí)，判定為無故障。

表2 托輥故障判定標(biāo)準(zhǔn)Table 2 Roller fault judgment criteria

分別拍攝實(shí)驗(yàn)平臺(tái)中托輥1和托輥2 在A0、B1、C1、D1 4種狀態(tài)下的托輥紅外視頻，分別對(duì)托輥紅外視頻進(jìn)行取幀得到托輥熱紅外圖像序列，并從2個(gè)實(shí)驗(yàn)托輥的熱紅外圖像中各抽取100張圖像序列，將200張測試圖像輸入托輥故障檢測器中，利用托輥故障檢測算法分別對(duì)4種狀態(tài)的圖像序列進(jìn)行處理，結(jié)果見表3。

表3 托輥故障檢測正確數(shù)量Table 3 Correct number of roller fault detection張

由表3可看出，利用托輥故障檢測算法進(jìn)行故障判定，得到無故障A0、軸承銹蝕B1、托輥卡轉(zhuǎn)C1、筒體磨穿D1 4種狀態(tài)的檢測總正確數(shù)量分別為199張、193張、194張及195張，準(zhǔn)確率分別為99.5%、96.5%、97%、97.5%，平均準(zhǔn)確率為97.625%，幀率為16 幀/s。

為進(jìn)一步驗(yàn)證本文方法的可靠性和準(zhǔn)確性，制備A0、B1、C1、D1狀態(tài)的托輥各2組，隨機(jī)安裝在2個(gè)不同的帶式輸送機(jī)托輥組上。巡檢機(jī)器人搭載托輥故障檢測器在不同環(huán)境溫度下對(duì)8組托輥組進(jìn)行巡檢，經(jīng)過托輥故障檢測算法處理，得到檢測結(jié)果，并通過WH-L101無線傳輸模塊將檢測結(jié)果傳輸給上位機(jī)。上位機(jī)軟件界面顯示4種狀態(tài)的檢測結(jié)果與相關(guān)數(shù)據(jù)，并進(jìn)行報(bào)警處理，如圖15所示?？煽闯龌跓峒t外圖像的帶式輸送機(jī)托輥故障檢測方法可實(shí)現(xiàn)托輥檢測。

5 結(jié)論

1） 提出了基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測方法，可實(shí)現(xiàn)ROI提取、圖像濾波與增強(qiáng)、目標(biāo)托輥分割、特征提取及故障判定等功能。

2） 基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測方法使用YOLOv5s目標(biāo)檢測算法提取托輥圖像ROI，平均準(zhǔn)確率為99.12%，可準(zhǔn)確識(shí)別目標(biāo)托輥。對(duì)ROI圖像進(jìn)行預(yù)處理，可實(shí)現(xiàn)托輥特征提取。

3） 通過溫度特性實(shí)驗(yàn)得到故障判定標(biāo)準(zhǔn)，根據(jù)托輥故障檢測算法實(shí)現(xiàn)托輥故障檢測，得到無故障A0、軸承銹蝕B1、托輥卡轉(zhuǎn)C1、筒體磨穿D1的檢測準(zhǔn)確率分別為99.5%，96.5%，97%，97.5%，平均準(zhǔn)確率為97.625%，幀率為16 幀/s。檢測結(jié)果通過無線傳輸模塊傳送至上位機(jī)，可顯示故障類型及關(guān)鍵區(qū)域溫度，并進(jìn)行報(bào)警。

4） 基于熱紅外圖像的帶式輸送機(jī)托輥故障檢測方法可實(shí)現(xiàn)托輥非接觸式在線故障檢測。下一步將模擬實(shí)際工況對(duì)該方法進(jìn)行進(jìn)一步論證及改進(jìn)。