雙目相機的輸煤皮帶機皮帶撕裂檢測技術(shù)研究

摘 要：常規(guī)的輸煤皮帶機皮帶撕裂檢測模糊定位多為定點處理，檢測的范圍較小，導致單目標撕裂檢測頻次降低，因此本文提出基于雙目相機的輸煤皮帶機皮帶撕裂檢測技術(shù)。根據(jù)目前檢測需求，進行圖像采集和預處理，以邊緣檢測為引導，擴大檢測的范圍，完成撕裂點邊緣模糊定位。進而設計雙目相機輸煤皮帶機皮帶撕裂檢測模型，采用自適應持續(xù)標定的方式進行撕裂檢測處理。測試結(jié)果表明，與深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術(shù)相比，本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術(shù)的單目標撕裂檢測頻次相對較高，說明在雙目相機的輔助和支持下，設計方法更靈活、穩(wěn)定，檢測效率有所提升，應用效果較好。

關(guān)鍵詞：雙目相機；輸煤皮帶機；皮帶撕裂；異常標定" " " 中圖分類號：TD528" " " 文獻標志碼：A

輸煤皮帶機是煤炭運輸工作的關(guān)鍵設備，其穩(wěn)定運行直接關(guān)系煤礦生產(chǎn)的安全與效率。但是在實際應用過程中，在應用頻繁和外部因素的影響下，皮帶機的皮帶發(fā)生損壞，進而導致生產(chǎn)中斷[1]。

為了解決上述問題，相關(guān)研究人員設計了深度遷移學習帶式輸送機機械故障診斷方法，針對帶式輸送機機械故障，訓練模型在大量源域數(shù)據(jù)上進行學習，將知識遷移至目標域的少量數(shù)據(jù)上，以準確地進行故障診斷[2]。也有相關(guān)研究采用無線測溫測振碼頭皮帶機異常檢測技術(shù)，結(jié)合無線測溫測振傳感器，監(jiān)測碼頭皮帶機的實時狀況，進而進行數(shù)據(jù)分析，并識別異常狀態(tài)，使碼頭皮帶機能夠安全、穩(wěn)定運行[3]。上述方法雖然可以實現(xiàn)預期檢測目標，但是靈敏度低、檢測滯后，無法滿足現(xiàn)代煤礦生產(chǎn)對安全性的要求。因此，本文進行了基于雙目相機的輸煤皮帶撕裂檢測技術(shù)的研究，旨在提升檢測靈敏度和準確性，保障煤礦生產(chǎn)的安全。

1 輸煤皮帶機皮帶撕裂雙目相機檢測技術(shù)

1.1 圖像采集和預處理

由于輸煤皮帶機在運行的過程中一直處于振動狀態(tài)，因此本文結(jié)合雙目相機，進行多周期比較，完成圖像采集，并對圖像進行預處理。本文使用安裝在輸煤皮帶機兩側(cè)的雙目相機實現(xiàn)進行圖像采集。雙目相機能夠同時捕捉同一場景的2個視角圖像，利用視差原理計算深度信息。設IL（x，y）和IR（x，y）分別為左、右相機在同一時刻捕捉的圖像，其中（x，y）為基礎的圖像坐標[4]。設雙目相機的基線距離和焦距為已知參數(shù)，采用立體匹配算法標定左、右圖像中的對應點，并利用三角測量計算深度，如公式（1）所示。

式中：Z為圖像采集深度；d為左右圖像對應點的視差；B為基線距離；f為焦距。

基于目前的深度標準，從多個角度拍攝皮帶機皮帶的情況，并對圖像進行預處理。由于輸煤皮帶機工作環(huán)境復雜，因此圖像傳感器采集的原始圖像通常包括大量噪聲和干擾信息，例如煤塵、光線變化等[5]。需要采用空間域增強法，以灰度映射變換突出激光線等關(guān)鍵特征[6]。再采用中值濾波調(diào)整方式處理圖像中的每個像素點，以其鄰域內(nèi)的像素值中值代替原像素值，以去除圖像中的噪聲，完成基礎處理。

1.2 撕裂點邊緣模糊定位

針對上文獲取的撕裂圖像，結(jié)合雙目相機技術(shù)，對皮帶機上的皮帶撕裂點進行邊緣模糊定位處理。應用雙目相機獲取撕裂區(qū)域的左、右圖像，便于后續(xù)半角[7]。一般情況下，撕裂區(qū)域會呈現(xiàn)深度的不連續(xù)或突變[8]。為了定位撕裂點的邊緣，可以采用梯度計算的方式標定撕裂位置的各個點，撕裂點模糊定位如圖1所示。

基于當前的撕裂位置，建立初始模糊定位坐標。進而去除非邊緣像素，利用坐標來連接邊緣像素，形成連續(xù)的邊緣線，撕裂點邊緣定位如圖2所示。

值得注意的是，需要以膨脹、腐蝕的形式來增強或平滑部分模糊邊緣，提高定位的準確性，進而根據(jù)撕裂邊緣的深度信息和位置信息，調(diào)整相機的內(nèi)、外參數(shù)，進行撕裂點的模糊定位。

1.3 雙目相機輸煤皮帶機皮帶撕裂檢測模型

本文結(jié)合雙目相機技術(shù)，設計輸煤皮帶機皮帶撕裂檢測模型。基于上述處理好的圖像，采用撕裂點位置模糊標定，以立體匹配的方式進行視差計算，如公式（2）所示。

式中：J為視差；?為圖像撕裂點水平距離；ξ為感應點；d為可匹配范圍；?為基線距離。

根據(jù)當前測定，對撕裂位置進行視差分析，如圖3所示。

在視差的位置點進行標定，結(jié)合撕裂位置的形態(tài)變化，增強撕裂特征，基于邊緣長度、寬度和深度變化等的變動，進行撕裂點的自動識別和定位處理。進一步鎖定撕裂位置，并設計模型的執(zhí)行表達式，如公式（3）所示。

式中：N為撕裂檢測結(jié)果；o為模糊標定范圍；?為邊緣值；τ為可擴展檢測區(qū)域。

結(jié)合多周期數(shù)據(jù)處理，對撕裂檢測結(jié)果進行具體分析，輸出一個基礎的皮帶機皮帶撕裂檢測結(jié)果。需要注意的是，當前輸出的撕裂檢測結(jié)果并不是最終結(jié)果，由于皮帶機的應用環(huán)境比較復雜，易受外部環(huán)境和定向因素的影響，因此該結(jié)果僅代表同一時段的檢測結(jié)果，具有較強的針對性。

1.4 自適應持續(xù)標定實現(xiàn)撕裂檢測處理

由于輸煤皮帶機工作環(huán)境惡劣，相機內(nèi)、外參數(shù)易受振動、溫度變化和煤塵等因素影響而發(fā)生漂移，因此需要進行自適應持續(xù)標定來動態(tài)調(diào)整相機參數(shù)。將模型輸出的結(jié)果作為引導，提取實時圖像中的特征點，計算特征點連續(xù)幀的位置變化，如公式（4）所示。

式中：U為特征點連續(xù)幀的位置變化差；θ和?分別為相機兩個點位間的間距；v為閾值。

結(jié)合特征點連續(xù)幀的位置變化差，分析此時相機參數(shù)的穩(wěn)定性變化。當特征點位置變化超出預設閾值時，即認為相機參數(shù)發(fā)生顯著漂移，此時應觸發(fā)標定程序，以使特征點的重投影誤差最小化。設標定前、后的相機參數(shù)分別為Pold和Pnew，特征點的真實三維坐標為R，則重投影誤差如公式（5）所示。

式中：E為重投影誤差；e為重投次數(shù)；r為特征點坐標。

結(jié)合誤差變化，對初始點和變化點進行標定，將新的相機參數(shù)更新到檢測系統(tǒng)中，用于后續(xù)撕裂檢測處理。

2 試驗

本文利用雙目相機，對輸煤皮帶機皮帶撕裂檢測技術(shù)實際測試效果進行了分析與驗證，考慮最終測試結(jié)果的真實與可靠，以對比方式進行驗證。試驗將H煤礦工程作為測試對象，比較對象為深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術(shù)以及本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術(shù)。匯總、整合往期的歷史應用數(shù)據(jù)和信息，完成預處理后，將其存儲在預設位置上，以便后續(xù)使用。進而在雙目相機的輔助與支持下進行后續(xù)測試。

2.1 試驗準備

試驗主要是對雙目相機的輸煤皮帶機皮帶撕裂檢測技術(shù)的測試環(huán)境進行設定與部署。預設基礎的仿真環(huán)境，配置RTX 3080 GPU顯卡的Linux系統(tǒng)服務器，隨機選定H煤礦中的4臺輸煤皮帶機作為測試對象，預設4個定向的檢測周期，并且每一個皮帶機在運行過程中都需要設置一定數(shù)量的檢測節(jié)點，節(jié)點間互相搭接，采集實時數(shù)據(jù)后設定循環(huán)測試背景。進而基于雙目相機的輔助，設定基礎檢測數(shù)據(jù)集信息，見表1。

通過攝像頭獲得RGB實時圖像，并利用Labelme軟件對圖像進行預處理，標定出此時圖像內(nèi)部皮帶的位置框，以便于后續(xù)對撕裂位置進行實時檢測和識別。利用皮帶機設定的檢測節(jié)點采集實時數(shù)據(jù)和信息，為后續(xù)的撕裂檢測提供參考，至此完成測試環(huán)境部署。

2.2 試驗過程與結(jié)果分析

在上文搭建的測試環(huán)境中，設定權(quán)值衰減系數(shù)為0.004，采用Batchsize訓練、處理圖片的分辨率，數(shù)據(jù)處理的速度為32.5幀～36.5幀，置信度為0.85。利用雙目相機對皮帶的裂縫位置進行檢測和標定，如圖4所示。

在上述基礎上，利用相機將采集的數(shù)據(jù)信息傳輸?shù)筋A設位置上，并對皮帶的撕裂情況進行具體分析。進而與預設的測試集進行比較，測定不同環(huán)境下的撕裂位置平均檢測精準率，如圖5所示。

根據(jù)當前的撕裂位置檢測精度，分析其檢測效果，并根據(jù)當前的置信度變化，計算單目標撕裂檢測頻次，如公式（6）所示。

式中：F為單目標撕裂檢測頻次；?1和?2分別為不同周期學習檢測次數(shù)；Y為檢測精度；?為初始學習次數(shù)；?為預設測試集數(shù)量。

當前測定結(jié)果見表2。由表2可知，與深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術(shù)相比，本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術(shù)的單目標撕裂檢測頻次相對較高，說明在雙目相機的輔助和支持下，本文設計的方法更靈活、穩(wěn)定，效率進一步提升，撕裂檢測效果較好。

3 結(jié)語

本文結(jié)合實際的皮帶撕裂檢測需求，設計了更靈活、多變的檢測模式，不僅提高了皮帶撕裂檢測的靈敏度和準確性的同時，而且對撕裂故障進行了實時預警與定位，能夠為煤礦企業(yè)提供更可靠的安全保障。隨著雙目相機的配置與優(yōu)化，還需要進一步強化實際的撕裂檢測精度與速度，保證設備的穩(wěn)定運行，推動相關(guān)技術(shù)與行業(yè)邁入新的發(fā)展臺階。

參考文獻

[1]祝寶君.煤礦皮帶機常見故障及其處理措施[J].能源與節(jié)能，2024（7）：302-304.

[2]劉文峰，王榮振，董杰，等.帶式輸送機機械故障深度遷移學習診斷方法[J].煤礦機械，2024，45（9）：153-156.

[3]張煥榮，呂曉威.電廠碼頭皮帶機無線測溫測振技術(shù)方案設計及應用[J].中國港灣建設，2024，44（8）：62-68.

[4]曹華棟.煤礦皮帶機安裝調(diào)試常見故障的分析與處理[J].能源與節(jié)能，2024（6）：294-296，300.

[5]博玉亮，張義坤，張慶博，等.皮帶機故障預測與維護策略探究[J].現(xiàn)代礦業(yè)，2024，40（4）：246-250.

[6]何明.輸煤系統(tǒng)輸煤皮帶機常見故障診斷與檢修探析[J].內(nèi)蒙古煤炭經(jīng)濟，2024（6）：112-114.

[7]齊濤.煤礦皮帶機滑動故障分析及其智能檢測[J].機械管理開發(fā)，2024，39（2）：303-305.

[8]黃志平.皮帶撕裂智能監(jiān)測終端在電廠輸煤皮帶機的應用研究[J].中國設備工程，2022（20）：28-30.