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.