论文部分内容阅读
PVC输送带广泛应用于井下煤炭传输工作中,并且应用于带式输送机的PVC输送带要想正常运行必须有带扣首尾两端将其联接成环使用。在PVC输送带运行过程中带扣一旦发生断裂情况,极易造成安全生产责任事故的发生。所以对输送机上PVC输送带的机械带扣进行定期的检查和维修是很有必要的。但多年以来大都是通过井下工作人员人工检测,这种检测方式不仅检测率不高还费时费力,而且在检测时,输送带高速运转,再加上井下环境因素的影响这就给井下工人检测带来了巨大困难。因此需要迫切实现该输送机带扣的视觉检测,实现机械带扣的图像处理,能够及时发现U形钉拉出、U形件弯曲、折断等故障,并实现故障预警,避免发生输送带带扣折断等事故。因此设计一种输送机带扣接头的视觉检测系统来代替人力检测就显得格外的重要。本文针对机器视觉的输送带带扣接头故障检测系统进行了研究,提出了一种带扣接头图像采集的设计方案,设计了基于LABVIEW搭建框架,构建了对机械带扣图像采集及图像处理平台,应用卷积神经网络实现对带扣接头故障的识别分类。该系统以PVC输送带上机械带扣为研究对象,通过CCD线性相机将运行中的输送带上机械带扣图像采集下来并通过特定图像处理算法实现对机械带扣图像的图像预处理和图像分割,然后经过图像校正与带扣接头标定实现带扣接头区域图像的截取。本文对传统MPL网络模型进行优化改进,引入Dropout方法解决训练学习中存在的过拟合问题,Adagrad算法优化网络训练参数,ReLU激活函数解决识别训练中的梯度弥散问题。带扣接头故障分类采用Parzen+CNN的方法进行识别,通过实验表明,Parzen分类器能有效地实现识别分类,与传统Softmax分类方法相比在MNIST上的识别准确率提高了 2.40%,识别效率提高了 20.07%;在Buckle上的识别准确率提高了1.14%,识别效率提高了 33.22.%,显示出识别算法具有较强泛化性,最终构成基于机器视觉的PVC带机械带扣故障诊断系统。该系统运行速度快并能得到精确的分类结果。该系统能够在输送机高速运行过程中实现自身诊断及故障预警,一旦发现带扣故障隐患,自动检测故障种类,自动生成故障报表,减少设备故障排查时间提高故障处理效率,避免重大隐患的发生。