基于双流融合网络的输送带跑偏检测方法

• Published in: 煤炭科学技术 Vol. 51; no. z2; pp. 259 - 267
• Main Authors: 杨志方, 张立亚, 郝博南, 刘渊, 赵青
• Format: Journal Article
• Language: Chinese
• Published: 北京市煤矿安全工程技术研究中心,北京 100013 2023; 煤炭科学技术研究院有限公司,北京 100013; 煤矿应急避险技术装备工程研究中心,北京 100013
• Subjects: 边缘检测; image segmentation; 输送带跑偏; 图像分割; belt deviation; 神经网络; edge detection; neural network; encoder-decoder; 编码器-解码器
• ISSN: 0253-2336
• DOI: 10.13199/j.cnki.cst.2023-0215

TP181; 传统输送带跑偏检测方法中,接触式检测技术成本高,非接触式检测技术则精度低.随着人工智能技术的发展,虽然基于卷积神经网络的方法可以有效提高检测精度,但受限于卷积操作本身局部运算特性的限制,仍存在对长距离、全局信息感知不足等问题,很难再提升在输送带边缘检测上的精度.为解决上述问题,①通过将传统卷积神经网络的卷积对局部特征的提取能力与Trans-former结构对全局、长距离信息感知能力相结合,提出了一种全局与局部信息相互融合的双流输送带边缘检测网络模型(Dual-Flow Transformer Network,DFTNet),能够较好地提高输送带边缘检测精度并抑制输送带图像噪声和背景的干扰;②通过设计卷积神经网络(Convolutional Neural Network,CNN)和转换器Transformer特征融合模块,形成双流编码器-解码器结构,利用结构上的巧妙设计,可以更好地融合全局上下文信息,避免了Transformer结构在大规模数据集上预训练,可以灵活调节网络结构;③通过从实际工业场景中所采集到多场景的运输机输送带图片,构建了包含 5种不同场景下多角度、不同位置的输送带输送带数据集.研究结果表明,双流融合网络DFTNet综合性能最佳,均交并比mIou达 91.08%,准确率ACC达 99.48%,平均精确率mPrecision达 91.88%,平均召回率 mRecall达 96.22%,相比纯卷积神经网络 HRNet分别提升了 25.36%、0.29%、17.70%与29.46%,相比全卷积神经网络(Fully Convolutional Networks,FCN)分别提升了 29.5%、0.32%、24.77%与 34.13%,在参数量、计算速度上均有较大提升.同时,处理图像帧率达 53.07 fps,满足工业中实时性的要求,具有较大实用价值.