(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210207745.X (22)申请日 2022.03.04 (71)申请人 中南大学 地址 410083 湖南省长 沙市麓山 南路932号 (72)发明人 蒋朝辉　欧楠青　潘冬　桂卫华　 (74)专利代理 机构 长沙朕扬知识产权代理事务 所(普通合伙) 43213 专利代理师 马家骏 (51)Int.Cl. G06T 7/00(2017.01) G06T 5/50(2006.01) G06T 5/00(2006.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种上料皮带破损缺陷智能检测方法及系 统 (57)摘要 本发明公开了一种上料皮带破损缺陷智能 检测方法及系统， 通过对采集的皮带图像进行预 处理， 构造皮带破损检测网络以及基于皮带破损 检测网络对皮带破损缺陷进行检测， 解决了现有 皮带破损检测精度低的技术问题， 通过在现有 YOLOv3目标检测网络中加入密集连接模块和高 斯模块， 能获得高精度的皮带破损检测 网络， 大 大提升了皮带破损缺陷的检测精度， 该方法及系 统具有非接触性、 高精确性、 强稳定性、 投资成本 少等优点。 权利要求书3页 说明书13页 附图3页 CN 114612403 A 2022.06.10 CN 114612403 A 1.一种上 料皮带破损缺陷智能检测方法， 其特 征在于， 所述方法包括： 对采集的皮带图像进行 预处理； 构造皮带破损检测网络； 基于皮带破损检测网络对皮带破损缺陷进行检测。 2.根据权利要求1所述的上料皮带破损缺陷智能检测方法， 其特征在于， 构造皮带破损 检测网络包括： 基于YOLOv3目标检测网络中的Darknet ‑53特征提取网络， 构造皮带破损特征提取网 络， 其中皮带破损特征提取网络包括依次连接的DBL模块、 第一残差模块、 第二残差模块和 密集连接模块， 其中第一残差模块包括一个残差单元， 第二残差模块包括二个残差单元， 密 集连接模块的具体公式为： xl＝Hl(Concat[x0,x1,...,xl‑1])； 其中， xl为密集连接模块 的输出， H( ·)为非线性变换函数， x0,x1,...,xl‑1为密集连接 模块第0层到第l ‑1层的输出值， Concat[x0,x1,...,xl‑1]代表将x0,x1,...,xl‑1进行特征图 拼接， l为自定义的非线性处 理的次数； 基于YOLOv3目标检测网络中的多尺度特 征预测网络， 构造皮带多尺度特 征预测网络； 构造包含预测框横向坐标， 预测框纵向坐标， 预测框宽度， 预测框高度的均值和方差的 皮带输出变量， 其中预测框横向坐标， 预测框纵向坐标， 预测框宽度， 预测框高度符合高斯 分布； 基于YOLOv3目标检测网络中的边界框预测网络和皮带输出变量， 构造皮带边界框预测 网络； 基于皮带破损特征提取网络、 皮带多尺度特征预测网络以及皮带边界框预测网络， 构 造皮带破损检测网络 。 3.根据权利要求2所述的上料皮带破损缺陷智能检测方法， 其特征在于， 基于皮带破损 检测网络对皮带破损缺陷进行检测包括： 采用皮带破损检测网络中的皮带破损特 征提取网络， 提取皮带破损特 征； 采用皮带破损检测网络 中的皮带多尺度特征预测网络， 对皮带破损特征进行多尺度 预 测， 获得皮带破损多尺度特 征； 构造损失函数， 并基于损失函数对皮带破损检测网络进行训练； 采用训练好的皮带破损检测网络， 对皮带破损缺陷进行检测。 4.根据权利要求3所述的上料皮带破损缺陷智能检测方法， 其特征在于， 构造损失函数 包括： 获取预测框横向坐标， 预测框纵向坐标， 预测框 宽度， 预测框高度的均值和方差； 求取预测框的损 失， 其中预测框的损 失包括预测框横向坐标损 失、 预测框纵向坐标损 失、 预测框 宽度损失以及预测框高度损失， 具体 计算公式为：权　利　要　求　书 1/3 页 2 CN 114612403 A 2其中， LX,LY,LW,LH分别表示预测框横向坐标损失、 预测框纵向坐标损失、 预测框宽度损 失以及预测框高度损失， xG,yG,wG,hG分别表示预测框横向坐标、 预测框纵向坐标、 预测框宽 度以及预测框高度的真值, 分别表示预测框横向坐标、 预测框纵向坐标、 预 测框宽度以及预测框高度的均值估计值， 分别表示预测框横向坐标、 预测框纵向坐标、 预测框宽度以及预测框高度的标准差估计值， 代表真值 xG服从均值为 标准差为 的高斯分布中的概率密度函数， 代表真值 yG在服从均值为 标准差为 的高斯分布中的概率密度函数， 代表真 值wG在服从均值为 标准差为 的高斯分布中的概率密度函数， 代表 真值hG在服从均值 为 标准差为 的高斯分布中的概 率密度函数； 根据所有预测框的横向坐标损 失、 纵向坐标损 失、 宽度损 失以及高度损 失构造损 失函 数， 且损失函数的具体公式为： Loutcome＝LXoutcome+LYoutcome+LWoutcome+LHoutcome， 其中， LXoutcome,LYoutcome,LWoutcome,LHoutcome分别代表所有预测框的横向坐标损失， 纵向坐 标损失， 宽度损失以及高度损失。 5.根据权利要求4所述的上料皮带破损缺陷智能检测方法， 其特征在于， 对皮带破损缺 陷进行检测之后还 包括发出皮带破损报警。 6.根据权利要求1 ‑5任一所述的上料皮带破损缺陷智能检测方法， 其特征在于， 对采集 的皮带图像进行 预处理包括： 对采集的皮带图像进行直方图均衡化， 获得第一图像； 对采集的皮带图像进行图像增强， 获得第二图像； 对采集的皮带图像进行双边滤波， 获得第三图像； 对第一图像、 第二图像以及第三图像进行图像融合， 并根据融合后的图像获得预处理 后的皮带图像。 7.根据权利要求6所述的上料皮带破损缺陷智能检测方法， 其特征在于， 对第一图像、 第二图像 以及第三图像进行图像融合， 并根据融合后的图像获得预处理后的皮带图像包 括：权　利　要　求　书 2/3 页 3 CN 114612403 A 3