基于图像识别矿用带式输送机输送带状态检测方法和系统与流程

1.本发明涉及煤矿带式输送机运行监控技术领域，尤其涉及一种基于图像识别矿用带式输送机输送带状态检测方法和系统。


背景技术：

2.全高效的煤矿主运输装备是自动化、智能化矿井中的重要组成部分，其中矿用带式输送机是煤矿主运输系统的关键设备，在矿用带式输送机工作过程中实现带式输送机输送带状态检测，对于降低人工维护成本，提高采矿安全有着意义重大。
3.现有带式输送机输送带状态检测方法，目前，现有技术是基于硬件或基于矿用输送带图像处理技术的检测方法。基于硬件的检测方法，当其应用于煤矿井下恶劣环境下时，容易受到粉尘、煤泥、油污等影响，硬件传感器灵敏度降低，误报和漏报率较高，检测准确度低，为了降低误检率，提高检测准确度，需要人工定期拆卸进行标定和校准，维护成本较高；而基于矿用输送带图像处理的方法，其检测应用复杂网络模型，复杂网络模型参数量大，运行速度慢，检测实时性受影响。
4.目前现有的矿用带式输送机输送带状态检测方法，虽然在一定程度上起到了输送带状态检测作用，但由于井下生产环境恶劣，检测可靠性和检测实时性无法得到保证，亟需研发一种检测可靠，检测实时性好，便于维护且成本低的矿用带式输送机输送带状态检测方法。


技术实现要素：

5.本发明要解决的技术问题是：为了解决现有带式输送机输送带状态检测方法硬件检测时容易受环境影响，检测准确度低，维护成本高和矿用输送带图像处理时实时性差的技术问题，本发明提供一种基于图像识别矿用带式输送机输送带状态检测方法检测可靠，检测实时性好，便于维护且成本低，依托的硬件设备简单，布设方便，工作可靠，且算法复杂度不高，能够运行在矿用本安型嵌入式设备上，便于煤矿场景的实际应用。
6.本发明解决其技术问题所采用的技术方案是：一种基于图像识别矿用带式输送机输送带状态检测方法，所述状态检测包括所述输送带上有无煤料状态检测和所述输送带运行状态检测，所述检测方法包括：
7.步骤s1，视频传感器实时采集工作中所述输送带的带面区域的视频，对所述视频按帧截图得到多帧连续的矿用输送带图像；
8.步骤s2，所述视频传感器对所述矿用输送带图像进行分析处理，根据所述矿用输送带图像检测所述输送带上有无煤料状态和所述输送带运行状态；
9.步骤s3，所述视频传感器根据检测结果显示处理后的所述矿用输送带图像，处理后的所述矿用输送带图像包括所述输送带上有/无煤料和所述输送带是/否运行；
10.若所述检测结果是所述输送带为运动状态，且所述输送带上有煤料时，返回步骤s2继续检测；
11.若所述检测结果是所述输送带为停止状态，且所述输送带上无煤料时，所述视频传感器记录矿用输送带图像，发出报警信号后，返回步骤s2继续检测。
12.进一步，具体地，所述步骤s2包括通过所述视频传感器的gpu对所述矿用输送带图像进行有无煤料状态推理分析和通过所述视频传感器的cpu对所述矿用输送带图像进行运行状态检测分析。
13.进一步，具体地，所述步骤s2对所述矿用输送带图像进行有无煤料状态分析包括以下步骤：
14.步骤s211：所述视频传感器采集部分所述输送带的带面区域的有无煤料视频图像，将所有的有无煤料视频图像制作成数据集；
15.步骤s212：将所述数据集打上标签，将所述数据集分为训练集、测试集和验证集；
16.步骤s213：对所述数据集进行预处理；
17.步骤s214：基于pytorch深度学习框架搭建resnet18网络模型，将所述数据集转换成所述resnet18网络模型识别的输入向量；
18.步骤s215：给定所述输入向量和目标值到所述resnet18网络模型中，对所述resnet18网络模型训练，获取性能优异的权重文件；
19.步骤s216：利用所述resnet18网络模型加载所述权重文件对所述矿用输送带图像进行推理，所述推理结果包括所述输送带为有煤料状态或所述输送带为无煤料状态。
20.进一步，具体地，所述步骤s2对所述矿用输送带图像进行运行状态分析包括以下步骤：
21.步骤s221：对所述矿用输送带图像灰度化处理，将所述矿用输送带图像转换为灰度图像；
22.步骤s222：基于shi-tomasi算法，提取所述多帧连续的矿用输送带图像中第一帧灰度图像的特征点，形成第一特征点集合，所述第一特征点的集合为{(x0，y0)，(x1，y1)，
……
(xj，yj)}，其中，j＝0,1
…
j，将所述第一特征点作为初始跟踪点；
23.步骤s223：自第二帧灰度图像开始至最后一帧灰度图像，基于所述第一特征点集合中的特征点，利用lucas-kanade光流算法，对当前帧灰度图像进行特征点跟踪，获得当前帧灰度图像的第二特征点集合，所述第二特征点的集合为{(x0，y0)，(x1，y1)，
……
(xj，yj)}，将所述第二特征点作为终点跟踪点；
24.步骤s224：根据所述第一特征点和所述第二特征点的位置，计算所述第一特征点和所述第二特征点的运动方向，将所述运动方向与基准角度方向比较：
25.若所述运动方向与所述基准角度方向一致，则计数值加1；
26.若所述运动方向与所述基准角度方向不一致，则不计数；
27.步骤s225：计算所述计数值的总数与所有的所述第一特征点和所述第二特征点的总数之间比例p；
28.步骤s226：将比例p与设定阈值k比较：
29.若p》k，则表示所述输送带为运行状态；
30.若p《k，则表示所述输送带为停止状态；
31.步骤s227：将所述当前帧灰度图像的第二特征点真作为下一帧灰度图像的所述初始跟踪点，重复步骤s223～s224，直至所述视频传感器视频采集完成。
32.进一步，具体地，所述步骤s222包括以下步骤：
33.s2221：将所述第一帧灰度图像作为shi-tomasi算法的输入图像，设定检测出最大特征点的个数为n，所述第一帧灰度图像为i(x,y)，首先，计算i(x,y)在水平方向的梯度i
x
和垂直方向上的梯度iy，计算公式为：
34.i
x
＝i*[-1 0 1]；
[0035]iy
＝i*[-1 0 1]
t
；
[0036]
接着，计算水平方向和垂直方向上梯度的乘积，计算公式为；
[0037][0038][0039]ixiy
＝i
x
*iy；
[0040]
然后，使用高斯函数对i
xiy
进行高斯加权，以所述第一帧灰度图像i(x,y)为中心加窗形成窗口图像ω(x,y)，计算所述窗口图像ω(x,y)对应的协方差矩阵m，计算公式为：
[0041][0042][0043]
c＝∑
(x,y)∈w g(i
xiy
)＝∑
(x,y)∈w i
xiy
*ω(x,y)；
[0044][0045]
再利用所述协方差矩阵m计算对应每个像素的角点响应函数r，计算公式为：
[0046]
r＝det(m)-k(trace(m))2；
[0047]
其中，det(m)＝λ1λ2是矩阵m的行列式，trace(m)＝λ1 λ2是矩阵的迹。λ1和λ2是矩阵m的特征值，k是一个经验常数，k的取值范围为(0.04，0.06)；
[0048]
最后，过滤大于某一阈值t的相应值r后得到角点，所述角点为特征点；
[0049]
步骤s2222：判断检测出的所述特征点中有效第一特征点及所述有效第一特征点的总数；
[0050]
若相邻两个第一特征点之间距离小于1，则判定所述第一特征点为无效特征点，并进行删除；
[0051]
若相邻两个第一特征点之间距离大于等于1，则判定所述第一特征点为有效特征点，并进行保存；
[0052]
步骤是2223：将所有有效第一特征点作为初始跟踪点。
[0053]
进一步，具体地，在步骤223中，对不符合要求的所述第一特征点和所述第二特征点进行筛除，保存符合要求的所述第一特征点和所述第二特征点，当第一特征点和第二特征点之间满足|x
j-xj| |y
j-yj|》2时，所述第二特征点(xj，yj)符合要求，保存所述第二特征点以及与所述第二特征点对应的所述第一特征点。
[0054]
进一步，具体地，所述步骤s224包括以下步骤：
[0055]
步骤s2241：所述第一特征点和所述第二特征点之间的弧度计算，计算公式为；
[0056]
步骤s2242：将所述弧度转换成角度，计算公式为：
[0057]
步骤s2243：计算所述基准角度，所述基准角度为所述第一特征点的集合和所述第二特征点的集合形成的角度之和的平均值；
[0058]
步骤s2244：计算所述角度与所述基准角度的绝对值，并与设定的角度阈值比较：
[0059]
若绝对值小于所述角度阈值，所述运动方向与所述基准角度方向一致；若所述绝对值大于或等于所述角度阈值，所述运动方向与所述基准角度方向不一致。
[0060]
一种基于图像识别矿用带式输送机输送带状态检测系统，采用如上所述基于图像识别矿用带式输送机输送带状态检测方法的所述检测系统包括：输送机，所述输送机包括输送带，在所述输送带上方设置有龙门架；视频传感器，所述视频传感器安装在所述龙门架正中间，所述视频传感器与所述输送带的带面倾斜角度为45
°
～75
°
。
[0061]
进一步，具体地，所述视频传感器为视频采集、视频分析和融合计算的软硬件一体化设备，所述视频传感器内设置有视觉图像处理模块和ai加速模块。
[0062]
进一步，具体地，所述视频传感器上电后，所述视频传感器的摄像头位于所述输送带的上方，所述摄像头朝向所述输送带的带面设置，所述摄像头采集所述输送带带面区域的所述视频，所述带面区域的宽度占所述视频宽度的2/3。
[0063]
本发明的有益效果是：
[0064]
(1)本发明提供一种基于图像识别矿用带式输送机输送带状态检测方法通过视频传感器实时采集图像，并处理分析，检测可靠，检测实时性好；
[0065]
(2)本发明算法复杂度不高，运行速度快，通过视觉图像处理算法能够提高检测准确率和监测效率，通过检测结果，视频传感器记录此时的矿用输送带图像，发出报警信号后，能够实时监测输送带的状态，且便于回放；
[0066]
(3)本发明依托的硬件设备简单，布设方便，工作可靠，能够运行在矿用本安型嵌入式设备上，便于煤矿场景的实际应用。
[0067]
(4)本发明基于图像识别能够对带面区域进行实时处理，不需要人进行巡视，减少人力成本。
附图说明
[0068]
下面结合附图和实施例对本发明进一步说明。
[0069]
图1是本发明实施例检测系统的结构示意图。
[0070]
图2是本发明实施例检测方法流程图。
[0071]
图3是本发明实施例检测方法详细流程图。
[0072]
图4是本发明实施例resnet18网络模型详细训练流程图。
[0073]
图5是本发明实施例resnet18网络模型详细推理流程图。
[0074]
图6是本发明实施例检测方法检测到的初始特征点示意图。
[0075]
图7是本发明是合理检测方法输送带有煤料且为运行状态示意图。
[0076]
图8是本发明是合理检测方法输送带无煤料且为停止状态示意图。
[0077]
图中1、输送机；2、输送带；3、视频传感器；4、龙门架。
具体实施方式
[0078]
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
[0079]
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
[0080]
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0081]
如图1所示的一种基于图像识别矿用带式输送机输送带状态检测系统，包括：输送机1和视频传感器3，输送机1上设置有输送带2，在输送带2的上方设置有龙门架4，视频传感器3与输送带2的带面倾斜角度为45
°
～75
°
，优选将视频传感器3设置在龙门架4的正中间，使得视频传感器3能够采集带输送带2整个带面的图像。视频传感器3上电后，视频传感器3的摄像头位于输送带2的上方，摄像头朝向输送带2的带面设置，摄像头采集输送带带面区域的视频，对视频传感器3的摄像头进行参数配置，摄像头的参数包括但不限于增益、分辨率和曝光时间，带面区域的宽度占视频宽度的2/3，摄像头采集的视频能够完整覆盖整个带面区域和托辊，避免输送带外侧的工作人员进入视频内，从而对检测方法形成干扰，影响检测的准确度。
[0082]
在本发明实施例中，视频传感器3为视频采集、视频分析和融合计算的软硬件一体化设备，且构建于低功耗嵌入式系统，满足煤矿井下安全要求和实施应用。视频传感器3内设置有视觉图像处理模块和ai加速模块。具体的，视频图像处理模块在视频传感器的cpu上运行，视频图像处理模块内设置有基于opencv开发的一套跨平台的视觉算法，该视觉算法以动态链接库的方式运行于视频图像处理模块，用于输送带2运行状态检测。ai加速模块为视频传感器中的的gpu模块，基于pytorch深度学习框架搭建的resnet18网络模型通过gpu模块加速推理，用于输送带2有无煤料状态检测。当输送带2由运动状态到停止状态的转换，或输送带2上有煤料状态到无煤料状态转换时，视频传感器3记录30s的视频图像保存在本地磁盘，并发出报警信号，视频图像便于矿用带式输送机输送带状态实时监测和回放。
[0083]
如图2所示为一种基于图像识别矿用带式输送机输送带状态检测方法，检测方法包括以下步骤：
[0084]
步骤s1，视频传感器3实时采集工作中输送带2的带面区域的视频，对视频按帧截图得到多帧连续的矿用输送带图像。
[0085]
步骤s2，视频传感器3对矿用输送带图像进行分析处理，根据矿用输送带图像检测输送带2上有无煤料状态和输送带2运行状态。具体的，通过视频传感器3的gpu对矿用输送带图像进行有无煤料状态推理分析和通过视频传感器3的cpu对矿用输送带图像进行运行状态检测分析。
[0086]
步骤s3，视频传感器3根据检测结果显示处理后的矿用输送带图像，处理后的矿用输送带图像包括输送带2上有/无煤料和输送带2是/否运行；若检测结果是输送带为运动状态，且输送带2上有煤料时，返回步骤s2继续检测；若检测结果是输送带为停止状态，且输送带2上无煤料时，视频传感器3记录30s的矿用输送带图像，发出报警信号后，返回步骤s2继续检测。
[0087]
如图3所示，在本发明实施例中，步骤s2对矿用输送带图像进行有无煤料状态分析包括以下步骤：
[0088]
步骤s211：视频传感器3采集部分输送带2的带面区域的有无煤料视频图像，将所有的有无煤料视频图像制作成数据集，数据集的分辨率为640
×
480，数据集包括有煤料数据集和无煤料数据集。
[0089]
步骤s212：将数据集打上标签，将数据集分为训练集、测试集和验证集。具体的，将数据集的3/5作为训练集，数据集的1/5作为测试集，剩余数据集1/5作为验证集，进一步的，若数据集共有642张图像，将数据集打上标签后，随机抽取386张图像作为训练集，在剩下的256张图像中再次随机抽取128张图像作为测试集，剩余的128张图像作为验证集。
[0090]
步骤s213：对数据集进行预处理，预处理包括但不限于对数据集中图像的增强、旋转以及缩放到统一尺寸，可以通过对图像进行饱和度或曝光度等参数设置。
[0091]
步骤s214：基于pytorch深度学习框架搭建resnet18网络模型，将数据集转换成resnet18网络模型识别的输入向量。
[0092]
步骤s215：给定输入向量和目标值到resnet18网络模型中，对resnet18网络模型训练，获取性能优异的权重文件。resnet18网络模型训练流程如图4所示，具体步骤如下：
[0093]
s2151：对resnet18网络模型进行权值的初始化操作。
[0094]
s2152：输入向量经过resnet18网络模型中的卷积层、下采样层、全连接层等的前向传播得到输出值。
[0095]
s2153：将输出值和目标值输入到resnet18网络模型损失函数中计算损失函数总误差，根据损失函数总误差来反向传播计算各层的误差和误差梯度，进而更新每个卷积核的权值。
[0096]
s2154：对resnet18网络模型进行迭代训练，若训练轮次达到预设的总的迭代轮次时，则结束resnet18网络模型训练，保存总的迭代轮次中性能最优的权重文件，若训练轮次未达到预设的总的迭代轮次，则返回步骤s2151。
[0097]
步骤s216：利用resnet18网络模型加载训练好的权重文件对矿用输送带图像进行推理，将矿用输送带图像传输至resnet18网络模型，使用训练好的权重文件对矿用输送带图像进行推理分析，推理结果包括输送带2为有煤料状态或输送带2为无煤料状态。如图5所示，具体步骤如下：
[0098]
s2161：读取步骤s1中的矿用输送带图像，对矿用输送带图像进行预处理，获取图像数据，具体的，预处理后的图像中每个像素点都有对应的像素值，图像数据为图像中每个像素点对应的像素值组成的特征向量。
[0099]
s2162：resnet18网络模型加载训练好的权重文件后，将获取的图像数据输入至resnet18网络模型中。
[0100]
s2163：通过resnet18网络模型的权重文件对图像数据进行推理分析，经过前向传播后输出推理结果。
[0101]
s2164：获取推理结果，将推理结果转换成标签名称，并将标签名称打印输出，推理结果包括0和1，设定1为有煤料状态，0为无煤料状态，标签名称为有煤料状态和无煤料状态，根据推理结果转换并输出标签名称。
[0102]
在本发明实施例中，对输送带2有煤料或无煤料检测的同时，还对矿用输送带图像进行运行状态检测，进而提高了检测速度，步骤s2对矿用输送带图像进行运行状态分析包括以下步骤：
[0103]
步骤s221：对矿用输送带图像灰度化处理，将矿用输送带图像转换为灰度图像。
[0104]
步骤s222：基于shi-tomasi算法，提取多帧连续的矿用输送带图像中第一帧灰度图像的特征点，形成第一特征点集合，第一特征点的集合为{(x0，y0)，(x1，y1)，
……
(xj，yj)}，其中，j＝0,1
…
j，将第一特征点作为初始跟踪点。
[0105]
具体的，步骤s222包括以下步骤：
[0106]
s2221：将第一帧灰度图像作为shi-tomasi算法的输入图像，设定检测出最大特征点的个数为n，第一帧灰度图像为i(x,y)，先计算i(x,y)在水平方向的梯度i
x
和垂直方向上的梯度iy，计算公式为：
[0107]ix
＝i*[-1 0 1]；
[0108]iy
＝i*[-1 0 1]
t
；
[0109]
接着，计算水平方向和垂直方向上梯度的乘积，计算公式为；
[0110][0111][0112]ixiy
＝i
x
*iy；
[0113]
其次，使用高斯函数对i
xiy
进行高斯加权，其中，σ＝2，ksize＝3，以第一帧灰度图像i(x,y)为中心加窗形成窗口图像ω(x,y)，计算窗口图像ω(x,y)对应的协方差矩阵m，计算公式为：
[0114][0115][0116]
c＝∑
(x,y)∈w g(i
xiy
)＝∑
(x,y)∈w i
xiy
*ω(x,y)；
[0117][0118]
然后，利用m计算对应每个像素的角点响应函数r，计算公式为：
[0119]
r＝det(m)-k(trace(m))2；
[0120]
其中，det(m)＝λ1λ2是矩阵m的行列式，trace(m)＝λ1 λ2是矩阵的迹。λ1和λ2是矩阵m的特征值，k是一个经验常数，k的取值范围为(0.04，0.06)。
[0121]
在本发明实施例中，由于每个像素的角点稳定性和矩阵m的较小特征值有关，而k是一个经验常数，当k无法设定最佳值时，故每个像素的角点响应函数r计算公式改写如下：
[0122]
r＝min(λ1,λ2)
[0123]
最后，过滤大于某一阈值t的响应函数r后得到角点，此角点为特征点。
[0124]
步骤s2222：判断检测出的特征点中有效第一特征点及有效第一特征点的总数；若相邻两个第一特征点之间距离小于1，则判定第一特征点为无效特征点，并进行删除；若相邻两个第一特征点之间距离大于等于1，则判定第一特征点为有效特征点并进行保存。
[0125]
步骤是2223：将所有有效第一特征点作为初始跟踪点，如图6所示。
[0126]
步骤s223：自第二帧灰度图像开始至最后一帧灰度图像，基于第一特征点集合中的特征点，利用lucas-kanade光流算法，对当前帧灰度图像进行特征点跟踪，获得当前帧灰度图像的第二特征点集合，第二特征点的集合为{(x0，y0)，(x1，y1)，
……
(xj，yj)}，其中，j＝0,1
…
j，将第二特征点作为终点跟踪点。利用lucas-kanade光流算法需要提前设置三个假设条件：首先，在同一点随着时间的变化，其亮度不会发生改变；其次，随着时间的变化不会引起位置的突变；最后，在同一场景下临近的点投影到图像上也是临近的点，且临近点运动速度一致。lucas-kanade光流算法技术思想为：给定一个模板t和一个输入i，以及一个或多个变换w，求一个参数最佳的变换w，使公式最小化：个变换w，求一个参数最佳的变换w，使公式最小化：在求最优解的时候，假设目前变换参数已知，并迭代计算的增量使得更新后的能令比原来更小，公式修改为
[0127]
在步骤223中，还需对不符合要求的第一特征点和第二特征点进行筛除，保存符合要求的第一特征点和第二特征点，当第一特征点和第二特征点之间满足|x
j-xj| |y
j-yj|》2时，第二特征点(xj，yj)符合要求，保存第二特征点以及与第二特征点对应的第一特征点。
[0128]
步骤s224：根据第一特征点和第二特征点的位置，算第一特征点和第二特征点的运动方向，将运动方向与基准角度方向比较，若运动方向与基准角度方向一致，则计数值加1；若运动方向与基准角度方向不一致，则不计数。
[0129]
具体的，步骤s224包括以下步骤：
[0130]
步骤s2241：以第一特征点为起点，第二特征点为终点，设第一特征点的位置为(xj，yj)，第二特征点的位置(xj，yj)，计算第一特征点和第二特征点之间的弧度，计算公式为；
[0131]
步骤s2242：将弧度转换成角度，计算公式为：
[0132]
步骤s2243：计算基准角度，基准角度为第一特征点的集合和第二特征点的集合形成的角度之和的平均值。
[0133]
步骤s2244：计算角度与基准角度的绝对值，并与设定的角度阈值比较，设定的角度阈值，若绝对值小于角度阈值，运动方向与基准角度方向一致，计数值加1；若绝对值大于或等于角度阈值，运动方向与基准角度方向不一致，不计数，角度阈值的范围为30
°
～60
°
，角度阈值优选60
°
，测量算法的鲁棒性强，误检率低，检测的准确高。
[0134]
步骤s225：根据计数值的总数nua与所有第一特征点和第二特征点的总数nub的比例p，即
[0135]
步骤s226：将p与设定阈值k比较，若p》k，则表示输送带2为运行状态；若p《k，则表示输送带2为停止状态，并在视频传感器3上。
[0136]
步骤s227：将当前帧灰度图像的第二特征点作为下一帧灰度图像的初始跟踪点，重复步骤s223～s224，直至视频传感器3视频采集完成。
[0137]
在步骤s3中，视频传感器3显示处理后的矿用输送带图像，当检测结果是有煤料且为运行状态时，当前帧图像中的第二特征点为终点，第一帧图像中的第一特征点为起点，在视频传感器3上显示当前帧图像起点至终点的运动轨迹，并在当前帧图像中显示“belt rotation，coal”，如图7所示，其中，“belt rotation，coal”表示输送带2有煤料且为运行状态；反之，当检测结果是无煤料且为停止状态时，视频传感器3上不显示当前帧图像起点至终点的运动轨迹，但是在当前帧图像中显示“belt stop rotation，no coal”，如图8所示，其中，“belt stop rotation，no coal”表示无煤料且为停止状态。
[0138]
本发明提供一种基于图像识别矿用带式输送机输送带状态检测方法通过视频传感器实时采集图像，并处理分析，检测可靠，检测实时性好；算法复杂度不高，运行速度快，通过视觉图像处理算法能够提高检测准确率和监测效率，通过检测结果，视频传感器记录此时的矿用输送带图像，发出报警信号后，能够实时监测输送带的状态，且便于回放；依托的硬件设备简单，布设方便，工作可靠，能够运行在矿用本安型嵌入式设备上，便于煤矿场景的实际应用，另外，基于图像识别能够对带面区域进行实时处理，不需要人进行巡视，减少人力成本。
[0139]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0140]
本领域技术人员在考虑说明书及实践这里发明的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未发明的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由下面的权利要求指出。
[0141]
应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。