權(quán)利要求書： 1.一種本安型礦用輸送帶表面損傷檢測系統(tǒng)，其特征在于：包括本安型攝像機(jī)、本安型工業(yè)控制計算機(jī)、本安PLC控制器，所述本安型攝像機(jī)采集輸送帶表面圖片，本安型攝像機(jī)的數(shù)據(jù)輸出端與本安型工業(yè)控制計算機(jī)的數(shù)據(jù)輸入端連接，由本安型攝像機(jī)將采集的輸送帶表面圖片傳送至本安型工業(yè)控制計算機(jī)；所述本安型工業(yè)控制計算機(jī)的數(shù)據(jù)輸出端與本安PLC控制器的數(shù)據(jù)輸入端連接，本安PLC控制器的信號輸出端與所述輸送帶的驅(qū)動電機(jī)控制端連接，由本安型工業(yè)控制計算機(jī)對輸送帶表面圖片進(jìn)行處理后標(biāo)定輸送帶損傷位置，并由本安型工業(yè)控制計算機(jī)生成控制指令后傳送至本安PLC控制器，所述本安PLC控制器基于控制指令控制輸送帶驅(qū)動電機(jī)工作，使輸送帶運(yùn)行至損傷位置。

2.一種基于權(quán)利要求1所述本安型礦用輸送帶表面損傷檢測系統(tǒng)的檢測方法，其特征在于：包括以下步驟：

步驟S1：由本安型工業(yè)控制計算機(jī)獲取本安型攝像機(jī)采集輸送帶表面圖片作為數(shù)據(jù)集；

步驟S2：對數(shù)據(jù)集圖片進(jìn)行預(yù)處理，并劃分出訓(xùn)練集和測試集；

步驟S3：對YOLOv4網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，得到改進(jìn)的YOLOv4網(wǎng)絡(luò)模型；

步驟S4：利用訓(xùn)練集對改進(jìn)的YOLOv4網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；

步驟S5：利用訓(xùn)練后的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型對測試集進(jìn)行處理，得到輸送帶表面輸送帶撕裂、表面磨損、表面缺陷三種損傷類型的檢測，并標(biāo)定損傷位置；

步驟S6：由本安型工業(yè)控制計算機(jī)基于標(biāo)定得到的損傷位置，向本安PLC控制器發(fā)送控制指令，由本安PLC控制器控制輸送帶驅(qū)動電機(jī)工作，使輸送帶運(yùn)行至損傷位置。

3.根據(jù)權(quán)利要求2所述的本安型礦用輸送帶表面損傷檢測方法，其特征在于：步驟S2過程如下：

步驟S21：將數(shù)據(jù)集中圖片裁剪成符合YOLOv4網(wǎng)絡(luò)模型要求的統(tǒng)一大小尺寸；

步驟S22：使用圖像增強(qiáng)方式擴(kuò)充數(shù)據(jù)集中圖片，對損傷圖片進(jìn)行旋轉(zhuǎn)、翻折、對比度調(diào)整、亮度調(diào)整，并按設(shè)定的比例劃分訓(xùn)練集和測試集；

步驟S23：使用labelimg標(biāo)注軟件對訓(xùn)練集圖片中輸送帶損傷部位進(jìn)行標(biāo)注，獲得xml文件用于改進(jìn)的YOLOv4網(wǎng)絡(luò)模型訓(xùn)練。

4.根據(jù)權(quán)利要求2所述的本安型礦用輸送帶表面損傷檢測方法，其特征在于：步驟S3過程如下：

步驟S31：在原YOLOv4中的PANet部分中，增加1個第一Concat+Conv×3層、1個Conv+UpSampling層，所述第一Concat+Conv×3層連接原CSPDarknet53網(wǎng)絡(luò)的Resblock_body(104,104,128)×2層，第一Concat+Conv×3層尺度大小為104×104；所述Conv+UpSampling層位于與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,52,256)×8層相連的Concat+Conv×5層和所述第一Concat+Conv×3層之間；原YOLOv4中PANet部分的Concat+Conv×5層卷積次數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，1×1；所述第一Concat+Conv×3層將原Concat+Conv×5層的5次卷積減少為3次，卷積核大小分別為1×1，3×3，1×1；

步驟S32：在原YOLOv4中的PANet部分中，增加1個Downsampling層和1個第二Concat+Conv×3層；所述Downsampling層連接第一Concat+Conv×3層；所述第二Concat+Conv×3層連接與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,52,256)×8層相連的Concat+Conv×5層，第二Concat+Conv×3層尺度大小為52×52；所述第二Concat+Conv×3層將原YOLOv4中PANet部分的Concat+Conv×5層的5次卷積減少為3次，卷積核大小分別為1×1，3×3，1×1；

步驟S33：原YOLOv4中PANet部分的Concat+Conv×5層卷積次數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，1×1；將原YOLOv4中PANet部分所有Concat+Conv×5層中的5次卷積減少到3次，3次卷積的卷積核大小分別為1×1，3×3，1×1。

5.根據(jù)權(quán)利要求2所述的本安型礦用輸送帶表面損傷檢測方法，其特征在于：步驟S4過程如下：

步驟S41：設(shè)置改進(jìn)的YOLOv4模型輸入的訓(xùn)練集圖片的尺寸，設(shè)置檢測輸送帶損傷種類的數(shù)量為3，并設(shè)置訓(xùn)練次數(shù)epoch、學(xué)習(xí)率以及批尺寸大小參數(shù)；

步驟S42：將訓(xùn)練集圖片輸入至改進(jìn)的YOLOv4網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，直至改進(jìn)的YOLOv4網(wǎng)絡(luò)模型的損失函數(shù)Loss最小，保存損失函數(shù)Loss最小時改進(jìn)的YOLOv4網(wǎng)絡(luò)模型對應(yīng)的權(quán)重。

6.根據(jù)權(quán)利要求5所述的本安型礦用輸送帶表面損傷檢測方法，其特征在于：步驟S42中，改進(jìn)的YOLOv4網(wǎng)絡(luò)模型的損失函數(shù)Loss包括預(yù)測框回歸損失LCIoU、分類損失Lcls以及置信度損失Lcon信。

7.根據(jù)權(quán)利要求2所述的本安型礦用輸送帶表面損傷檢測方法，其特征在于：步驟S5過程如下：

步驟S51：生成訓(xùn)練好的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型；

步驟S52：將測試集中圖片輸入至訓(xùn)練好的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型，進(jìn)行輸送帶表面損傷檢測；

步驟S53：顯示檢測結(jié)果，并且標(biāo)定輸送帶損傷位置。

說明書： 一種本安型礦用輸送帶表面損傷檢測系統(tǒng)及檢測方法技術(shù)領(lǐng)域[0001] 本發(fā)明涉及輸送帶損傷檢測系統(tǒng)領(lǐng)域，具體是一種本安型礦用輸送帶表面損傷檢測系統(tǒng)及檢測方法。

背景技術(shù)[0002] 帶式輸送機(jī)是煤礦企業(yè)最廣泛采用的運(yùn)輸設(shè)備，設(shè)備的長時間運(yùn)轉(zhuǎn)，持續(xù)受力，以及運(yùn)輸物料過程中遇到的重物和異物，經(jīng)常會造成輸送帶的損傷，這樣可能帶來重大安全

隱患和巨大經(jīng)濟(jì)損失。因此，對輸送帶表面損傷進(jìn)行快速準(zhǔn)確的檢測十分重要。現(xiàn)有的機(jī)器

視覺方法檢測輸送帶的損傷類型單一，且難以同時做到快速準(zhǔn)確的檢測。基于深度學(xué)習(xí)機(jī)

器視覺目標(biāo)檢測方法較為流行，與現(xiàn)有檢測方法相比，深度學(xué)習(xí)的方法能夠從輸入的圖片

中學(xué)習(xí)目標(biāo)的各種特征信息，有檢測速度快，檢測精度高，在多目標(biāo)識別任務(wù)中有著良好的

檢測效果。本發(fā)明結(jié)合輸送帶表面損傷的特點，對原YOLOv4模型做出針對性的改進(jìn)，將改進(jìn)

YOLOv4模型應(yīng)用到輸送帶表面損傷檢測中，對輸送帶撕裂，表面磨損，表面缺陷三種損傷類

型進(jìn)行檢測。

發(fā)明內(nèi)容[0003] 針對現(xiàn)有技術(shù)存在的不足，本發(fā)明提供一種基于改進(jìn)YOLOv4的本安型礦用輸送帶表面損傷檢測系統(tǒng)及檢測方法，以檢測輸送帶表面撕裂、表面磨損、表面缺陷三種損傷類

型。

[0004] 為了達(dá)到上述目的，本發(fā)明所采用的技術(shù)方案為：[0005] 一種本安型礦用輸送帶表面損傷檢測系統(tǒng)，包括本安型攝像機(jī)、本安型工業(yè)控制計算機(jī)、本安PLC控制器，所述本安型攝像機(jī)采集輸送帶表面圖片，本安型攝像機(jī)的數(shù)據(jù)輸

出端與本安型工業(yè)控制計算機(jī)的數(shù)據(jù)輸入端連接，由本安型攝像機(jī)將采集的輸送帶表面圖

片傳送至本安型工業(yè)控制計算機(jī)；所述本安型工業(yè)控制計算機(jī)的數(shù)據(jù)輸出端與本安PLC控

制器的數(shù)據(jù)輸入端連接，本安PLC控制器的信號輸出端與所述輸送帶的驅(qū)動電機(jī)控制端連

接，由本安型工業(yè)控制計算機(jī)對輸送帶表面圖片進(jìn)行處理后標(biāo)定輸送帶損傷位置，并由本

安型工業(yè)控制計算機(jī)生成控制指令后傳送至本安PLC控制器，所述本安PLC控制器基于控制

指令控制輸送帶驅(qū)動電機(jī)工作，使輸送帶運(yùn)行至損傷位置。

[0006] 一種本安型礦用輸送帶表面損傷檢測方法，包括以下步驟：[0007] 步驟S1：由本安型工業(yè)控制計算機(jī)獲取本安型攝像機(jī)采集輸送帶表面圖片作為數(shù)據(jù)集。

[0008] 步驟S2：對數(shù)據(jù)集圖片進(jìn)行預(yù)處理，并劃分出訓(xùn)練集和測試集；[0009] 步驟S3：對YOLOv4網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，得到改進(jìn)的YOLOv4網(wǎng)絡(luò)模型；[0010] 步驟S4：利用訓(xùn)練集對改進(jìn)的YOLOv4網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；[0011] 步驟S5：利用訓(xùn)練后的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型對測試集進(jìn)行處理，得到輸送帶表面輸送帶撕裂、表面磨損、表面缺陷三種損傷類型的檢測，并標(biāo)定損傷位置；

[0012] 步驟S6：由本安型工業(yè)控制計算機(jī)基于標(biāo)定得到的損傷位置，向本安PLC控制器發(fā)送控制指令，由本安PLC控制器控制輸送帶驅(qū)動電機(jī)工作，使輸送帶運(yùn)行至損傷位置。

[0013] 進(jìn)一步的，步驟S2過程如下：[0014] 步驟S21：將數(shù)據(jù)集中圖片裁剪成符合YOLOv4網(wǎng)絡(luò)模型要求的統(tǒng)一大小尺寸；[0015] 步驟S22：使用圖像增強(qiáng)方式擴(kuò)充數(shù)據(jù)集中圖片，對損傷圖片進(jìn)行旋轉(zhuǎn)、翻折、對比度調(diào)整、亮度調(diào)整，并按設(shè)定的比例劃分訓(xùn)練集和測試集；

[0016] 步驟S23：使用labelimg標(biāo)注軟件對訓(xùn)練集圖片中輸送帶損傷部位進(jìn)行標(biāo)注，獲得xml文件用于改進(jìn)的YOLOv4網(wǎng)絡(luò)模型訓(xùn)練。

[0017] 進(jìn)一步的，步驟S3過程如下：[0018] 步驟S31：在原YOLOv4中的PANet部分中，增加1個第一Concat+Conv×3層、1個Conv+UpSampling層，所述第一Concat+Conv×3層連接原CSPDarknet53網(wǎng)絡(luò)的Resblock_body

(104,104,128)×2層，第一Concat+Conv×3層尺度大小為104×104。所述Conv+UpSampling

層位于與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,52,256)×8層相連的Concat+Conv×5

層和所述第一Concat+Conv×3層之間。原YOLOv4中PANet部分的Concat+Conv×5層卷積次

數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，1×1。所述第一Concat+Conv×3層將原

Concat+Conv×5層的5次卷積減少為3次，卷積核大小分別為1×1，3×3，1×1。

[0019] 步驟S32：在原YOLOv4中的PANet部分中，增加1個Downsampling層和1個第二Concat+Conv×3層；所述Downsampling層連接第一Concat+Conv×3層。所述第二Concat+

Conv×3層連接與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,52,256)×8層相連的Concat+

Conv×5層，第二Concat+Conv×3層尺度大小為52×52。所述第二Concat+Conv×3層將原

YOLOv4中PANet部分的Concat+Conv×5層的5次卷積減少為3次，卷積核大小分別為1×1，3

×3，1×1。

[0020] 步驟S33：原YOLOv4中PANet部分的Concat+Conv×5層卷積次數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，1×1。將原YOLOv4中PANet部分所有Concat+Conv×5層中的5

次卷積減少到3次，3次卷積的卷積核大小分別為1×1，3×3，1×1。

[0021] YOLOv4主干網(wǎng)絡(luò)CSPDarknet53通過5次下采樣不斷提取輸送帶圖片中損傷部位的特征信息。5層特征層尺度大小分別為208×208，104×104，52×52，26×26，13×13。尺度較

大的特征層一般包括了較多細(xì)節(jié)和小目標(biāo)的信息，而尺度較小的特征層更多包括了大目標(biāo)

信息。輸入圖片中的細(xì)節(jié)和小目標(biāo)信息會隨著特征層尺度的不斷減小而丟失。

[0022] 輸送帶表面很多損傷與背景區(qū)分度不高，特征不明顯，而且存在許多較小的損傷，使用原YOLOv4檢測效果不好，檢測精度低。因此，本發(fā)明在原YOLOv4的PANet部分增加1個第

一Concat+Conv×3層、1個Conv+UpSampling層、1個Downsampling層和1個第二Concat+Conv

×3層以提升YOLOv4模型對輸送帶表面損傷的檢測效果和檢測精度。

[0023] 進(jìn)一步的，步驟S4過程如下：[0024] 步驟S41：設(shè)置本發(fā)明改進(jìn)的YOLOv4模型輸入的訓(xùn)練集圖片的尺寸，設(shè)置檢測輸送帶損傷種類的數(shù)量為3，并設(shè)置訓(xùn)練次數(shù)epoch、學(xué)習(xí)率以及批尺寸大小參數(shù)；

[0025] 步驟S42：將訓(xùn)練集圖片輸入至改進(jìn)的YOLOv4網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，直至改進(jìn)的YOLOv4網(wǎng)絡(luò)模型的損失函數(shù)Loss最小，保存損失函數(shù)Loss最小時改進(jìn)的YOLOv4網(wǎng)絡(luò)模型對

應(yīng)的權(quán)重。

[0026] 進(jìn)一步的，步驟S42中，改進(jìn)的YOLOv4網(wǎng)絡(luò)模型的損失函數(shù)Loss包括預(yù)測框回歸損失LCIoU、分類損失Lcls以及置信度損失Lcon信。

[0027] 進(jìn)一步的，步驟S5過程如下：[0028] 步驟S51：生成訓(xùn)練好的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型；[0029] 步驟S52：將測試集中圖片輸入至訓(xùn)練好的改進(jìn)的YOLOv4網(wǎng)絡(luò)模型，進(jìn)行輸送帶表面損傷檢測。

[0030] 步驟S53：顯示檢測結(jié)果，并且標(biāo)定輸送帶損傷位置。[0031] 本發(fā)明的有益之處在于：[0032] 1、輸送帶表面很多損傷與背景區(qū)分度不高，特征不明顯，而且表面存在許多較小的缺陷，使用原YOLOv4模型檢測效果不好，檢測精度低。因此，在原YOLOv4的基礎(chǔ)上對其模

型進(jìn)行改進(jìn)，改進(jìn)的YOLOv4模型提升了輸送帶表面損傷的檢測效果和檢測精度。

[0033] 2、通過減少YOLOv4中PANet部分的Concat+Conv×5層卷積次數(shù)，縮小了YOLOv4模型的大小，減少了計算量，提升了檢測速度。

[0034] 3、能同時檢測三種常見的輸送帶表面損傷，包括撕裂，表面磨損，表面缺陷。附圖說明[0035] 圖1為本發(fā)明的結(jié)構(gòu)圖。[0036] 圖2為本發(fā)明的流程圖。[0037] 圖3為YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖。[0038] 圖4為改進(jìn)后YOLOv4的PANet部分結(jié)構(gòu)圖。[0039] 圖5為本發(fā)明損失曲線變化圖。[0040] 圖6為輸送帶表面三種損傷類型在不同算法下的P?R曲線對比圖。[0041] 圖7為本發(fā)明對輸送帶表面三種損傷類型的檢測結(jié)果圖。具體實施方式[0042] 下面結(jié)合附圖和實施例對本發(fā)明進(jìn)一步說明。[0043] 下面結(jié)合附圖和具體實施例對本發(fā)明進(jìn)行詳細(xì)說明。本實施例以本發(fā)明技術(shù)方案為前提進(jìn)行實施，給出了詳細(xì)的實施方式和具體的操作過程，但本發(fā)明的保護(hù)范圍不限于

下述的實施例。

[0044] 實施例[0045] 如圖1所示，本發(fā)明一種本安型礦用輸送帶表面損傷檢測系統(tǒng)，包括本安型攝像機(jī)1、本安光源2、本安型工業(yè)控制計算機(jī)3、本安PLC控制器4、輸送帶6的驅(qū)動電機(jī)5。本發(fā)明的

結(jié)構(gòu)圖如圖1所示。本安工業(yè)攝像機(jī)1用來采集輸送帶6表面圖片；本安光源2用來輔助照明；

本安型工業(yè)控制計算機(jī)3用來接收本安工業(yè)攝像機(jī)1采集的輸送帶6表面圖片，并根據(jù)輸送

帶表面圖片檢測輸送帶6表面損傷并標(biāo)定損傷位置；、本安PLC控制器4用于接收本安工業(yè)控

制計算機(jī)3發(fā)送的控制指令，并基于控制指令控制輸送帶6的驅(qū)動電機(jī)5工作，使輸送帶6運(yùn)

行至損傷位置。

[0046] 如圖2所示，本發(fā)明本安型礦用輸送帶表面損傷檢測方法，包括以下步驟：[0047] 步驟S1：本安攝像頭采集礦用輸送帶撕裂，表面磨損，表面缺陷三種損傷圖片，作為數(shù)據(jù)集。

[0048] 步驟S2：對數(shù)據(jù)集圖片進(jìn)行預(yù)處理。[0049] 步驟S3：對YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，得到改進(jìn)后的YOLOv4模型。[0050] 步驟S4：設(shè)置訓(xùn)練參數(shù)，并進(jìn)行網(wǎng)絡(luò)模型訓(xùn)練。[0051] 步驟S5：基于改進(jìn)后的YOLOv4模型，進(jìn)行輸送帶撕裂，表面磨損，表面缺陷三種損傷類型檢測，并標(biāo)定損傷位置。

[0052] 步驟S6：控制電動機(jī)運(yùn)行至損傷位置。[0053] 步驟S2包括：[0054] 步驟S21：將輸送帶損傷圖片裁剪成416×416像素的統(tǒng)一大小，以方便網(wǎng)絡(luò)模型訓(xùn)練。

[0055] 步驟S22：使用圖像增強(qiáng)方式擴(kuò)充數(shù)據(jù)集圖片，對損傷圖片進(jìn)行旋轉(zhuǎn)，翻折，對比度調(diào)整，亮度調(diào)整。調(diào)整后輸送帶撕裂，表面磨損，表面缺陷三種損傷類型圖片共3132張。訓(xùn)練

集和測試集按照比例8∶2進(jìn)行劃分。

[0056] 步驟S23：采用labelimg軟件對圖片中的皮帶損傷部分進(jìn)行標(biāo)注，該軟件將輸送帶損傷類型以及坐標(biāo)信息保存到xml文件中。之后通過python程序代碼將xml文件轉(zhuǎn)化成txt

文本格式文件用于網(wǎng)絡(luò)模型的訓(xùn)練。

[0057] 步驟S3包括：[0058] 步驟S31：原YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示，在原YOLOv4中的PANet部分中，增加1個第一Concat+Conv×3層、1個Conv+UpSampling層，所述第一Concat+Conv×3層連接原

CSPDarknet53網(wǎng)絡(luò)的Resblock_body(104,104,128)×2層，第一Concat+Conv×3層尺度大

小為104×104。所述Conv+UpSampling層位于與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,

52,256)×8層相連的Concat+Conv×5層和所述第一Concat+Conv×3層之間。原YOLOv4中

PANet部分的Concat+Conv×5層卷積次數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，

1×1。所述第一Concat+Conv×3層將原Concat+Conv×5層的5次卷積減少為3次，卷積核大

小分別為1×1，3×3，1×1。

[0059] 步驟S32：在原YOLOv4中的PANet部分中，增加1個Downsampling層和1個第二Concat+Conv×3層；所述Downsampling層連接第一Concat+Conv×3層。所述第二Concat+

Conv×3層連接與原CSPDarknet53網(wǎng)絡(luò)中Resblock_body(52,52,256)×8層相連的Concat+

Conv×5層，第二Concat+Conv×3層尺度大小為52×52。所述第二Concat+Conv×3層將原

YOLOv4中PANet部分的Concat+Conv×5層的5次卷積減少為3次，卷積核大小分別為1×1，3

×3，1×1。

[0060] 步驟S33：原YOLOv4中PANet部分的Concat+Conv×5層卷積次數(shù)為5次，卷積核大小分別為1×1，3×3，1×1，3×3，1×1。將原YOLOv4中PANet部分所有Concat+Conv×5層中的5

次卷積減少到3次，3次卷積的卷積核大小分別為1×1，3×3，1×1。

[0061] 改進(jìn)后YOLOv4的PANet部分結(jié)構(gòu)圖如圖4所示。[0062] YOLOv4主干網(wǎng)絡(luò)CSPDarknet53通過5次下采樣不斷提取輸送帶圖片中損傷部位的特征信息。5層特征層尺度大小分別為208×208，104×104，52×52，26×26，13×13。尺度較

大的特征層一般包括了較多細(xì)節(jié)和小目標(biāo)的信息，而尺度較小的特征層更多包括了大目標(biāo)

信息。輸入圖片中的細(xì)節(jié)和小目標(biāo)信息會隨著特征層尺度的不斷減小而丟失。

[0063] 輸送帶表面很多損傷與背景區(qū)分度不高，特征不明顯，而且存在許多較小的損傷，使用原YOLOv4檢測效果不好，檢測精度低。因此，本發(fā)明在原YOLOv4的PANet部分增加1個第

一Concat+Conv×3層、1個Conv+UpSampling層、1個Downsampling層和1個第二Concat+Conv

×3層以提升YOLOv4模型對輸送帶表面損傷的檢測效果和檢測精度。

[0064] 步驟S4包括：[0065] 步驟S41：設(shè)置本發(fā)明改進(jìn)的YOLOv4模型輸入圖像的尺寸為416×416，檢測輸送帶損傷種類的數(shù)量為3，設(shè)置訓(xùn)練次數(shù)epoch為50次，學(xué)習(xí)率為0.005，批尺寸大小為16。

[0066] 步驟S42：YOLOv4損失函數(shù)Loss包括預(yù)測框回歸損失LCIoU，分類損失Lcls以及置信度損失Lcon信。損失函數(shù)為三部分損失函數(shù)之和，具體公式如下式所示。

[0067] Loss＝LCIoU+Lconf+Lcls (1)[0068][0069][0070][0071][0072][0073] 式中，IoU(A，B)是預(yù)測框和真實框的交并比，ρ2(Actr，Bctr)是預(yù)測框和真實框的中心點的歐式距離；m是同時包含預(yù)測框和真實框的最小封閉區(qū)域的對角線距離；v是衡量長

gt gt 2

寬比一致性的參數(shù)；α是權(quán)衡參數(shù)；w 和h 為真實框的寬、高；w和h為預(yù)測框的寬、高；S為網(wǎng)

格數(shù)；B為每個網(wǎng)格中的先驗框個數(shù)； 表示預(yù)測的邊界框包含目標(biāo)； 表示預(yù)測的邊界

框不含目標(biāo)； 為預(yù)測置信度； 為實際置信度；λnoobj為自行設(shè)定的參數(shù)值；檢測目標(biāo)所屬

的種類；classes是目標(biāo)種類； 是指單元格中目標(biāo)屬于類別c的實際概率； 為預(yù)測

概率。

[0074] 根據(jù)公式計算模型訓(xùn)練的損失函數(shù)，并繪制出損失函數(shù)下降曲線圖如圖5所示，為了方便觀察Loss曲線下降幅度變化，取0到20范圍內(nèi)的Loss曲線圖。從圖中可以看出，在前

10次epoch中Loss大幅下降，10次以后下降幅度變緩，在40次以后Loss曲線變化趨于平緩。

選擇損失最小的模型權(quán)重并保存。

[0075] 步驟S5包括：[0076] 步驟S51：加載步驟S42中損失最小的模型權(quán)重。為了驗證改進(jìn)后YOLOv4模型的優(yōu)越性，與當(dāng)前較為流行的目標(biāo)檢測模型YOLOv4，YOLOv4?tiny，YOLOv3以及Faster?RCNN進(jìn)行

對比。根據(jù)實驗結(jié)果繪制出不同模型的P?R曲線如圖6所示，(a)(b)(c)分別代表撕裂，表面

磨損，表面缺陷。從圖中可以直觀地看出，在撕裂檢測中，改進(jìn)的YOLOv4檢測模型曲線其他

模型曲線的上方，說明具有較高的檢測精度。具體實驗結(jié)果參數(shù)如表1所示。改進(jìn)后的模型

對撕裂，表面磨損和表面缺陷檢測的平均精度達(dá)到了97.10％，96.93％和96.54％，平均精

度均值達(dá)到了96.85％。在撕裂和磨損檢測中，相比于原始YOLOv4檢測模型，平均精度分別

提高了3％和1.45％，平均精度均值提高了1.4％，檢測速度達(dá)到了20.66幀/s，從表1數(shù)據(jù)可

以看出本發(fā)明改進(jìn)后的YOLOv4模型同時提高了檢測速度和檢測精度。

[0077] 表1改進(jìn)的YOLO4模型與其他目標(biāo)檢測模型的性能比較結(jié)果[0078][0079] 步驟S52：輸入待檢測的輸送帶表面圖片，進(jìn)行輸送帶表面損傷檢測。[0080] 步驟S53：檢測結(jié)果如圖7所示，(a)(b)(c)分別代表撕裂，表面磨損，表面缺陷的檢測圖。本安型工業(yè)控制計算機(jī)標(biāo)定輸送帶損傷位置。

[0081] 步驟S6具體為：[0082] 本安PLC控制器控制電動機(jī)運(yùn)行至損傷位置，以便后續(xù)輸送帶表面損傷的修復(fù)。本發(fā)明所述的實施例僅僅是對本發(fā)明的優(yōu)選實施方式進(jìn)行的描述，并非對本發(fā)明構(gòu)思和范圍

進(jìn)行限定，在不脫離本發(fā)明設(shè)計思想的前提下，本領(lǐng)域中工程技術(shù)人員對本發(fā)明的技術(shù)方

案作出的各種變型和改進(jìn)，均應(yīng)落入本發(fā)明的保護(hù)范圍，本發(fā)明請求保護(hù)的技術(shù)內(nèi)容，已經(jīng)

全部記載在權(quán)利要求書中。