雙目相機的輸煤皮帶機皮帶撕裂檢測技術研究

摘 要：常規的輸煤皮帶機皮帶撕裂檢測模糊定位多為定點處理，檢測的范圍較小，導致單目標撕裂檢測頻次降低，因此本文提出基于雙目相機的輸煤皮帶機皮帶撕裂檢測技術。根據目前檢測需求，進行圖像采集和預處理，以邊緣檢測為引導，擴大檢測的范圍，完成撕裂點邊緣模糊定位。進而設計雙目相機輸煤皮帶機皮帶撕裂檢測模型，采用自適應持續標定的方式進行撕裂檢測處理。測試結果表明，與深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術相比，本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術的單目標撕裂檢測頻次相對較高，說明在雙目相機的輔助和支持下，設計方法更靈活、穩定，檢測效率有所提升，應用效果較好。

關鍵詞：雙目相機；輸煤皮帶機；皮帶撕裂；異常標定" " " 中圖分類號：TD528" " " 文獻標志碼：A

輸煤皮帶機是煤炭運輸工作的關鍵設備，其穩定運行直接關系煤礦生產的安全與效率。但是在實際應用過程中，在應用頻繁和外部因素的影響下，皮帶機的皮帶發生損壞，進而導致生產中斷[1]。

為了解決上述問題，相關研究人員設計了深度遷移學習帶式輸送機機械故障診斷方法，針對帶式輸送機機械故障，訓練模型在大量源域數據上進行學習，將知識遷移至目標域的少量數據上，以準確地進行故障診斷[2]。也有相關研究采用無線測溫測振碼頭皮帶機異常檢測技術，結合無線測溫測振傳感器，監測碼頭皮帶機的實時狀況，進而進行數據分析，并識別異常狀態，使碼頭皮帶機能夠安全、穩定運行[3]。上述方法雖然可以實現預期檢測目標，但是靈敏度低、檢測滯后，無法滿足現代煤礦生產對安全性的要求。因此，本文進行了基于雙目相機的輸煤皮帶撕裂檢測技術的研究，旨在提升檢測靈敏度和準確性，保障煤礦生產的安全。

1 輸煤皮帶機皮帶撕裂雙目相機檢測技術

1.1 圖像采集和預處理

由于輸煤皮帶機在運行的過程中一直處于振動狀態，因此本文結合雙目相機，進行多周期比較，完成圖像采集，并對圖像進行預處理。本文使用安裝在輸煤皮帶機兩側的雙目相機實現進行圖像采集。雙目相機能夠同時捕捉同一場景的2個視角圖像，利用視差原理計算深度信息。設IL（x，y）和IR（x，y）分別為左、右相機在同一時刻捕捉的圖像，其中（x，y）為基礎的圖像坐標[4]。設雙目相機的基線距離和焦距為已知參數，采用立體匹配算法標定左、右圖像中的對應點，并利用三角測量計算深度，如公式（1）所示。

式中：Z為圖像采集深度；d為左右圖像對應點的視差；B為基線距離；f為焦距。

基于目前的深度標準，從多個角度拍攝皮帶機皮帶的情況，并對圖像進行預處理。由于輸煤皮帶機工作環境復雜，因此圖像傳感器采集的原始圖像通常包括大量噪聲和干擾信息，例如煤塵、光線變化等[5]。需要采用空間域增強法，以灰度映射變換突出激光線等關鍵特征[6]。再采用中值濾波調整方式處理圖像中的每個像素點，以其鄰域內的像素值中值代替原像素值，以去除圖像中的噪聲，完成基礎處理。

1.2 撕裂點邊緣模糊定位

針對上文獲取的撕裂圖像，結合雙目相機技術，對皮帶機上的皮帶撕裂點進行邊緣模糊定位處理。應用雙目相機獲取撕裂區域的左、右圖像，便于后續半角[7]。一般情況下，撕裂區域會呈現深度的不連續或突變[8]。為了定位撕裂點的邊緣，可以采用梯度計算的方式標定撕裂位置的各個點，撕裂點模糊定位如圖1所示。

基于當前的撕裂位置，建立初始模糊定位坐標。進而去除非邊緣像素，利用坐標來連接邊緣像素，形成連續的邊緣線，撕裂點邊緣定位如圖2所示。

值得注意的是，需要以膨脹、腐蝕的形式來增強或平滑部分模糊邊緣，提高定位的準確性，進而根據撕裂邊緣的深度信息和位置信息，調整相機的內、外參數，進行撕裂點的模糊定位。

1.3 雙目相機輸煤皮帶機皮帶撕裂檢測模型

本文結合雙目相機技術，設計輸煤皮帶機皮帶撕裂檢測模型。基于上述處理好的圖像，采用撕裂點位置模糊標定，以立體匹配的方式進行視差計算，如公式（2）所示。

式中：J為視差；?為圖像撕裂點水平距離；ξ為感應點；d為可匹配范圍；?為基線距離。

根據當前測定，對撕裂位置進行視差分析，如圖3所示。

在視差的位置點進行標定，結合撕裂位置的形態變化，增強撕裂特征，基于邊緣長度、寬度和深度變化等的變動，進行撕裂點的自動識別和定位處理。進一步鎖定撕裂位置，并設計模型的執行表達式，如公式（3）所示。

式中：N為撕裂檢測結果；o為模糊標定范圍；?為邊緣值；τ為可擴展檢測區域。

結合多周期數據處理，對撕裂檢測結果進行具體分析，輸出一個基礎的皮帶機皮帶撕裂檢測結果。需要注意的是，當前輸出的撕裂檢測結果并不是最終結果，由于皮帶機的應用環境比較復雜，易受外部環境和定向因素的影響，因此該結果僅代表同一時段的檢測結果，具有較強的針對性。

1.4 自適應持續標定實現撕裂檢測處理

由于輸煤皮帶機工作環境惡劣，相機內、外參數易受振動、溫度變化和煤塵等因素影響而發生漂移，因此需要進行自適應持續標定來動態調整相機參數。將模型輸出的結果作為引導，提取實時圖像中的特征點，計算特征點連續幀的位置變化，如公式（4）所示。

式中：U為特征點連續幀的位置變化差；θ和?分別為相機兩個點位間的間距；v為閾值。

結合特征點連續幀的位置變化差，分析此時相機參數的穩定性變化。當特征點位置變化超出預設閾值時，即認為相機參數發生顯著漂移，此時應觸發標定程序，以使特征點的重投影誤差最小化。設標定前、后的相機參數分別為Pold和Pnew，特征點的真實三維坐標為R，則重投影誤差如公式（5）所示。

式中：E為重投影誤差；e為重投次數；r為特征點坐標。

結合誤差變化，對初始點和變化點進行標定，將新的相機參數更新到檢測系統中，用于后續撕裂檢測處理。

2 試驗

本文利用雙目相機，對輸煤皮帶機皮帶撕裂檢測技術實際測試效果進行了分析與驗證，考慮最終測試結果的真實與可靠，以對比方式進行驗證。試驗將H煤礦工程作為測試對象，比較對象為深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術以及本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術。匯總、整合往期的歷史應用數據和信息，完成預處理后，將其存儲在預設位置上，以便后續使用。進而在雙目相機的輔助與支持下進行后續測試。

2.1 試驗準備

試驗主要是對雙目相機的輸煤皮帶機皮帶撕裂檢測技術的測試環境進行設定與部署。預設基礎的仿真環境，配置RTX 3080 GPU顯卡的Linux系統服務器，隨機選定H煤礦中的4臺輸煤皮帶機作為測試對象，預設4個定向的檢測周期，并且每一個皮帶機在運行過程中都需要設置一定數量的檢測節點，節點間互相搭接，采集實時數據后設定循環測試背景。進而基于雙目相機的輔助，設定基礎檢測數據集信息，見表1。

通過攝像頭獲得RGB實時圖像，并利用Labelme軟件對圖像進行預處理，標定出此時圖像內部皮帶的位置框，以便于后續對撕裂位置進行實時檢測和識別。利用皮帶機設定的檢測節點采集實時數據和信息，為后續的撕裂檢測提供參考，至此完成測試環境部署。

2.2 試驗過程與結果分析

在上文搭建的測試環境中，設定權值衰減系數為0.004，采用Batchsize訓練、處理圖片的分辨率，數據處理的速度為32.5幀～36.5幀，置信度為0.85。利用雙目相機對皮帶的裂縫位置進行檢測和標定，如圖4所示。

在上述基礎上，利用相機將采集的數據信息傳輸到預設位置上，并對皮帶的撕裂情況進行具體分析。進而與預設的測試集進行比較，測定不同環境下的撕裂位置平均檢測精準率，如圖5所示。

根據當前的撕裂位置檢測精度，分析其檢測效果，并根據當前的置信度變化，計算單目標撕裂檢測頻次，如公式（6）所示。

式中：F為單目標撕裂檢測頻次；?1和?2分別為不同周期學習檢測次數；Y為檢測精度；?為初始學習次數；?為預設測試集數量。

當前測定結果見表2。由表2可知，與深度遷移學習帶式輸送機機械故障診斷方法、無線測溫測振碼頭皮帶機異常檢測技術相比，本文設計的雙目相機輸煤皮帶機皮帶撕裂檢測技術的單目標撕裂檢測頻次相對較高，說明在雙目相機的輔助和支持下，本文設計的方法更靈活、穩定，效率進一步提升，撕裂檢測效果較好。

3 結語

本文結合實際的皮帶撕裂檢測需求，設計了更靈活、多變的檢測模式，不僅提高了皮帶撕裂檢測的靈敏度和準確性的同時，而且對撕裂故障進行了實時預警與定位，能夠為煤礦企業提供更可靠的安全保障。隨著雙目相機的配置與優化，還需要進一步強化實際的撕裂檢測精度與速度，保證設備的穩定運行，推動相關技術與行業邁入新的發展臺階。

參考文獻

[1]祝寶君.煤礦皮帶機常見故障及其處理措施[J].能源與節能，2024（7）：302-304.

[2]劉文峰，王榮振，董杰，等.帶式輸送機機械故障深度遷移學習診斷方法[J].煤礦機械，2024，45（9）：153-156.

[3]張煥榮，呂曉威.電廠碼頭皮帶機無線測溫測振技術方案設計及應用[J].中國港灣建設，2024，44（8）：62-68.

[4]曹華棟.煤礦皮帶機安裝調試常見故障的分析與處理[J].能源與節能，2024（6）：294-296，300.

[5]博玉亮，張義坤，張慶博，等.皮帶機故障預測與維護策略探究[J].現代礦業，2024，40（4）：246-250.

[6]何明.輸煤系統輸煤皮帶機常見故障診斷與檢修探析[J].內蒙古煤炭經濟，2024（6）：112-114.

[7]齊濤.煤礦皮帶機滑動故障分析及其智能檢測[J].機械管理開發，2024，39（2）：303-305.

[8]黃志平.皮帶撕裂智能監測終端在電廠輸煤皮帶機的應用研究[J].中國設備工程，2022（20）：28-30.