基于视频检测的矿用带式输送机跑偏保护系统

基于视频检测的矿用带式输送机跑偏保
护系统
摘要
为了提高矿用带式输送机运行安全性和可靠性，基于视频检测的矿用带式输送机跑偏保护系统。

该系统主要利用深度学习模型YOLOv5和直线检测模型实时监测皮带边缘位置，当皮带偏离正常位置，根据偏离度大小进行等级报警和纠偏联动控制。

系统应用结果表明：该系统简单易用，模型准确率和实时性满足现场要求，解决了带式输送机跑偏问题，提高了工作效率。

关键词：带式输送机、跑偏保护、YOLOv5模型、安全性、工作效率
In order to improve the safety and reliability of the mine belt conveyor, the running deviation protection system of the mine belt conveyor based on video detection is proposed. The system mainly uses deep learning model YOLOv5 and linear detection model to monitor the belt edge position in real time. When the belt deviates from the normal position, hierarchical alarm and deviation correction linkage control are carried out according to the deviation degree. The system application results show that the system is simple and easy to use, model accuracy and real-time meet the requirements of the site, solve the problem of belt conveyor running deviation, improve the work efficiency.
Keywords: belt conveyor, off-track protection, YOLOv5 model, safety, work efficiency
0 引言
带式输送机是我国煤炭运输的主要设备，具有运输量大、速度快、作业连续、运输距离长优点。

在煤炭实际运输过程中，由于带式输送机运输速度快、距离长、煤量不均等因素影响，常出现带式输送机跑偏问题[1-2]。

因此，在皮带输送机
运行过程中需要对带式输送机跑偏进行实时监测，提高带式带式输送机运行稳定
性和安全性。

目前，带式输送机跑偏检测可以分为接触式和非接触式，其中接触
式一般采用传感器和装置进行检测，此方式在稳定性上比较高，但存在安装不方便、实时性差的问题。

而当前，随着网络摄像头的普及和视觉技术的发展，矿井
以及洗选厂的关键位置摄像头已经全面覆盖，在不增加硬件设备的情况下，采用
图像处理技术对视频进行实时处理，不仅节约资源，而且提高准确率和实时性
[3-4]。

贾英新[5]等提出了以机器视觉为检测装置的带式输送机输送带纠偏系统。

利用视觉系统检测输送带运行状态，判断其是否存在跑偏趋势，预警跑偏方向；
纠偏部分采用两级相结合的模式，一级纠偏小幅度纠偏，二级纠偏大幅度纠偏。

本为此，提出了一种基于视频检测的矿用带式输送机跑偏保护系统。

该系统主要
利用深度学习模型YOLOv5和直线检测模型实时监测皮带边缘位置，当皮带偏离
正常位置，根据偏离度大小进行等级报警和纠偏联动控制。

系统应用结果表明：
该系统简单易用，模型准确率和实时性满足现场要求，解决了带式输送机跑偏问题，提高了工作效率。

1 系统组成
基于视频检测的矿用带式输送机跑偏保护系统由视频采集、图像识别、预警
纠偏以及结果显示进行组成，系统结果图如下图1所示。

其中视频采集单元主要
利用网络摄像头进行实时采集，此摄像头没有特殊要求，只需要安装到带式输送
机的上方即可，皮带画面在摄像头范围内。

图像识别单元主要完成实时检测，检
测带式输送机的具体位置，包括带式输送机边缘位置和托辊位置。

预警纠偏单元，根据视频识别的结果可以进行跑偏预警和纠正。

结果显示单元主要进行现场视频
以及结果的实时显示。

图1 系统组成图
2、检测模型
基于视频检测的矿用带式输送机跑偏保护系统包括个检测模块，基于YOLOv5皮带位置检测、基于直线检测的带式输送机边缘位置检测、综合判断模块。

具体如下图2所示。

其中基于YOLOv5皮带位置检测，利用YOLOv5模型建设皮带的边缘区域，确定检测范围，在此基础上，通过边缘检测算法获取边缘具体位置，根据边缘具体位置结合初始阈值，计算带式输送机的偏离度，根据偏离度的大小判断跑偏等级和纠偏位置以及报警内容。

图2 检测流程
（1）YOLOv5带式输送机区域位置检测
本文用于检测的YOLOv5(You Only Look Once)是由 UitralyticsLLC公司发
布的一种单阶段目标检测算法，YOLOv5在检测平均精度降低不多的基础上，具有
均值权重文件更小，训练时间和推理速度更短的特点[6-7]。

YOLOv5 的网络结构
分为输入端、Backbone、Neck、预测四个部分。

输入端主要包括 Mosaic数据增强、自适应锚框计算、自适应图片缩放三部分。

Mosaic数据增强将四张图片进行
组合，达到丰富图片背景的效果；Backbone 主要包含了 BottleneckCSP和
Focus 模块；Neck 中采用了 FPN 与 PAN 结合的结构；预测输出一个向量，该
向量具有目标对象的类别概率、对象得分和该对象边界框的位置。

基于YOLOv5
的带式输送机位置区域检测模型是以RTX NVIDIA3070TI为硬件基础，搭建
Ubuntu18.04+anaconda+cuda+cudnn+Pytorch+torchvision,采用LabelImg进行
数据标注。

基于YOLOv5的带式输送机区域位置检测分为离线和在线2大内容，具体处
理流程如图3所示。

在离线训练阶段，首先收集大量的训练数据，在该训练过程中，自制了 13 500 张图像作为训练集，2500 作为测试集。

在模型训练过程中，实验选择 YOLOv5m的网络模型。

设置断点续训，在训练的前几个周期内预热（Warmup）学习率，在小的学习率下使模型慢慢趋于稳定后，使用预先设置的学
习率进行训练，初始学习率为 0.01，最终的学习率为 0.002保存训练好的模型，作为实时数据检测的输入，通过数据集测试，模型平均准确率 98．7%。

在线检
测阶段，输入实时视频图像，调用离线训练好的模型进行实时检测确定带式输送
机的位置。

图3基于YOLOv5的带式输送机位置区域检测
（2）带式输送机边缘位置检测
带式输送机的边缘相比与其他位置，存在明显的边缘直线特征，具体如下图4所示。

在皮带位置检测的基础上，通过边缘检测算法实现边缘位置检测。

边缘位置检测模块主要利用颜色特征和边缘直线特征进行检测，当两者的结果都满足时候，则判断为带式输送机边缘，具体流程如下图5所示。

颜色特征是基于RGB 颜色空间的亮度进行判断，具体公式如下：
其中为RGB颜色空间中的红、蓝、绿三色、其中T为阈值。

边缘直线检测采用Hough检测边缘直线检测，基本思想是利用点和线在图像空间和参数空间的对偶性，对图像空间特征点相对应的参数空间参数点进行“投票”，然后在参数空间中搜索局部峰值，这些峰值所对应的直线参数即为检测结果[8]。

Hough 直线检测具有对噪声不敏感、稳健性好和遮挡问题易处理等优点。

关键公式如下：
式中，为直线的方位角；直线上任一点的坐标。

图4 带式输送机
图5 带式输送机边缘位置检测
（3）跑偏综合计算
当检测到带式输送机边缘位置时候，我们预先固定Y轴位置对应的X轴位置
点值，计算实时边缘在固定Y轴对应X1值的大小，当前X1与X的偏离度进行判断，具体公式如下，根据偏离度的大小进行预警和纠偏。

上式中，为计算的偏离度，X1 、X、T1分别为当前计算值，初始值、判断
阈值。

3、运行结果
基于视频检测的矿用带式输送机跑偏保护系统采用g B /S 架构的，主要有
历史记录、实时视频显示、历史视频查看和报警统计分析等关键功能。

系统在某
矿部署应用，从系统各功能应用结果可知，系统运行稳定，检测结果与实际事件
相匹配，达到了系统检测目标，系统平均每秒处理 18 帧，可实现实时检测目标。

图6 系统检测结果
图 6中，发生了轻度跑偏，该图像上检测到 2 条直线并用不同颜色分别表
示带式输送机的左边缘和右边缘。

系统中显示有报警类型、报警事件和报警数量
等详细信息，对照实际视频信息，系统报警响应时间快，达到了现场需求。

4 结论
在分析现有带式输送机跑偏检测方法的基础上，对现有跑偏检测存在的问题
进行总结分析，提出了一种基于视频图像的带式输送机跑偏检测系统。

该系统在
满足各模块检测准确率和实时性要求的前提下，成功解决了跑偏保护问题，提高
了工作效率和视频利用率; 同时该系统具有稳定性高、成本低等特点。

但在实际
数据训练中，数据集存在一定有限性，后期需增加更多、更全面的训练数据，进
一步提高模型的准确率。

参考文献：
[1] 陶伟忠 . 基于视频的煤矿带式输送机自动调速控制系统［J］. 煤炭科
学技术，2017，45( 5) : 28－33.
[2]谭恒,张红娟,靳宝全,高妍. 基于机器视觉的煤矿带式输送机跑偏检测方
法[J]. 煤炭技术,2021,40(05):152-156.
[3]卢勇. 带式输送机胶带跑偏故障分析与解决措施[J]. 陕西煤
炭,2018,37(06):166-168.
[4]董征 ,张旭辉 ,王泰华 ,耿天普 . 基于机器视觉的矿用带式输送机跑偏
故障检测系统[J]. 智能矿山,2022,3(02):60-65.
[5]贾英新,靳晔,王勇,张金辉. 基于视觉检测带式输送机输送带纠偏系统[J]. 煤矿机械,2019,40(09):62-64.
[6]田枫,贾昊鹏,刘芳. 改进YOLOv5的油田作业现场安全着装小目标检测
[J]. 计算机系统应用,2022,31(03):159-168.
[7]黎戈. YOLOv5目标检测算法多阶段改进[D].兰州大学,2021.
[8]刘伸展. 实时车道线检测系统的设计和实现[D].电子科技大学,2017.。