开云优惠体育网页版入口

专利名称：基于机器视觉的输送带异物识别检测系统

专利类型：发明专利

专利申请号：CN202411155226.9

专利申请（专利权）人：西安重装韩城煤矿机械有限公司
权利人地址：陕西省渭南市韩城市新城区苏山路

专利发明（设计）人：王荣泉,宋金全,刘武,李博

专利摘要：本发明属于图像处理技术领域，具体涉及基于机器视觉的输送带异物识别检测系统，该系统包括：第一模块、第二模块和第三模块，通过超像素分割算法对原煤运输图像进行分割，通过识别算法对分割结果进行异物识别，其中，对种子点进行更新的过程为：根据种子点和中心点的位置，将种子点对应的超像素划分为两个区域，根据两个区域中的像素点的颜色特征的差异，计算两个区域的颜色一致性，通过颜色一致性对种子点和中心点之间的距离加权，获得第一更新向量，根据种子点对应的超像素内所有像素点的梯度的分布情况，确定第二更新向量，根据第一更新向量和第二更新向量对种子点进行更新。本发明提高了后续对原煤运输图像进行异物识别的准确性。

主权利要求：
1.基于机器视觉的输送带异物识别检测系统，其特征在于，包括：
第一模块，用于采集带式输送机的原煤运输图像；
第二模块，用于根据预设的种子点，通过超像素分割算法对所述原煤运输图像进行多次迭代分割，确定原煤运输图像的分割结果，所述分割结果包括多个超像素；每次迭代分割时，对种子点进行更新的过程为：对于任一种子点，根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域；确定两个区域的颜色一致性，包括：将第一区域和第二区域中包含像素点最多的区域，记为第三区域，将另一个区域记为第四区域；根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点；则两个区域的颜色一致性满足关系式： ；式中，Y表示两个区域的颜色一致性， 表示第三区域包含的像素点的数量， 表示第四区域包含的像素点的数量， 表示第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点的数量；将种子点指向中心点的方向，作为种子点的第一更新向量的方向；通过颜色一致性对种子点和中心点之间的距离进行加权，获得种子点的第一更新向量的模长；根据种子点对应的超像素内所有像素点的梯度的分布情况，确定种子点的第二更新向量的方向和模长，包括：计算种子点对应的超像素内所有像素点的梯度幅值，将梯度幅值大于预设第二阈值的像素点，作为目标像素点；根据目标像素点的位置，对所有目标像素点的位置进行线性拟合，将获得的拟合直线作为分割线；将分割线的两个垂直方向中与种子点的第一更新向量的方向的夹角最小的垂直方向，作为第二更新向量的方向；所述种子点的第二更新向量的模长满足关系式： ；式中， 表示第二更新向量的模长，Q1表示种子点对应的超像素的中心点到分割线的距离，Q2表示种子点到分割线的距离， 表示种子点和种子点对应的超像素的中心点之间的距离， 表示以自然常数为底的指数函数；根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，以便于获得更新后的种子点；
第三模块，用于通过识别算法对原煤运输图像的分割结果进行异物识别，以便于对带式输送机上的非煤异物进行报警。
2.根据权利要求1所述的基于机器视觉的输送带异物识别检测系统，其特征在于，所述根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域，包括：通过种子点的位置与种子点对应的超像素的中心点的位置之间的连线的垂直平分线，将种子点对应的超像素划分为两个区域，分别记为第一区域和第二区域。
3.根据权利要求1所述的基于机器视觉的输送带异物识别检测系统，其特征在于，所述根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点，包括：将两个像素点的颜色特征的差值的绝对值记为第一数值，将第一数值与255的比值，作为两个像素点的颜色特征的差异；
对于第三区域中的第m个像素点，将第四区域中与第三区域中的第m个像素点的三个颜色特征的差异均小于预设第一阈值的像素点，记为第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点；
所述颜色特征包括：红色通道值R、绿色通道值G和蓝色通道值B。
4.根据权利要求1所述的基于机器视觉的输送带异物识别检测系统，其特征在于，所述种子点的第一更新向量的模长满足关系式：；
式中， 表示第一更新向量的模长， 表示种子点和种子点对应的超像素的中心点之间的距离，Y表示两个区域的颜色一致性。
5.根据权利要求1所述的基于机器视觉的输送带异物识别检测系统，其特征在于，所述对所有目标像素点的位置进行线性拟合，包括：在对所有目标像素点的位置进行线性拟合时，将使损失函数最小的直线作为拟合直线，所述损失函数满足关系式：；
式中，LOSS表示损失函数，N表示目标像素点的数量， 表示第i个目标像素点的梯度幅值， 表示第t个目标像素点的梯度幅值，表示第i个目标像素点到直线的距离。
6.根据权利要求1所述的基于机器视觉的输送带异物识别检测系统，其特征在于，所述根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，以便于获得更新后的种子点，包括：将种子点的第一更新向量和第二更新向量的和，作为种子点的综合更新向量；根据种子点的综合更新向量对种子点进行移动，获得更新后的种子点；
对种子点进行移动时，移动的方向等于综合更新向量的方向，移动的距离等于综合更新向量的模长。 说明书 : 基于机器视觉的输送带异物识别检测系统技术领域[0001] 本发明涉及图像处理技术领域。更具体地，本发明涉及基于机器视觉的输送带异物识别检测系统。背景技术[0002] 矿用带式输送机具有输送量大、输送距离远和通用性强等特点，是大多数煤矿的主运输系统，在现代化煤矿生产中发挥着极其重要的作用。由于高带速、长距离、大运量、大倾角，加之钢丝绳芯的锈蚀、断裂，易造成煤矿带式输送机事故频发。一旦发生断带事故，将会摧毁煤矿主运输系统、堵塞运输巷道，造成长时间的停产和重大经济损失，甚至人员伤亡，后果极其严重。[0003] 输送带上的异物是导致断带事故的主要原因之一，通过对输送带上的异物进行识别和报警，能够实现对输送带撕裂前进行预防，可有效的避免撕裂的发生，实现对输送带撕裂事故的事前预防。[0004] 相关技术中，例如申请公布号为CN115439793A的中国专利申请文件，其公开了一种面向矿井煤流AI视频分析的异物识别系统及方法，包括：数据收集模块，采用工业相机对履带上的煤流进行实时视频监控收集；黑夜检测模块，采用改进的U?net网络结构作为模型，对底片进行预测得到RGB图片；YOLOv4模块，用于对RGB图片进行预测得到目标的位置和类别，使用CSPDarknet53作为该模块整体网络模型的主干网络。基于此还提供了一种面向矿井煤流AI视频分析的异物识别方法，利用加入黑夜检测模块对底片进行预测得到RGB图片，解决了光线不足能见度低的问题，然后用YOLOv4模块对RGB进行预测得到目标的位置和类别，提高了矿井异物识别算法的检测精度和检测速度。[0005] 在通过识别算法对原煤运输图像进行异物识别时，为了提高图像的处理效率，需要对图像进行超像素化，去除冗余信息；而常规的超像素分割算法中，种子点的更新是根据超像素中所有像素点的颜色和位置均值，没有考虑到超像素中像素点的颜色分布特征和纹理分布特征，进而导致根据更新后的种子点进行超像素分割的分割效果不好，影响后续对原煤运输图像进行异物识别的准确性。发明内容[0006] 为解决上述常规的超像素分割算法中没有考虑到超像素中像素点的颜色分布特征和纹理分布特征，导致根据更新后的种子点进行超像素分割的分割效果不好，影响后续对原煤运输图像进行异物识别的准确性的技术问题，本发明在如下的多个方面中提供方案。[0007] 在第一方面中，本发明提供了基于机器视觉的输送带异物识别检测系统，所述系统包括以下模块：第一模块，用于采集带式输送机的原煤运输图像；第二模块，用于根据预设的种子点，通过超像素分割算法对所述原煤运输图像进行多次迭代分割，确定原煤运输图像的分割结果，所述分割结果包括多个超像素；每次迭代分割时，对种子点进行更新的过程为：对于任一种子点，根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域；确定两个区域的颜色一致性，所述颜色一致性与两个区域中的像素点的颜色特征的差异负相关；将种子点指向中心点的方向，作为种子点的第一更新向量的方向；通过颜色一致性对种子点和中心点之间的距离进行加权，获得种子点的第一更新向量的模长；根据种子点对应的超像素内所有像素点的梯度的分布情况，确定种子点的第二更新向量；根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，以便于获得更新后的种子点；第三模块，用于通过识别算法对原煤运输图像的分割结果进行异物识别，以便于对带式输送机上的非煤异物进行报警。[0008] 本发明利用超像素分割算法将原煤运输图像超像素化，除去原煤运输图像中的冗余信息，从而减少后续识别算法的模型训练时长。[0009] 本发明在每次迭代分割时，结合超像素中像素点的颜色分布特征和纹理分布特征，确定各种子点的第一更新向量和第二更新向量，根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，获得更新后的种子点，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0010] 优选地，所述根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域，包括：通过种子点的位置与种子点对应的超像素的中心点的位置之间的连线的垂直平分线，将种子点对应的超像素划分为两个区域，分别记为第一区域和第二区域。[0011] 优选地，所述确定两个区域的颜色一致性的方法，包括：将第一区域和第二区域中包含像素点最多的区域，记为第三区域，将另一个区域记为第四区域；根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点；则两个区域的颜色一致性满足关系式： ；式中，Y表示两个区域的颜色一致性， 表示第三区域包含的像素点的数量， 表示第四区域包含的像素点的数量， 表示第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点的数量。[0012] 优选地，所述根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点，包括：将两个像素点的颜色特征的差值的绝对值记为第一数值，将第一数值与255的比值，作为两个像素点的颜色特征的差异；对于第三区域中的第m个像素点，将第四区域中与第三区域中的第m个像素点的三个颜色特征的差异均小于预设第一阈值的像素点，记为第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点；所述颜色特征包括：红色通道值R、绿色通道值G和蓝色通道值B。[0013] 优选地，所述种子点的第一更新向量的模长满足关系式：；式中， 表示第一更新向量的模长， 表示种子点和种子点对应的超像素的中心点之间的距离，Y表示两个区域的颜色一致性。[0014] 结合超像素中像素点的颜色分布特征，确定种子点的第一更新向量，对超像素分割算法中种子点的更新方式进行改进，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0015] 优选地，所述种子点的第二更新向量具有方向和模长，确定种子点的第二更新向量的方向的方法，包括：计算种子点对应的超像素内所有像素点的梯度幅值，将梯度幅值大于预设第二阈值的像素点，作为目标像素点；根据目标像素点的位置，对所有目标像素点的位置进行线性拟合，将获得的拟合直线作为分割线；将分割线的两个垂直方向中与种子点的第一更新向量的方向的夹角最小的垂直方向，作为第二更新向量的方向。[0016] 本发明通过梯度幅值大于预设第二阈值的目标像素点的位置进行拟合，获得的拟合直线能够表示出超像素中纹理突变的位置，进而根据超像素中纹理突变的位置确定第二更新向量的方向，使得种子点沿着纹理突变的方向即分割线的垂直方向进行更新，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0017] 优选地，所述对所有目标像素点的位置进行线性拟合，包括：在对所有目标像素点的位置进行线性拟合时，将使损失函数最小的直线作为拟合直线，所述损失函数满足关系式： ；式中，LOSS表示损失函数，N表示目标像素点的数量，表示第i个目标像素点的梯度幅值， 表示第t个目标像素点的梯度幅值，表示第i个目标像素点到直线的距离。[0018] 优选地，所述种子点的第二更新向量具有方向和模长，所述种子点的第二更新向量的模长满足关系式： ；式中， 表示第二更新向量的模长，Q1表示种子点对应的超像素的中心点到分割线的距离，Q2表示种子点到分割线的距离， 表示种子点和种子点对应的超像素的中心点之间的距离， 表示以自然常数为底的指数函数。[0019] 结合超像素中像素点的纹理分布特征，对超像素分割算法中种子点的更新方式进行改进，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0020] 优选地，所述根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，以便于获得更新后的种子点，包括：将种子点的第一更新向量和第二更新向量的和，作为种子点的综合更新向量；根据种子点的综合更新向量对种子点进行移动，获得更新后的种子点；对种子点进行移动时，移动的方向等于综合更新向量的方向，移动的距离等于综合更新向量的模长。[0021] 在每次迭代分割时，结合超像素中像素点的颜色分布特征和纹理分布特征，对种子点进行更新，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0022] 本发明的有益效果在于：[0023] 本发明利用超像素分割算法将原煤运输图像超像素化，除去原煤运输图像中的冗余信息，从而减少后续识别算法的模型训练时长。[0024] 进一步，本发明在每次迭代分割时，结合超像素中像素点的颜色分布特征和纹理分布特征，确定各种子点的第一更新向量和第二更新向量，根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，获得更新后的种子点，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。附图说明[0025] 通过参考附图阅读下文的详细描述，本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本发明的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：[0026] 图1示意性示出本发明中基于机器视觉的输送带异物识别检测系统的系统框图；[0027] 图2示意性示出本发明中原煤运输图像的分割结果的识别结果；[0028] 图3示意性示出本发明中YOLOv5识别算法的YOLOv5网络模型的具体结构。具体实施方式[0029] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。[0030] 下面结合附图来详细描述本发明的具体实施方式。[0031] 本发明提供了基于机器视觉的输送带异物识别检测系统。如图1所示，基于机器视觉的输送带异物识别检测系统包括第一模块100、第二模块200和第三模块300，以下具体说明。[0032] 第一模块100，用于采集带式输送机的原煤运输图像。[0033] 需要说明的是，矿用带式输送机是大多数煤矿的主运输系统，在现代化煤矿生产中发挥着极其重要的作用，一旦煤矿带式输送机发生断带事故，将会摧毁煤矿主运输系统、堵塞运输巷道，造成长时间的停产和重大经济损失，甚至人员伤亡，后果极其严重。[0034] 进一步需要说明的是，原煤开采过程中的大型矸石、铁器等可能随原煤一起进入运输系统，可能造成输送带本身的破坏，输送带上的异物是导致断带事故的主要原因之一，通过对输送带上的异物进行识别和报警，能够实现对输送带撕裂前进行预防，可有效的避免撕裂的发生，实现对输送带撕裂事故的事前预防。[0035] 具体的，在带式输送机运输原煤的过程中，通过可见光工业相机采集输送带上的图像，记为原煤运输图像；所述原煤运输图像是RGB图像，其中， 表示像素点的颜色特征，R、G、B分别表示红色通道值、绿色通道值和蓝色通道值。[0036] 第二模块200，用于通过超像素分割算法对原煤运输图像进行多次迭代分割，确定原煤运输图像的分割结果，每次迭代分割时，根据种子点的第一更新向量和第二更新向量对种子点进行更新。[0037] 需要说明的是，在通过识别算法对原煤运输图像进行异物识别时，为了提高图像的处理效率，需要对图像进行超像素化，去除冗余信息；而在常规的超像素分割算法中，是将超像素的中心点作为更新后的种子点，中心点是根据超像素中所有像素点的颜色和位置均值确定的，没有考虑到超像素中像素点的颜色分布特征和纹理分布特征，进而导致根据更新后的种子点进行超像素分割的分割效果不好，影响后续对原煤运输图像进行异物识别的准确性；因此，本发明结合超像素中像素点的颜色分布特征和纹理分布特征，对超像素分割算法中种子点的更新方式进行改进。[0038] 进一步需要说明的是，本发明利用超像素分割算法将原煤运输图像超像素化，除去原煤运输图像中的冗余信息，从而减少后续识别算法的模型训练时长。[0039] 具体的，根据预设的种子点，通过超像素分割算法对所述原煤运输图像进行多次迭代分割，确定原煤运输图像的分割结果，所述分割结果包括多个超像素；其中，每次迭代分割时，根据种子点的第一更新向量和第二更新向量对种子点进行更新，包括步骤S1到步骤S3，具体如下：[0040] S1：将种子点对应的超像素划分为两个区域，根据两个区域的颜色一致性，确定种子点的第一更新向量。[0041] 需要说明的是，本发明结合超像素中像素点的颜色分布特征，对超像素分割算法中种子点的更新方式进行改进。[0042] 具体的，对于任意一个种子点，根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域；确定两个区域的颜色一致性，所述颜色一致性与两个区域中的像素点的颜色特征的差异负相关；根据两个区域的颜色一致性，确定种子点的第一更新向量。[0043] 进一步，所述根据种子点以及种子点对应的超像素的中心点的位置，将种子点对应的超像素划分为两个区域，包括：通过种子点的位置与种子点对应的超像素的中心点的位置之间的连线的垂直平分线，将种子点对应的超像素划分为两个区域，分别记为第一区域和第二区域；其中，所述种子点对应的超像素的中心点，是根据种子点对应的超像素中所有像素点的位置和颜色特征确定的，是超像素分割算法中的公知技术，此处不再进行赘述；所述像素点的位置为(x,y)，x、y分别表示像素点的横坐标和纵坐标。[0044] 进一步，所述确定两个区域的颜色一致性的过程，包括：将第一区域和第二区域中包含像素点最多的区域，记为第三区域，将另一个区域记为第四区域；根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点；则两个区域的颜色一致性满足关系式：[0045] ；[0046] 式中，Y表示两个区域的颜色一致性， 表示第三区域包含的像素点的数量， 表示第四区域包含的像素点的数量， 表示第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点的数量。[0047] 其中，所述根据两个区域中的像素点的颜色特征的差异，确定第四区域中与第三区域中的各像素点的颜色特征相似的像素点，包括：将两个像素点的颜色特征的差值的绝对值记为第一数值，将第一数值与255的比值，作为两个像素点的颜色特征的差异；对于第三区域中的第m个像素点，将第四区域中与第三区域中的第m个像素点的三个颜色特征的差异均小于预设第一阈值的像素点，记为第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点。[0048] 第一阈值的具体数值可以根据实际应用场景和需求来设定，第一阈值的取值范围为(0,0.1]，本发明将第一阈值设置为0.05。[0049] 需要说明的是， 代表了第四区域中与第三区域中的第m个像素点的颜色特征相似的像素点的数量，与第三区域中的第m个像素点的颜色特征相似的像素点也就是与第三区域中的第m个像素点的三个颜色特征的差异均小于预设第一阈值的像素点，这样的像素点的数量越多，即 越大，则两个区域的颜色一致性越大。[0050] 进一步，所述根据两个区域的颜色一致性，确定种子点的第一更新向量，所述种子点的第一更新向量具有方向和模长，则所述种子点的第一更新向量的方向是指种子点指向种子点对应的超像素的中心点的方向；所述种子点的第一更新向量的模长满足关系式：[0051] ；[0052] 式中， 表示第一更新向量的模长， 表示种子点和中心点之间的距离，Y表示两个区域的颜色一致性。[0053] 需要说明的是， 代表了常规根据超像素中所有像素点的颜色和位置均值确定的，对种子点进行更新时的移动距离，移动的结果即新的种子点为中心点， 代表了根据超像素中像素点的颜色分布特征，对移动距离的调整量；颜色一致性越大，则说明在保证颜色特征一致性的前提下，找到了位置越适合的种子点，此时，移动距离的调整量越。欢丈恢滦栽叫。蛐碌闹肿拥闼η虻难丈卣髟侥艽碚龀袼，此时，新的种子点的位置受限于超像素中所有像素点的位置，所以被局限为中心点，为了更好地分割超像素，需要增加更新时的移动距离，因此颜色一致性越。蛞贫嗬氲牡髡吭酱螅蛔钪崭菀贫嗬氲牡髡，确定第一更新向量的大小。[0054] 进一步需要说明的是，结合超像素中像素点的颜色分布特征，确定种子点的第一更新向量，对超像素分割算法中种子点的更新方式进行改进，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0055] S2：根据种子点对应的超像素内所有像素点的梯度的分布情况，确定种子点的第二更新向量。[0056] 需要说明的是，本发明结合超像素中像素点的纹理分布特征，对超像素分割算法中种子点的更新方式进行改进。[0057] 具体的，所述种子点的第二更新向量具有方向和模长，确定种子点的第二更新向量的方向的方法为：计算种子点对应的超像素内所有像素点的梯度幅值，所述像素点的梯度幅值的计算为公知技术，此处不再进行赘述；将梯度幅值大于预设第二阈值的像素点，作为目标像素点；根据目标像素点的位置，对所有目标像素点的位置进行线性拟合，将获得的拟合直线作为分割线；将分割线的两个垂直方向中与种子点的第一更新向量的方向的夹角最小的垂直方向，作为第二更新向量的方向。[0058] 需要特殊说明的是，如果分割线的两个垂直方向中与种子点的第一更新向量的方向的夹角相等，则将分割线的两个垂直方向中的任意一个垂直方向，作为第二更新向量的方向。[0059] 第二阈值的具体数值可以根据实际应用场景和需求来设定，本发明将第二阈值设置为50。[0060] 需要说明的是，目标像素点是梯度幅值较大的像素点，即纹理变化较明显的像素点，通过对目标像素点的位置进行线性拟合，即对纹理变化较明显的像素点的位置进行线性拟合，得到的拟合直线表示了超像素中纹理突变的位置；为了使种子点能够更好的分割超像素，对种子点进行更新时，应该沿着纹理突变的方向，即分割线的垂直方向进行更新。[0061] 进一步需要说明的是，本发明通过梯度幅值大于预设第二阈值的目标像素点的位置进行拟合，获得的拟合直线能够表示出超像素中纹理突变的位置，进而根据超像素中纹理突变的位置确定第二更新向量的方向，使得种子点沿着纹理突变的方向即分割线的垂直方向进行更新，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0062] 其中，所述对所有目标像素点的位置进行线性拟合，包括：在对所有目标像素点的位置进行线性拟合时，将使损失函数最小的直线作为拟合直线，所述损失函数满足关系式：[0063] ；[0064] 式中，LOSS表示损失函数，N表示目标像素点的数量， 表示第i个目标像素点的梯度幅值， 表示第t个目标像素点的梯度幅值，表示第i个目标像素点到直线的距离。[0065] 需要说明的是，拟合的直线是为了表示超像素中纹理突变的位置，而像素点的梯度幅值越大，则该像素点表现出的纹理突变性越强，因此，用来拟合分割直线时的贡献程度越大，所以将像素点的梯度幅值和所有像素点的梯度幅值之和的比值 作为每个目标像素点的权值，通过权值对损失函数进行加权，获得的拟合直线更能代表超像素中纹理突变的位置。[0066] 进一步，所述种子点的第二更新向量的模长满足关系式：[0067] ；[0068] 式中， 表示第二更新向量的模长，Q1表示种子点对应的超像素的中心点到分割线的距离，Q2表示种子点到分割线的距离， 表示种子点和种子点对应的超像素的中心点之间的距离， 表示以自然常数为底的指数函数。[0069] 需要说明的是，得到的拟合直线即分割线表示了超像素中纹理突变的位置，为了使种子点能够更好的分割超像素，对种子点进行更新时，更新后的种子点即中心点应该远离分割线，以种子点与分割线的距离Q2为参考，当中心点到分割线的距离 ，即时，中心点已经远离分割线，不需要对其位置进行更改；当中心点到分割线的距离，即 时，中心点与分割线的距离较近，需要对其位置进行更改，此时，中心点到分割线的距离Q1越。蛐枰贫嗬朐酱。[0070] 进一步需要说明的是，结合超像素中像素点的纹理分布特征，对超像素分割算法中种子点的更新方式进行改进，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0071] S3：根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，以便于获得更新后的种子点。[0072] 需要说明的是，种子点的第一更新向量，是根据超像素中像素点的颜色分布特征确定的，种子点的第二更新向量，是根据超像素中像素点的纹理分布特征确定的；为了提高超像素分割的分割效果，本发明结合超像素中像素点的颜色分布特征和纹理分布特征，对超像素分割算法中种子点的更新方式进行改进，即根据各种子点的第一更新向量和第二更新向量，对种子点进行更新。[0073] 具体的，将种子点的第一更新向量和第二更新向量的和，作为种子点的综合更新向量；根据种子点的综合更新向量对种子点进行移动，获得更新后的种子点；其中，对种子点进行移动时，移动的方向等于综合更新向量的方向，移动的距离等于综合更新向量的模长。[0074] 需要说明的是，本发明在每次迭代分割时，结合超像素中像素点的颜色分布特征和纹理分布特征，确定各种子点的第一更新向量和第二更新向量，根据第一更新向量和第二更新向量的方向以及模长，确定对种子点进行移动时的方向和距离，获得更新后的种子点，提高了原煤运输图像的分割效果，进而提高了后续对原煤运输图像进行异物识别的准确性。[0075] 第三模块300，用于通过识别算法对原煤运输图像的分割结果进行异物识别。[0076] 在本实施例中，通过YOLOv5识别算法对原煤运输图像的分割结果进行异物识别，响应于原煤运输图像的分割结果的识别结果中存在非煤异物，例如矸石、铁器等，则进行报警，提醒值守的工作人员直接将非煤异物从原煤中移除，实现了带式输送机的断带防护，全方位保障系统安全运行。[0077] 示例性的，请参阅图2，其示出了原煤运输图像的分割结果的识别结果，其中，标注框框选的区域为非煤异物。[0078] 所述YOLOv5识别算法的YOLOv5网络模型主要分为输入端、骨干网络、颈部网络、预测层，具体结构请参阅图3；其中，YOLOv5网络模型的输入端为一个RGB图像，图像经过马赛克（Mosaic）数据增强、自适应锚框计算和自适应图片缩放处理进入骨干网络；骨干网络主要由Focus结构和CSP结构构成，旨在进行特征提。痪辈客缤ü卣鹘鹱炙网络(FPN)和路径聚合网络(PAN)实现不同层次特征融合；最终将融合特征传入预测层，预测层将GIoU?Loss作为损失函数，完成目标检测结果的输出。[0079] 在其他实施例中，实施人员可以根据实际应用场景和需求来选择识别算法。[0080] 在本说明书的描述中，“多个”、“若干个”的含义是至少两个，例如两个，三个或更多个等，除非另有明确具体的限定。[0081] 虽然本说明书已经示出和描述了本发明的多个实施例，但对于本领域技术人员显而易见的是，这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中，可以采用对本文所描述的本发明实施例的各替代方案。

专利地区：陕西

专利申请日期：2024-08-22

专利公开日期：2024-11-12

专利公告号：CN118691800B