本发明涉及原料厂物料运输、人工智能领域，具体涉及一种基于深度学习的皮带跑偏检测方法。
背景技术：
1、目前原料厂里进行各种物料运输主要都是使用带式运输机来进行工作，由于皮带不停工作和一些做工材料、机械上不可避免的问题，长时间的运行会导致出现各种故障，影响厂区的生产。在各种故障中，皮带跑偏是最常见也是危害较大的一种，如由于皮带的偏移导致滚轮的轴向负载增加，进而对滚筒造成损伤。更严重地讲，皮带偏移量过大，不仅导致物料洒落的情况还会导致皮带边缘的磨损，长期不处理更会导致皮带破损，如果不及时发现并处理不仅会对生产工具造成损坏，还会影响整体的生产效率，造成经济损失。现如今针对皮带跑偏检测有些厂区采用原始的人工巡检来解决，该方法实时性差、检测效果差、检测精度差。还有一些使用传感器来解决，但受限于现场环境和传感器灵敏度的原因，传感器容易受污渍、油、水等，影响整体可靠性不强。
技术实现思路
1、本发明的目的在于提供一种基于深度学习的皮带跑偏检测方法，对皮带运行过程中可能出现的跑偏现象及时发现和报警。
2、具体体现为：利用摄像头对一些原料厂里带式运输机上的皮带进行检测，利用深度学习中的神经网络对皮带图像进行识别，计算出跑偏距离，判断跑偏方向，反馈给纠偏控制系统，保证原料厂的皮带机正常运行，减少生产事故，确保生产效率。
3、为了达到上述目的，本发明提供的技术方案如下：
4、一种基于深度学习的皮带跑偏检测方法，包括以下步骤：
5、录制获取皮带日常的运行视频；
6、处理录制的皮带视频，把视频裁剪成图像，并把每张图像做固定四个点的鸟瞰图转换，标注所有鸟瞰图，制作成训练神经网络的数据集；
7、利用制作完成的数据集，并使用迁移学习训练神经网络模型；
8、根据转换鸟瞰图边缘图像位置，测量皮带机实际中左边到右边的宽度距离，最后依据图像的大小求出等比例转换公式；
9、利用深度学习中的神经网络识别结果和等比例转换公式算出跑偏的距离，判断跑偏方向，反馈给纠偏控制系统。
10、更为具体的，皮带跑偏检测方法步骤如下：
11、为了计算皮带跑偏距离和判断跑偏方向的精确性，需要把摄像头安装到皮带机中间位置的正上方，并调整好俯视的角度。需要成像效果好，且保证左右两边对称性高：将云台摄像头安装在皮带机中间的正上方，安装高度为1米～1.5米；
12、获取皮带运行的日常作业录像保存到本地，并把其截取成一张一张的图像。
13、对截取的每张图像，根据现场的托辊四个顶点位置标定鸟瞰图的四个顶点坐标，利用opencv中的透视矩阵算法把所有原图像批量转化为鸟瞰图；
14、使用labelme标注工具，批量标注转化好的鸟瞰图中的皮带部分；
15、删除标注过程中由于现场光线、灰尘等引起的拍摄不清楚的图像，以免干扰检测模型的精度；
16、把标注所得到的json文件，转为模型训练需要的txt文件。
17、训练集图像2585张，验证集图像600张；
18、训练图像检测模型yolov5系列，设置网络超参数，使用迁移学习预训练增强效果。
19、测量出鸟瞰图成像结果对应实际中宽度的距离；
20、按照实际宽度距离除以鸟瞰图像素大小的比例方式计算出一个像素值对应的距离大小，求出等比例系数，获得等比例转换公式。
21、进一步，在模型识别一帧视频图像之后，得到目标皮带在图像中左上角坐标(x1,y1)和右下角坐标(x2,y2)，并通过事先测量计算好的等比例转换公式，把其皮带的左上角和右下角的坐标值代入得到左边的间距和右边的间距，通过左右两边的间距来判断皮带的跑偏的方向，最后把结果反馈给纠偏控制系统。利用神经网络识别结果的图像目标框中皮带左上角坐标值和右下角坐标值代入等比例转换公式算出图像左边的间距和右边的间距；
22、根据左间距和右间距判断是否是向左边偏移或者向右边偏移；
23、把最后的偏移方向和该方向的偏移距离一同反馈给纠偏控制系统，完成本次皮带跑偏检测的所有过程。
24、本发明相比现有技术具有以下优点：
25、本发明通过固定摄像头合适的安装位置，捕捉皮带机的图像，通过鸟瞰图定点处理原始图像后，再送入到训练好的神经网络模型中进行识别，检测出皮带在图像中的位置信息，并通过预先测量计算的公式转为真实的距离，通过两边的距离判断跑偏的方向，反馈给纠偏控制系统。本发明不仅能够保证智能化，减少人工作业量，还能确保检测的速度快、精度高、鲁棒性强、泛化性好，并且硬件要求低，现场效果好，整体调试简单、维护方便、容易推广。与纠偏系统联合后保护原料厂的带式运输机正常运行，确保厂区里的生产效率。
1.一种基于深度学习的皮带跑偏检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的皮带跑偏检测方法，其特征在于，录制皮带日常的运行视频采用以下方法：
3.根据权利要求1所述的皮带跑偏检测方法，其特征在于，训练神经网络模型的数据集制作方法如下：
4.根据权利要求3所述的皮带跑偏检测方法，其特征在于，所述鸟瞰图转化时，根据现场的托辊四个顶点位置标定鸟瞰图的四个顶点坐标。
5.根据权利要求1所述的皮带跑偏检测方法，其特征在于，利用制作完成的数据集，并使用迁移学习训练神经网络模型方法如下：
6.根据权利要求5所述的皮带跑偏检测方法，其特征在于，神经网络模型选用yolov5-l。
7.根据权利要求1所述的皮带跑偏检测方法，其特征在于，所述等比例转换公式采用以下方法获得：
8.根据权利要求1所述的皮带跑偏检测方法，其特征在于，跑偏方向通过以下方法进行判断：