基于改进YOLOv5s的带式输送机滚筒故障检测研究.pdf
《基于改进YOLOv5s的带式输送机滚筒故障检测研究.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s的带式输送机滚筒故障检测研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、基于改进 YOLOv5s 的带式输送机滚筒故障检测研究苗长云,孙丹丹(天津工业大学电子与信息工程学院,天津300387)摘要:针对目前带式输送机滚筒故障检测方法检测效率低、识别准确率不高、特征提取能力较差等问题,提出了一种基于改进 YOLOv5s 的带式输送机滚筒故障检测方法。在 YOLOv5s 网络模型中增加了小尺寸检测层,使尺寸较小的滚筒故障更易被检测到;在 Backbone 和 Neck 间引入卷积注意力机制(CBAM),提高目标检测的准确率;在 Neck 中引入高效通道注意力机制(ECA),增强对滚筒故障的特征提取能力。实验结果表明:在满足实时检测要求的前提下,改进 YOLOv5s 网
2、络模型识别平均准确率均值达 94.46%,较改进前提升了 1.65%。改进 YOLOv5s 网络模型对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别为 95.29%,96.43%,91.65%,较改进前分别提高了 1.56%,0.89%和 2.50%。设计了基于改进 YOLOv5s 的带式输送机滚筒故障检测系统,并对该系统进行验证:实验平台测试结果表明:基于改进 YOLOv5s 的带式输送机滚筒故障检测系统对滚筒开焊、包胶磨损和包胶脱落检测的平均准确率分别达 95.29%,96.43%,91.65%,3 种故障检测的平均准确率均值达 94.46%,检测速度约为 14 帧/s。现场测试结果表明
3、:包胶磨损和包胶脱落的置信度分别为 0.92,0.97,且能准确地识别出滚筒的故障类型和位置,说明基于改进 YOLOv5s 的带式输送机滚筒故障检测系统具有可行性。关键词:带式输送机;滚筒故障检测;改进 YOLOv5s;小目标检测;卷积注意力机制;高效通道注意力机制中图分类号:TD634.1文献标志码:AResearchonfaultdetectionofbeltconveyordrumbasedonimprovedYOLOv5sMIAOChangyun,SUNDandan(SchoolofElectronicandInformationEngineering,TiangongUniversi
4、ty,Tianjin300387,China)Abstract:Atpresent,thedetectionefficiencyofbeltconveyordrumfaultdetectionmethodsislow,therecognition accuracy is not high,and the feature extraction capability is poor.In order to solve the aboveproblems,abeltconveyordrumfaultdetectionmethodbasedonimprovedYOLOv5sisproposed.Asm
5、all-sizeddetectionlayerhasbeenaddedtotheYOLOv5snetworkmodel,makingiteasiertodetectsmallerdrumfaults.Themethodintroducestheconvolutionalblockattentionmodule(CBAM)betweentheBackboneandNecktoimprovetheaccuracyoftargetdetection.Themethodintroducesefficientchannelattentionmechanism(ECA)inNecktoenhancefea
6、tureextractioncapabilitiesfordrumfaults.Theexperimentalresultsshowthefollowingpoints.Onthepremiseofmeetingthereal-timedetectionrequirements,theaveragerecognitionaccuracyoftheimprovedYOLOv5snetworkmodelreaches94.46%,whichis1.65%higherthanbeforetheimprovement.TheaverageaccuracyoftheimprovedYOLOv5snetw
7、orkmodelfordetectingdrumopening,rubbercoatingwear,andrubbercoatingdetachmentare95.29%,96.43%,and91.65%,respectively,whichare1.56%,0.89%,and2.50%higherthanbeforetheimprovement.AbeltconveyordrumfaultdetectionsystembasedonimprovedYOLOv5sisdesignedandvalidated.Theexperimentalplatformtestresultsshowthatt
8、heaverageaccuracyofthebeltconveyordrumfaultdetectionsystembasedonimprovedYOLOv5sfordrumwelding,rubbercoatingwear,and收稿日期:2022-10-16;修回日期:2023-06-15;责任编辑:王晖,郑海霞。基金项目:国家自然科学基金面上项目(NSFC51274150);天津市重点研发计划科技支撑项目(18YFZCGX00930)。作者简介:苗 长 云 (1962),男,吉 林 梅 河 口 人,教 授,博 士,主 要 研 究 方 向 为 光 电 检 测 技 术 与 系 统,E-mai
9、l:。引用格式:苗长云,孙丹丹.基于改进 YOLOv5s 的带式输送机滚筒故障检测研究J.工矿自动化,2023,49(7):41-48.MIAOChangyun,SUNDandan.ResearchonfaultdetectionofbeltconveyordrumbasedonimprovedYOLOv5sJ.JournalofMineAutomation,2023,49(7):41-48.第49卷第7期工矿自动化Vol.49No.72023年7月JournalofMineAutomationJul.2023文章编号:1671251X(2023)07004108DOI:10.13272/j.
10、issn.1671-251x.2022100039rubbercoatingdetachmentdetectionreach95.29%,96.43%,and91.65%,respectively.Theaverageaccuracyofthethreetypesoffaultsreaches94.46%,andthedetectionspeedisabout14frames/s.Theon-sitetestresultsshow that the confidence levels for rubber coating wear and rubber coating detachment a
11、re 0.92 and 0.97,respectively.Thefaulttypeandlocationofthedrumcanbeaccuratelyidentified.ThisindicatesthattheimprovedYOLOv5s-basedbeltconveyordrumfaultdetectionsystemisfeasible.Key words:beltconveyor;drumfaultdetection;improvedYOLOv5s;smalltargetdetection;convolutionalblockattentionmechanism;efficien
12、tchannelattentionmechanism 0引言带式输送机是现代化生产中一种连续运输设备,已被广泛应用于煤炭、港口、电力、矿山、冶金、化工等领域1-2。带式输送机主要由输送带、机架、托辊、滚筒、张紧装置、传动装置等组成,其中滚筒是带式输送机主要的传动部件,由于其长期工作在复杂、条件恶劣的环境中,负荷大、负载不平衡,经常产生筒体开焊、包胶破损、包胶脱落等故障,造成重大安全事故,为此需要对滚筒故障进行实时检测。传统的带式输送机滚筒故障检测方法是靠检修人员通过观察滚筒表面状态主观判断滚筒故障,需要停机检测,不仅影响生产,而且检测效率低、准确性和安全性较差。近年来,随着信号处理技术与神经网
13、络模型的快速发展,不少学者对滚筒故障检测进行了研究,并取得了一定进展。韩越3提出了基于 小 波 降 噪 的 集 合 经 验 模 态 分 解(EnsembleEmpiricalModeDecomposition,EEMD)包络解调算法,利用小波软阈值法将掺杂的噪声去除后进行EEMD,将其中能量较大的本征模态函数(IntrinsicModeFunction,IMF)分量进行希尔伯特变换,得到包络后的IMF 分量进行频谱分析,从而提取滚筒的故障特征频率。但微弱的故障信号难以提取,准确率仍有一定的提升空间。李丹宁等4提出了基于模糊神经网络的滚筒实时故障预警方法,实时采集滚筒表面温度并进行模糊化处理,以
14、降低成本。但仅通过温度检测可能会造成误检,准确率不高。张强5提出了一种基于音频小波包分解和卷积神经网络(ConvolutionalNeuralNetwork,CNN)的滚筒故障检测方法,利用小波包分解算法将滚筒的音频数据分解为多个频段,利用 CNN 对各频带特征进行分类,自动提取滚筒的故障特征,提高了带式输送机滚筒故障诊断效率。但这种检测方法需要提取滚筒音频数据,由于工业现场环境复杂,具有一定难度。丁秀荣等6提出了一种基于热成像相机的滚筒检测方法,采用基于人工神经网络的深度学习模型进行目标检测和分割,实现滚筒故障检测。这种检测方法在检测精度上有所提升,但样本数据量较少,普适性不高。针 对 上
15、述 问 题,本 文 提 出 了 一 种 基 于 改 进YOLOv5s 的带式输送机滚筒故障检测方法。首先,在 YOLOv5s 网络模型中增加小尺寸检测层,增强对小 目 标 检 测 的 学 习 能 力。然 后,在 主 干 网 络(Backbone)和颈部网络(Neck)间引入卷积注意力机制(ConvolutionalBlockAttentionMechanism,CBAM),在通道维度和空间维度上进行特征优化,提高目标检测的准确率。最后,在 Neck 中引入高效通 道 注 意 力 机 制(Efficient Channel AttentionMechanism,ECA),在通道维度上关注重要信息
16、,提升目标特征的提取能力。1YOLOv5s 网络模型及其改进1.1YOLOv5s 网络模型YOLOv5s 网络模型由输入端(Input)、Backbone、Neck 和 Head4 个部分组成7-11,如图 1所示。InputFocusCSP2_1CBSCBSCSP2_1ConvConvCSP2_1ConvConcatConcatConcatUpSampleCBSCSP2_1ConcatUpSampleCBSCBSCSP1_1CBSCSP1_3CBSCSP1_3CBSSPPCSP2_1BackboneNeckHeadYoloHeadYoloHeadYoloHead图1YOLOv5s 网络结构F
17、ig.1YOLOv5snetworkstructureInput 对数据集进行预处理,主要包括输入图像尺寸自适应调整、数据增强及自适应锚框的计算。42工矿自动化第49卷Backbone 对特征进行初步提取,输出有效特征层。采用 CSPDarknet 进行特征提取,主要包含 Focus、SPP、CBS 及 CSP 模块12-13。Neck 进一步加强特征提取能力,采用特征金字塔结构(FeaturePyramidNetworks,FPN)14和路径聚合网络(Path-AggregationNetwork,PANet)15实现不同尺度特征信息的融合。Head 是 YOLOv5s 的分类器与回归器,用
18、于检测大小不同的目标。YOLOv5s 网络模型由 3 个检测层组成,生成 3 个大小不同的特征向量预测图像特征,得到位置信息、类别信息和置信度。1.2改进 YOLOv5s 网络模型改进的 YOLOv5s 网络模型如图 2 所示。首先,增加小尺寸检测层,由原来的 3 个检测层变为 4 个检测层,因此 Head 也由原来的 3 个检测头变为 4 个检测头,使尺寸较小的滚筒故障更易被检测到。然后,在 Backbone 和 Neck 间引入 CBAM16,在通道维度和空间维度上进行特征优化,使滚筒故障特征更加明显,提高目标检测的准确率。最后,在 Neck 中引入 ECA17-19,在通道维度上进一步优
19、化,以增强对滚筒故障的特征提取能力。InputFocusCSP2_1CBSCBSCSP2_1ConvConvCSP2_1ConvConcatCBAMConcatConcatECAECAUpSampleCBSCSP2_1ConcatCBSCSP2_1ConcatUpSampleECACBSUpSampleCBSECAECACBLCSP2_1ConcatECACSP1_1CBSCSP1_3CBSCSP1_3CBSSPPCSP2_1BackboneNeckHeadCBAMCBAMCBAMYoloHeadConvYoloHeadYoloHeadYoloHead图2改进 YOLOv5s 网络结构Fig.
20、2ImprovedYOLOv5snetworkstructure1.2.1小尺寸检测层增加随着网络的加深,底层特征图经过多次卷积操作后,图像分辨率降低、目标信息模糊,导致小尺寸目标丢失,且滚筒故障的发生具有突发性和隐蔽性,微小故障在短时间内急剧扩大,造成安全事故。因此,在 YOLOv5s 网络模型中增加小尺寸检测层,由原来的 3 个检测层变为 4 个检测层,通过引入少量参数,减少底层特征信息的丢失,增强对小目标检测的学习能力。1.2.2Backbone 和 Neck 间区域改进YOLOv5s 网络模型对于检测环境较复杂的目标仍具有局限性,容易导致误检和漏检问题,检测准确率下降。由于卷积操作通过
21、融合通道和空间信息来提取特征,因此,在 Backbone 和 Neck 间引入 CBAM,沿 2 个独立的维度即通道和空间维度依次学习特征,并进行自适应特征细化,强调或选择目标处理对象的重要信息,并且抑制无关的其他细节信息,从而起到提高模型检测精度的效果。CBAM 将通道和空间注意力机制进行结合。在通道维度上进行特征优化,获得特征图上需要重点关注的目标内容;在空间维度上进行特征优化,获得特征图上需要重点关注的目标位置。通道注意力机制是保持通道维度不变,压缩空间维度,先对输入的单个特征层分别进行全局平均池化和全局最大池化操作,经过共享全连接层后,将输出的 2 个特征图像进行加和操作,再经过 Si
22、gmoid 激活,此时获得输入特征层每一个通道的权值,将得到的权值与原始的特征层相乘得到新的特征图。空间注意力机制是保持空间维度不变,压缩通道维度,将输入的特征图在每一个特征点的通道上取最大值和平均值,将最大值和平均值后的 2 个结果进行堆叠,经过一个卷积操作调整通道数,并经过 Sigmoid 激活,获得输入特征层每一个特征点的权值,将得到的权值与原始的特征层相乘得到新的特征图。1.2.3Neck 区域改进Neck 区域需要更好地利用网络所提取的特征信息,但经过自上而下的特征提取和多次卷积操作后,造成许多重要信息丢失,导致模型的准确率下降。因此,在 Neck 区域引入 ECA,在不改变输入特征
23、图大小的情况下,对输入的特征图进行通道特征加强,提取通道间的依赖关系,进而提高模型的检测性能。ECA 属于通道注意力机制,相比于压缩和激励网络(SqueezeandExcitationNetworks,SENet)注意力机制,ECA 可以避免降维,去除了 SENet 的全连接层,直接在全局平均池化后的特征上进行一个一维卷积,高效实现局部跨通道交互。先对输入的特征图进行全局平均池化,使用适合的卷积核大小进行一维卷积操作后,将结果经过 Sigmoid 激活,得到的2023年第7期苗长云等:基于改进 YOLOv5s 的带式输送机滚筒故障检测研究43各个通道的权重与原始输入特征层相乘得到新的特征图。2
24、基于改进 YOLOv5s 的滚筒故障检测2.1数据集制作工业现场中滚筒故障图像难以获得,而训练所需样本数据较多。因此,本文主要通过对实验室小型带式输送机的滚筒进行拍摄获取数据。数据集包括滚筒筒体开焊、包胶磨损和包胶脱落种图像数据,通过手动拍摄、视频取帧、煤矿现场拍摄 3 种手段获得原始数据集。为了使模型具有更强的鲁棒性和泛化能力,防止过拟合,通过亮暗变换、颜色随机、水平翻转、角度旋转等对原始数据集进行扩增,得到 19522 张滚筒图像,组成新的数据集。采用LabelImg 软件进行标注,按 82 比例划分训练集与验证集,按 62 比例划分训练集与测试集,得到12329 张训练集图像,3083
25、张验证集图像,4110 张测试集图像。2.2模型训练模型训练平台为 Windows10专业版操作系统、Intel(R)Core(TM)i77700CPU3.60GHz 处理器、NIVIDIAGeForceGTX1080Ti、CUDA10.2,使用 Pytorch1.2.0 搭建深度学习框架。为提升模型收敛速度,在模型的训练过程中采用随机梯度下降法进行学习和更新模型参数,训练超参数见表 1。表1训练超参数Table1Traininghyperparameterss训练超参数值初始学习率0.01学习率衰减0.0001动量0.973批处理大小32训练批次300图像输入尺寸4164162.3滚筒故障检
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5s 输送 滚筒 故障 检测 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。