一种基于深度学习的落料柜堵料检测及处理的方法及系统与流程

1.本发明属于基于深度学习的加工检测的技术领域，具体涉及一种基于深度学习的落料柜堵料检测及处理的方法及系统。


背景技术：

2.当前烟丝在加工环节中，在物料进松散储柜、进加料储柜等环节存在不同程度的堵料问题。目前使用传统感应器检测堵料情况，当传感器输出存在堵料情况，自动关停机器运作，再进行人工干预启停机器，调整传输带速度疏通堵料口。然而，现有的检测方法存在精度不高，处理流程过度依赖人工，影响生产效率问题。因此，本发明提出了一种基于深度学习的落料柜堵料检测及处理的方法及系统，使用深度学习进行目标检测，同时将堵料程度区分为轻度、重度两种堵料情况，针对不同堵料程度，对应提供不同的解决办法，实现了高效精准疏通，有效提高了加工效率。


技术实现要素：

3.本发明的目的在于提供一种基于深度学习的落料柜堵料检测及处理的方法及系统，旨在解决上述的问题。
4.本发明主要通过以下技术方案实现：一种基于深度学习的落料柜堵料检测及处理的方法，包括以下步骤：步骤s1：实时监控落料柜的堵料情况，将监控视频流解码为图片；步骤s2：对图片进行目标检测，若检测到疑似堵料目标，则根据置信度进行过滤，若疑似堵料目标的置信度大于或等于设定的置信度阈值，则判断存在堵料目标；否则判断无堵料发生；若存在堵料目标的图片帧数占比大于或等于阈值q，则判断存在堵料情况，进入步骤s3；否则继续正常生产；步骤s3：针对检测到存在堵料目标的图片，若检测到轻度堵料的图像帧数占比大于或者等于阈值a，则判断为轻度堵料，启动压缩空气装置，通过空气气压推动堵塞烟丝；若检测到重度堵料的图像帧数占比大于阈值b，则判断为重度堵料，传输告警至安全生产平台，发送堵塞位置，并关停生产机器，以避免产生更为严重的堵塞；否则正常生产。
5.为了更好地实现本发明，进一步地，所述步骤s1中，连续抽取若干帧图片进行目标检测；所述步骤s2中，所述阈值q等于75%。
6.为了更好地实现本发明，进一步地，所述步骤s1中，连续3秒抽取12帧图片。
7.为了更好地实现本发明，进一步地，所述步骤s2中，所述置信度阈值为0.4。
8.为了更好地实现本发明，进一步地，所述步骤s3中，所述压缩空气装置的单次运作时长为m，若压缩空气装置运作过程中未检测到轻度堵料情况，则压缩空气装置单次运作后关闭；当检测到轻度堵料时，采用间隔告警的方式，周期性抽取图片并进行检测，检测图片的时间间隔为n。
9.为了更好地实现本发明，进一步地，所述步骤s3中，所述阈值a为40%，所述阈值b为
60%。
10.本发明主要通过以下技术方案实现：一种基于深度学习的落料柜堵料检测及处理的系统，采用上述的方法进行，包括图片采集单元、图片过滤单元、图片检测单元、执行单元；所述图片采集单元用于实时抽取监控的图片，所述图片过滤单元用于根据置信度阈值以及检测帧数占比过滤图片中的疑似堵料目标，所述图片检测单元用于对图片中的堵料目标进行检测，并根据堵料目标的图像帧数占比判断堵料情况；所述执行单元用于根据堵料情况执行堵料疏通方案。
11.本发明的有益效果如下：本发明通过实时监控抽取图片进行目标检测，通过置信度阈值对图片中的检测目标进行过滤，进一步通过堵料图像帧数占比阈值q进行精准判断堵料程度，并针对轻度堵料和重度堵料设置不同的疏通方案。本发明利用置信度过滤、多帧检测的策略，提高了堵料检测精度，有效降低了单独目标检测存在漏报、误报的情况。本发明基于实时监控，实现了高效响应堵料，本发明根据堵料程度采取不同的疏通方案，最大程度的保障生产的连续性，有效提高了生产效率。本发明同时降低了人力成本，减少机器故障，有效延长机器使用时长，节省维护成本。
附图说明
12.图1为本发明的流程图。
具体实施方式
13.实施例1：一种基于深度学习的落料柜堵料检测及处理的方法，如图1所示，实时监控落料柜容易堵料的位置，然后抽取图片进行目标检测。针对检测到存在堵料目标的图片，若检测到轻度堵料的图像帧数占比大于或者等于阈值a，则判断为轻度堵料；若检测到重度堵料的图像帧数占比大于阈值b，则判断为重度堵料；否则判断为无堵料情况，继续生产。针对轻度堵料，传输信号至压缩空气装置，并开始运行工作，若n秒内无信号传入则自动关闭压缩空气装置。针对重度堵料，则立即上报安全生产监控平台，并自动关停机器运作，通知相关人员维修疏通。本发明最大程度的保障了烟丝加工生产的连续性，有效提高了生产效率。
14.优选地，在抽取到图片后，通过多帧图片确认和置信度阈值过滤图片，若图片中疑似堵料目标的置信度小于设定的置信度阈值，则认为不存在堵料目标，否则认为存在堵料目标。进一步判断检测为存在堵料目标的图片帧数，当达到设定的帧数占比阈值q或者帧数占比大于阈值q时，判断为存在堵料情况。通过进一步地判断轻度堵料或者重度堵料的图像帧数占比情况判断堵料程度，以对应执行疏通方案。
15.本发明通过实时监控抽取图片进行目标检测，通过置信度阈值对图片中的检测目标进行过滤，进一步通过堵料情况的图像帧数占比进行精准判断堵料程度，针对轻度堵料和重度堵料设置不同的疏通方案。本发明利用置信度过滤、多帧检测的策略，提高了堵料检测精度，有效降低了单独目标检测存在漏报、误报的情况。本发明基于实时监控，实现了高效响应堵料，本发明根据堵料程度采取不同的疏通方案，最大程度的保障生产的连续性，有效提高了生产效率。本发明同时降低了人力成本，减少机器故障，有效延长机器使用时长，
节省维护成本。
16.实施例2：一种基于深度学习的落料柜堵料检测及处理的方法，如图1所示，包括以下步骤：1)视频流解码为图片，对图片进行目标检测。
17.2)连续3秒抽取12帧，检测到疑似堵料目标，进行置信度阈值过滤，当疑似目标置信度超过0.4，则认为确实存在堵料目标，反之，若置信度没有超过0.4，认为无堵料发生。抽取帧数中若置信度大于0.4的帧数占比大于等于75%，则认为确实存在堵料情况。
18.3)针对检测到存在堵料目标的图片，若检测到轻度堵料的图像帧数占比大于或者等于40%，则判断为轻度堵料，发送信号至压缩空气装置，启动压缩空气装置，通过空气气压推动堵塞烟丝，当前设定启动压缩空气装置单次运作时长为10秒，持续10秒（当前设定为10秒，压缩空气装置运作时间也包含其中）未收到轻度堵料信号，则关闭压缩空气装置。当检测到轻度堵料后，此处使用间隔告警策略，检测解码图片时间间隔为10秒。若未检测到堵料，则继续生产，若检测到仍存在轻度堵料，会再次启动压缩空气装置。直至下次间隔未检测到轻度堵料目标。
19.4)针对检测到存在堵料目标的图片，若检测到重度堵料的图像帧数占比大于60%，则判断为重度堵料，传输告警至安全生产平台（即网页端平台，用作接收事件告警），将堵塞位置及时通知，并关停生产机器，避免产生更为严重的堵塞，造成机器损伤。同时相关工作人员接收事件后，进行人工干预疏通堵塞烟丝。当完成后重启机器，则继续进入正常生产流程。
20.本发明通过实时监控抽取图片进行目标检测，通过置信度阈值对图片中的检测目标进行过滤，进一步通过堵料情况的图像帧数占比进行精准判断堵料程度，针对轻度堵料和重度堵料设置不同的疏通方案。本发明利用置信度过滤、多帧检测的策略，提高了堵料检测精度，有效降低了单独目标检测存在漏报、误报的情况。本发明基于实时监控，实现了高效响应堵料，根据堵料程度采取不同方案处理，本发明降低了人力成本，提高了生产效率，减少机器故障，有效延长机器使用时长，节省维护成本。
21.以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。

技术特征：
1.一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，包括以下步骤：步骤s1：实时监控落料柜的堵料情况，将监控视频流解码为图片；步骤s2：对图片进行目标检测，若检测到疑似堵料目标，则根据置信度进行过滤，若疑似堵料目标的置信度大于或等于设定的置信度阈值，则判断存在堵料目标；否则判断无堵料发生；若存在堵料目标的图片帧数占比大于或等于阈值q，则判断存在堵料情况，进入步骤s3；否则继续正常生产；步骤s3：针对检测到存在堵料目标的图片，若检测到轻度堵料的图像帧数占比大于或者等于阈值a，则判断为轻度堵料，启动压缩空气装置，通过空气气压推动堵塞烟丝；若检测到重度堵料的图像帧数占比大于阈值b，则判断为重度堵料，传输告警至安全生产平台，发送堵塞位置，并关停生产机器，以避免产生更为严重的堵塞；否则正常生产。2.根据权利要求1所述的一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，所述步骤s1中，连续抽取若干帧图片进行目标检测；所述步骤s2中，所述阈值q等于75%。3.根据权利要求2所述的一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，所述步骤s1中，连续3秒抽取12帧图片。4.根据权利要求2所述的一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，所述步骤s2中，所述置信度阈值为0.4。5.根据权利要求1所述的一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，所述步骤s3中，所述压缩空气装置的单次运作时长为m，若压缩空气装置运作过程中未检测到轻度堵料情况，则压缩空气装置单次运作后关闭；当检测到轻度堵料时，采用间隔告警的方式，周期性抽取图片并进行检测，检测图片的时间间隔为n。6.根据权利要求1-5任一项所述的一种基于深度学习的落料柜堵料检测及处理的方法，其特征在于，所述步骤s3中，所述阈值a为40%，所述阈值b为60%。7.一种基于深度学习的落料柜堵料检测及处理的系统，根据权利要求1-6任一项所述的方法进行，其特征在于，包括图片采集单元、图片过滤单元、图片检测单元、执行单元；所述图片采集单元用于实时抽取监控的图片，所述图片过滤单元用于根据置信度阈值以及检测帧数占比过滤图片中的疑似堵料目标，所述图片检测单元用于对图片中的堵料目标进行检测，并根据堵料目标的图像帧数占比判断堵料情况；所述执行单元用于根据堵料情况执行堵料疏通方案。

技术总结
本发明公开了一种基于深度学习的落料柜堵料检测及处理的方法及系统，对图片进行目标检测，根据置信度对图片进行过滤，若存在堵料目标的图片帧数占比大于或等于阈值Q，则判断存在堵料情况。针对检测到存在堵料目标的图片，若检测到轻度堵料的图像帧数占比大于或者等于阈值A，则判断为轻度堵料，启动压缩空气装置，通过空气气压推动堵塞烟丝；若检测到重度堵料的图像帧数占比大于阈值B，则判断为重度堵料，传输告警至安全生产平台，发送堵塞位置，并关停生产机器。本发明提高了堵料检测精度，有效降低了单独目标检测存在漏报、误报的情况。本发明根据堵料程度采取不同的疏通方案，最大程度的保障生产的连续性，有效提高了生产效率。效率。效率。


技术研发人员：方艳 苟正锋 李芦峰 靳仲达 金宏东 沈复民 欧阳瑞麒 申恒涛
受保护的技术使用者：成都考拉悠然科技有限公司
技术研发日：2023.07.21
技术公布日：2023/8/24