本发明涉及机器视觉图像识别深度学习领域，具体涉及一种运用机器视觉技术通过对辊压机辊面磨损情况的识别进行磨损检测的方法及装置。
背景技术：
辊压机作为水泥行业的重要粉磨设备已经广泛应用于大部分水泥厂，因其具有电耗低、生产效益高的特点，被越来越多的水泥生产企业所接受，但是其使用过程中产生的辊面磨损问题也较为突出。当辊面完好的情况下，物料会受到充分的研磨和挤压，粉磨效果良好，而且产量可以维持在较高水平。当辊面产生磨损后，导致滚缝间距变大且不均匀，导致研磨的物料受力不均匀，研磨后的物料大小不均，研磨效果较差。因此，对辊压机辊面的磨损程度进行实时检测，对于稳定辊压机生产过程，提高粉磨效率和产量至关重要。
目前对于辊压机辊面磨损的检测方式还停留在使用人肉眼去观察评判的阶段，往往需要停机判断具体的磨损区域和磨损程度，而且检测结果受人为因素影响较大，无法定量化的研究辊面磨损情况，因此具有较大的局限性。
随着近几年机器视觉深度学习的快速发展，在图像识别领域应用深度学习算法取得了较快的发展，因为深度学习可以无需提取图像特征，而直接对图像进行学习，并且可以诊断多种磨损状态，模型自适应能力强，训练好的模型可以应用于多个辊压机共同使用。而且目前生产制造辊压机的设备厂商众多，制造方式和使用材料都不尽相同，而且采用数据驱动技术相比传统根据工艺机理观察更加客观，避免了传统方式无法直接建模的弊端，可以直接从采集到的磨损画面中通过深度学习找到规律，对磨损情况进行识别和分析，降低模型建立的复杂性。
随着粉磨行业对智能制造要求的不断提升，如何实现辊压机辊面磨损情况的实时检测，改变延时检测的现状，实现对于辊压机辊面磨损情况实时评价与合理控制成为了粉磨流程工业领域亟待解决的问题。
基于此，有必要提供一种基于机器视觉的辊压机辊面磨损检测方法及装置，以解决对于辊压机辊面磨损情况检测不及时的问题，改变延时测量现状，时刻保障辊压机粉磨生产的稳定性。
技术实现要素：
为了解决现有技术中存在的上述技术问题，本发明提供了一种基于机器视觉的辊压机辊面磨损检测方法，包括以下步骤：
步骤一：在辊压机辊面位置附近的合适角度安装高分辨率相机以及辅助光源，将相机采集的图像数据通过视频采集卡发送到图像分析计算机内；
步骤二：经过对辊压机辊面磨损情况的分析，采集大量水泥行业辊压机辊面磨损与未磨损图像，将磨损图像与未磨损图像进行标记，经过图像处理后输入到深度学习模型中；
步骤三：基于深度学习模型中辊压机辊面磨损特征信息正向传播，根据在辊压机辊面图像磨损情况的数据特征，采用神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生辊压机辊面磨损情况判定前向训练数据特征；
步骤四：基于深度学习模型的辊压机辊面模塑情况特征的期望输出误差反向传播，通过计算辊压机辊面磨损实际情况与模型计算输出情况的误差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；
步骤五：利用训练好的卷积神经网络深度学习模型对辊压机辊面磨损情况进行实时检测与结果输出。
进一步的，该深度学习模型采用卷积神经网络模型。
进一步的，对辊压机辊面磨损图像通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成深度学习模型的训练过程。
本发明还提供了一种基于机器视觉的辊压机辊面磨损检测装置，高分辨率相机、辅助光源、视频采集卡和视频分析计算机，在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将高分辨率相机采集图像通过视频采集卡处理后发送到视频分析计算机内；视频分析计算机设有深度学习模型，大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练；采用训练后的基于卷积神经网络的深度学习模型对采集的辊面画面进行分析，得到输出辊面磨损情况。
本发明与现有技术相比，具有如下有益效果：本发明建立的基于机器视觉辊压机辊面磨损检测方法，能够对辊压机辊面图像进行及时、快速、连续、真实地测量，及时输出辊压机辊面磨损情况，为保障辊压机粉磨生产提供了有效的保障手段。
附图说明
图1为本发明的装置结构示意图；
图2为辊压机辊面磨损检测方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1和2所示，根据本发明的一个具体实施例，本发明首先在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将相机采集图像通过视频采集卡处理后发送到视频分析计算机内。同时大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练，在工程实际应用中可以根据系统的实际运行数据每隔一段时间对稳态输入输出样本数据进行更新，重新训练该模型，以满足现场实际需要。基于机器视觉的辊压机辊面磨损检测装置的结构图如图1所示，基于机器视觉的辊压机辊面磨损检测方法的流程如图2所示；
其具体包括如下步骤：
1）现场辊压机辊面附近安装高清相机，并完成图像数据的传输；
2）与生产人员沟通导致辊面磨损的因素,细化模型机理,并梳理为计算机模型语言。分析磨损与未磨损辊面图像的相关变量模型数据，以及现场实际情况，采用深度算法去进行模型训练，搭建辊压机辊面磨损检测系统；
3）采用基于卷积神经网络的深度学习的方式对现场采集的辊面画面通过视频采集卡回传进行分析，输出辊面磨损情况指导生产。
辊压机辊面磨损检测系统实施将开展以下工作：
1、勘探现场辊压机安装位置，安装高分辨率相机、光源及其配套滑轨和支架，调整相机采集方向，为后期数据采集精确度提供保证；
2、采集现场辊压机辊面磨损和未磨损区域的照片，导入到深度学习算法模型中进行模型训练；
3、在现场敷设电缆、网线等装置，打通数据通信，将辊压机辊面图像实时回传并进入辊面磨损检验系统中自动分析，定时输出磨损程序以及磨损区域分析结果。
1.一种基于机器视觉的辊压机辊面磨损检测方法，其特征在于包括以下步骤：
步骤一：在辊压机辊面位置附近的合适角度安装高分辨率相机以及辅助光源，将相机采集的图像数据通过视频采集卡发送到图像分析计算机内；
步骤二：经过对辊压机辊面磨损情况的分析，采集大量水泥行业辊压机辊面磨损与未磨损图像，将磨损图像与未磨损图像进行标记，经过图像处理后输入到深度学习模型中；
步骤三：基于深度学习模型中辊压机辊面磨损特征信息正向传播，根据在辊压机辊面图像磨损情况的数据特征，采用神经网络模型，对构建好的输入层数据进行信号的前向传播，从输入层经过隐含层，最后到达输出层，输入信号通过隐含层作用于输出节点，经过非线性变换，产生辊压机辊面磨损情况判定前向训练数据特征；
步骤四：基于深度学习模型的辊压机辊面模塑情况特征的期望输出误差反向传播，通过计算辊压机辊面磨损实际情况与模型计算输出情况的误差，对其进行反向传播，误差反传将输出误差通过隐含层向输入层逐层反传，以获得各层的误差信号为各单元的调整提供依据；
步骤五：利用训练好的卷积神经网络深度学习模型对辊压机辊面磨损情况进行实时检测与结果输出。
2.如权利要求1所述的基于机器视觉的辊压机辊面磨损检测方法，其特征在于：该深度学习模型采用卷积神经网络模型。
3.如权利要求1所述的基于机器视觉的辊压机辊面磨损检测方法，其特征在于：对辊压机辊面磨损图像通过调节输入层神经元与隐含层神经元，隐含层神经元与输出层神经元之间的联接权重与阈值，使网络的实际输出值和期望输出值的误差沿梯度方向下降，经过反复学习训练，当误差达到预测精度或学习次数大于设定的最大次数时确定出最小误差所对应的网络参数，完成深度学习模型的训练过程。
4.一种基于机器视觉的辊压机辊面磨损检测装置，高分辨率相机、辅助光源、视频采集卡和视频分析计算机，其特征在于：在辊压机辊面附近合适角度安装高分辨率相机和辅助光源，将高分辨率相机采集图像通过视频采集卡处理后发送到视频分析计算机内；视频分析计算机设有深度学习模型，大量采集多个辊压机辊面磨损与未磨损的图像作为深度学习模型的输入变量，辊压机辊面磨损情况作为输出变量，通过基于卷积神经网络的深度学习模型对样本数据进行离线训练；采用训练后的基于卷积神经网络的深度学习模型对采集的辊面画面进行分析，得到输出辊面磨损情况。
技术总结