输送带损伤检测方法、装置、设备和介质

权利要求书： 1.一种输送带损伤检测方法，其特征在于，包括：

获取待检测的输送带损伤图像；

将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；

其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。

2.根据权利要求1所述的输送带损伤检测方法，其特征在于，所述输送带损伤检测模型为CNN神经网络模型。

3.根据权利要求1所述的输送带损伤检测方法，其特征在于，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型之前，还包括：对获取的输送带损伤图像进行图像增强处理，得到增强图像；

以所述增强图像构建输送带损伤检测模型的输送带图像训练样本集和输送带图像测试样本集；

将所述输送带图像训练样本集输入至输送带损伤检测模型，确定所述输送带图像训练样本集对应的输送带图像预测集，其中，所述联合注意力机制模块用于提取输送带图像不同尺度的特征图；

根据所述输送带图像测试集调整所述输送带损伤检测模型的参数至满足收敛条件，确定训练完备的输送带损伤检测模型。

4.根据权利要求3所述的输送带损伤检测方法，其特征在于，对获取的输送带损伤图像进行图像增强，包括：获取相关场景裂纹图像，其中所述相关场景包括墙体、路面和桥梁；

将所述相关场景裂纹图像与所述输送带损伤图像进行融合，得到融合样本集；

对所述融合样本集进行强化特征训练，得到增强图像，并根据所述增强图像确定相似特征增强训练集和相似特征增强测试集。

5.根据权利要求1所述的输送带损伤检测方法，其特征在于，所述联合注意力机制模块包括改进通道注意力机制子模块、改进空间注意力机制子模块以及联合子模块；

所述改进通道注意力机制子模块包括依次连接的通道残差单元、通道池化层、通道卷积层、第一通道激活函数、通道全连接层、第二通道激活函数以及通道特征加权层，所述通道池化层包括并行的通道平均池化层以及通道最大池化层；

所述改进空间注意力机制子模块包括依次连接的空间残差单元、空间池化层、空间卷积层、第一空间激活函数、空间全连接层、第二空间激活函数以及空间特征加权层，所述空间池化层包括并行的全局平均池化层以及全局最大池化层；

所述联合子模块包括联合卷积层，所述联合卷积层用于对所述通道特征加权层的输出和所述空间特征加权层的输出进行卷积操作，获得联合注意力特征图。

6.根据权利要求1所述的输送带损伤检测方法，其特征在于，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果之后，还包括：基于所述输送带损伤检测结果，采用预设的平均精准度和平均精准度均值，对训练完备的所述输送带损伤检测模型进行评价，确定所述输送带损伤检测模型的检测精度。

7.根据权利要求6所述的输送带损伤检测方法，其特征在于，所述预设的平均精准度可通过如下公式表示：其中，TP为检测出正确的正样本个数，FP为检测出错误的正样本的个数，Precision为平均精准度。

8.一种输送带损伤检测装置，其特征在于，包括：

获取模块，用于获取待检测的输送带损伤图像；

检测模块，用于将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；

其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。

9.一种电子设备，其特征在于，包括：处理器和存储器；

所述存储器上存储有可被所述处理器执行的计算机可读程序；

所述处理器执行所述计算机可读程序时实现如权利要求1?7所述的输送带损伤检测方法中的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1?7所述的输送带损伤检测方法中的步骤。

说明书： 一种输送带损伤检测方法、装置、设备和介质技术领域[0001] 本发明涉及输送带检测技术领域，具体涉及一种输送带损伤检测方法、装置、设备和介质。背景技术[0002] 皮带输送机具有结构简单、功耗小、输送能力较大、对物料适应性强等特点，因此被广泛用于煤矿生产运输中，划伤和撕裂主要发生在皮带的上表面，如煤炭中的铁器、矸石等在皮带落煤点处有可能让皮带上表面撕裂造成下表面可见穿透性撕裂；撕裂的过程中皮带上表面在受到压迫时可能会造成下表面开裂；在开始划伤但未撕裂时皮带上表面划伤下表面可能正常；如果不及时发现输送带损伤，会给输送带带来严重的损伤。[0003] 目前，主要通过线激光发射器对输送带进行检测，该线激光发射器可以安装在输送带下带面，且照射在输送带上的线激光处于工业相机的视场内，为输送带损伤检测提供参考直线。然而，现有技术的检测方式只有在输送带发生穿透性损伤时才能检测到，但是输送带实际工作环境极其复杂，面对多尘、多雾的环境，该检测方式存在可靠性较低及精度不高的问题。发明内容[0004] 本发明的目的在于克服上述技术不足，提供一种输送带损伤检测方法、装置、设备和介质，解决现有技术中输送带损伤检测可靠性低以及检测精度低的技术问题。[0005] 为达到上述技术目的，本发明采取了以下技术方案：[0006] 第一方面，本发明提供了一种输送带损伤检测方法，包括：[0007] 获取待检测的输送带损伤图像；[0008] 将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；[0009] 其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。[0010] 在一些实施例中，所述输送带损伤检测模型为CNN神经网络模型。[0011] 在一些实施例中，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型之前，还包括：[0012] 对获取的输送带损伤图像进行图像增强处理，得到增强图像；[0013] 以所述增强图像构建输送带损伤检测模型的输送带图像训练样本集和输送带图像测试样本集；[0014] 将所述输送带图像训练样本集输入至输送带损伤检测模型，确定所述输送带图像训练样本集对应的输送带图像预测集，其中，所述联合注意力机制模块用于提取输送带图像不同尺度的特征图；[0015] 根据所述输送带图像测试集调整所述输送带损伤检测模型的参数至满足收敛条件，确定训练完备的输送带损伤检测模型。[0016] 在一些实施例中，对获取的输送带损伤图像进行图像增强，包括：[0017] 获取相关场景裂纹图像，其中所述相关场景包括墙体、路面和桥梁；[0018] 将所述相关场景裂纹图像与所述输送带损伤图像进行融合，得到融合样本集；[0019] 对所述融合样本集进行强化特征训练，得到增强图像，并根据所述增强图像确定相似特征增强训练集和相似特征增强测试集。[0020] 在一些实施例中，所述联合注意力机制模块包括改进通道注意力机制子模块、改进空间注意力机制子模块以及联合子模块；[0021] 所述改进通道注意力机制子模块包括依次连接的通道残差单元、通道池化层、通道卷积层、第一通道激活函数、通道全连接层、第二通道激活函数以及通道特征加权层，所述通道池化层包括并行的通道平均池化层以及通道最大池化层；[0022] 所述改进空间注意力机制子模块包括依次连接的空间残差单元、空间池化层、空间卷积层、第一空间激活函数、空间全连接层、第二空间激活函数以及空间特征加权层，所述空间池化层包括并行的全局平均池化层以及全局最大池化层；[0023] 所述联合子模块包括联合卷积层，所述联合卷积层用于对所述通道特征加权层的输出和所述空间特征加权层的输出进行卷积操作，获得联合注意力特征图。[0024] 在一些实施例中，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果之后，还包括：[0025] 基于所述输送带损伤检测结果，采用预设的平均精准度和平均精准度均值，对训练完备的所述输送带损伤检测模型进行评价，确定所述输送带损伤检测模型的检测精度。[0026] 在一些实施例中，所述预设的平均精准度可通过如下公式表示：[0027][0028] 其中，TP为检测出正确的正样本个数，FP为检测出错误的正样本的个数，Precision为平均精准度。[0029] 第二方面，本发明还提供了一种输送带损伤检测装置，包括：[0030] 获取模块，用于获取待检测的输送带损伤图像；[0031] 检测模块，用于将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；[0032] 其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。[0033] 第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；[0034] 所述存储器上存储有可被所述处理器执行的计算机可读程序；[0035] 所述处理器执行所述计算机可读程序时实现如上所述的输送带损伤检测方法中的步骤。[0036] 第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的输送带损伤检测方法中的步骤。[0037] 与现有技术相比，本发明提供的输送带损伤检测方法、装置、设备和介质，通过设置输送带损伤检测模型，且输送带损伤检测模型包括联合注意力机制模块，在不显著增加计算量和参数量的前提下能提升输送带损伤检测模型的特征提取能力，从而可提高输送带损伤检测模型的网络性能，进而可进一步提高输送带损伤检测模型的检测准确性。附图说明[0038] 图1是本发明提供的输送带损伤检测方法的一实施例的流程图；[0039] 图2是本发明提供的输送带损伤检测方法中，输送带损伤检测模块训练的一实施例的示意图；[0040] 图3是本发明提供的输送带损伤检测方法中，输送带损伤图像特征融合的一实施例的示意图；[0041] 图4是本发明提供的输送带损伤检测方法中，联合注意力机制模块的一个实施例结构示意图；[0042] 图5是本发明提供的输送带损伤检测装置的一实施例的示意图；[0043] 图6是本发明提供的电子设备一实施例的运行环境示意图。具体实施方式[0044] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。[0045] 本发明实施例提供了输送带损伤检测方法，请参阅图1，包括：[0046] S101、获取待检测的输送带损伤图像；[0047] S102、将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；[0048] 其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。[0049] 在本实施例中，首先通过获取待检测的输送带损伤图像，最后将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。本发明通过设置输送带损伤检测模型，且输送带损伤检测模型包括联合注意力机制模块，在不显著增加计算量和参数量的前提下能提升输送带损伤检测模型的特征提取能力，从而可提高输送带损伤检测模型的网络性能，进而可进一步提高输送带损伤检测模型的检测准确性。[0050] 应当理解的是：输送带损伤检测模型可为R?CNN(Region?CNN)，SPP?NET(SpatialPyramidPoolinginDeepConvolutionalNetworks)，FastR?CNN，CNN，FasterR?CNN，R?FCN(Region?basedfullyconvolutionalnetwork)，YOLO，SSD(SingleShotMultiBoxDetector)，EfficientDet等神经网络模型中的任意一种。[0051] 需要说明的是：训练完备的输送带损伤检测模型指的是对输送带损伤图像测试集的检测结果的平均均匀精度(meanAveragePrecision，mAP)大于或等于95％的输送带损伤检测模型。[0052] 通过mAP这一目标检测评价指标，可确保输送带损伤检测模型的检测效果。[0053] 还需要说明的是：当对输送带损伤图像测试集的检测结果的平均均匀精度(meanAveragePrecision，mAP)小于95％时，获取输送带损伤图像样本集，并通过输送带损伤图像样本集对输送带损伤检测模型重新进行训练。[0054] 在一些实施例中，所述输送带损伤检测模型为CNN神经网络模型。[0055] 通过设置输送带损伤检测模型为CNN神经网络模型，可进一步提高对于待检测输送带损伤图像进行检测的速度和准确性。[0056] 在一些实施例中，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型之前，请参阅图2，还包括：[0057] S201、对获取的输送带损伤图像进行图像增强处理，得到增强图像；[0058] S202、以所述增强图像构建输送带损伤检测模型的输送带图像训练样本集和输送带图像测试样本集；[0059] S203、将所述输送带图像训练样本集输入至输送带损伤检测模型，确定所述输送带图像训练样本集对应的输送带图像预测集，其中，所述联合注意力机制模块用于提取输送带图像不同尺度的特征图；[0060] S204、根据所述输送带图像测试集调整所述输送带损伤检测模型的参数至满足收敛条件，确定训练完备的输送带损伤检测模型。[0061] 在本实施例中，由于输送带损伤出现的裂纹、裂缝分布分散且目标较小，不容易发现，在输送带损伤检测模型中引入联合注意力机制模块能够得到不同尺度的特征图，提高输送带检测模型的特征提取能力，从而将得到的特征图进行分类和回归，将回归结果进行特征重建操作，能够得到更加精细的特征图，在此基础上再次进行分类和回归操作，计算损失；能够提高模型的训练精度，以及输送带损伤检测模型的检测准确性。[0062] 需要说明的是，在步骤S201中，在对输送带损伤图像进行图像增强处理之前，为了输送带损伤检测模型能够学习到更多的特征，还采用数据扩充的方式对输送带图像进行增广处理，得到增广后的图像，最后对增广后的图像进行增强处理。[0063] 在一些实施例中，对获取的输送带损伤图像进行图像增强处理，请参阅图3，包括：[0064] S301、获取相关场景裂纹图像，其中所述相关场景包括墙体、路面和桥梁；[0065] S302、将所述相关场景裂纹图像与所述输送带损伤图像进行融合，得到融合样本集；[0066] S303、对所述融合样本集进行强化特征训练，得到增强图像，并根据所述增强图像确定相似特征增强训练集和相似特征增强测试集。[0067] 在本实施例中，将对输送带损伤检测任务有利的数据，墙体、路面、桥梁裂纹图片融入输送带损伤数据集中进行强化特征训练，辅助网络在样本较少的限制下学习更多与输送带损伤特征相似的信息。此外，基于种类微调存在的问题，在输送带数据集中加入OC数据集的17种类别样本，最终形成强化数据集，加强网络针对输送带损伤特征的学习。[0068] 在一些实施例中，请参阅图4，所述联合注意力机制模块包括改进通道注意力机制子模块、改进空间注意力机制子模块以及联合子模块；[0069] 所述改进通道注意力机制子模块包括依次连接的通道残差单元、通道池化层、通道卷积层、第一通道激活函数、通道全连接层、第二通道激活函数以及通道特征加权层，所述通道池化层包括并行的通道平均池化层以及通道最大池化层；[0070] 所述改进空间注意力机制子模块包括依次连接的空间残差单元、空间池化层、空间卷积层、第一空间激活函数、空间全连接层、第二空间激活函数以及空间特征加权层，所述空间池化层包括并行的全局平均池化层以及全局最大池化层；[0071] 所述联合子模块包括联合卷积层，所述联合卷积层用于对所述通道特征加权层的输出和所述空间特征加权层的输出进行卷积操作，获得联合注意力特征图。[0072] 在本实施例中，通过设置通道池化层包括并行的通道平均池化层以及通道最大池化层，空间池化层包括并行的全局平均池化层以及全局最大池化层，可增强通道注意力和空间注意力的信息，充分获得待检测输送带损伤图像内在的、显著的、高阶的特征。并且通过联合子模块对通道特征加权层的输出和空间特征加权层的输出进行卷积操作，获得联合注意力特征图，可提高联合注意力特征图中的特征量，从而可提高对待检测输送带损伤图像进行检测的准确率。[0073] 需要说明的是：第一通道激活函数和第一空间激活函数均为Relu函数，第二通道激活函数和第二空间激活函数均为Sigmoid函数。[0074] 在一些实施例中，所述将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果之后，还包括：[0075] 基于所述输送带损伤检测结果，采用预设的平均精准度和平均精准度均值，对训练完备的所述输送带损伤检测模型进行评价，确定所述输送带损伤检测模型的检测精度。[0076] 在本实施例中，借助已划分好的数据集对测试集进行测试以实现对输送带损伤程度的检测，并对模型的检测效果进行评价。[0077] 通常用平均精准度AP(Averageprecision)和平均精准度的均值mAP来评价模型的检测效果和性能，AP为召回率Recall和精确率Precision曲线下的面积，面积交并比IoU：通过计算模型预测目标的矩形区域与验证集中目标标定的矩形区域的面积交并比，衡量模型的位置预测能力。

[0078] 精确率Precision:表示模型检测出正确的目标数占总目标数的比例，体现出模型在目标检测时的准确度，通常采用如下公式表示：[0079][0080] 召回率(Recall):召回率表示模型已检测出的目标数量占总目标数量的比例，体现了模型识别的查全能力。其中，TP(Truepositive)为检测出正确的正样本个数，FP(Falsepositive)为检测出错误的正样本的个数。[0081][0082][0083] 式中：TP(Truepositive)为检测出正确的正样本个数，，即预测框与标注框类别相同且IoU>0.5；FP(Falsepositive)为检测出错误的正样本的个数；FN为检测出错误的负样本的个数；R为整个实数集；AP为召回率和精确率曲线下的面积。[0084] 基于上述输送带损伤检测方法，本发明实施例还相应的提供一种输送带损伤检测装置500，请参阅图5，该输送带损伤检测装置包括获取模块510和检测模块520。[0085] 获取模块510，用于获取待检测的输送带损伤图像；[0086] 检测模块520，用于将所述输送带损伤图像输入至训练完备的输送带损伤检测模型中进行输送带损伤检测，得到输送带损伤检测结果；[0087] 其中，所述输送带损伤检测模型包括用于提取输送带损伤图像特征图的联合注意力机制模块。[0088] 如图6所示，基于上述输送带损伤检测方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器610、存储器620及显示器630。图6仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。[0089] 存储器620在一些实施例中可以是该电子设备的内部存储单元，例如电子设备的硬盘或内存。存储器620在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式硬盘，智能存储卡(SmartMediaCard,SMC)，安全数字(SecureDigital,SD)卡，闪存卡(FlashCard)等。进一步地，存储器620还可以既包括电子设备的内部存储单元也包括外部存储设备。存储器620用于存储安装于电子设备的应用软件及各类数据，例如安装电子设备的程序代码等。存储器620还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器620上存储有输送带损伤检测程序640，该输送带损伤检测程序640可被处理器610所执行，从而实现本申请各实施例的输送带损伤检测方法。[0090] 处理器610在一些实施例中可以是一中央处理器(CentralProcessingUnit,CPU)，微处理器或其他数据处理芯片，用于运行存储器620中存储的程序代码或处理数据，例如执行输送带损伤检测方法等。[0091] 显示器630在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(OrganicLight?EmittingDiode，有机发光二极管)触摸器等。显示器630用于显示在所述输送带损伤检测设备的信息以及用于显示可视化的用户界面。电子设备的部件610?630通过系统总线相互通信。

[0092] 当然，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关硬件(如处理器，控制器等)来完成，所述的程序可存储于一计算机可读取的存储介质中，该程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、光盘等。[0093] 以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。