智能制造中基于参数回归的地下输送带偏差智能检测方法

《Scientific Reports》：An intelligent detection method for underground conveyor belt deviation based on parameter regression in intelligent manufacturing

　　

摘要

皮带跑偏是带式输送机系统中最为常见的故障之一，可能导致物料洒落、设备损坏和生产中断，从而直接影响工业安全与效率。现有的皮带跑偏检测方法通常依赖辅助参考物或局部区域信息，在工业环境中，由于粉尘、光照不均或边缘遮挡等因素，难以在检测精度与实时性之间取得平衡。本文提出了一种端到端的皮带跑偏检测方法——ATBR-Net（各向异性变压器皮带回归网络）。具体而言，设计了一个多维特征增强模块来自适应地增强皮带边缘表征，使网络能够通过双域动态校准机制自适应地学习边缘特征。其次，为了利用输送机皮带边缘的结构连续性，引入了一种轻量级上下文聚合策略。该策略通过利用输送机皮带边缘的各向异性依赖特性，在降低计算复杂度的同时，提升了对连续细长结构的长程上下文建模能力。此外，将输送机皮带跑偏检测建模为一个受约束的几何参数回归问题，能够直接预测皮带边缘的几何参数，从而实现高效准确的跑偏判定。我们构建了一个包含6100张带边缘标注的真实工业图像数据集，为带式输送机跑偏检测算法的开发与验证提供了标准化基准。在Self-Belt数据集上与六种主流方法的对比实验表明，ATBR-Net在检测精度与实时性能之间取得了良好的平衡，在边缘设备上的检测精度达到95.52%，推理速度为149 FPS。在CUMT-Belt数据集上的进一步实验验证了其泛化性能，为带式输送机系统的智能监测提供了一种鲁棒且高效的端到端解决方案。