【技術實現步驟摘要】
本專利技術涉及混凝土攪拌，尤其是涉及的是一種基于深度學習的振動篩篩網破損監測方法及裝置。
技術介紹
1、機制砂作為綠色建材，在環保和成本方面具備絕對優勢，在混凝土生產中得到廣泛應用。振動篩作為制砂設備中的關鍵組件，其主要功能是將經過破碎后的機制砂進行有效分級，確保最終產出的粒度分布能夠滿足工程質量要求。然而，目前制砂設備的振動篩篩網在使用過程中經常面臨破損的問題，這是由于篩網長期承受高負荷的作業狀態，大量的物料對篩網進行沖擊和刮擦所造成的，這不僅影響生產效率，還導致機制砂產品質量下降。
2、由于物料的硬度、濕度、粒度等因素不同，篩網的磨損速度和破損模式也各異。目前，通常是設定巡檢人員對物料進行采樣后肉眼觀察判斷，人工檢查的方法存在效率低、主觀性強和成本高等問題。同時，傳統的人工檢查方法無法實時監測篩網狀態，往往在篩網破損到一定程度后才被發現，這不僅增加了停機時間，還可能因為破損篩網導致的物料混雜而影響產品質量。
技術實現思路
1、本專利技術的其他特征和優點將在隨后的說明書中闡述，并且部分地從說明書中變得顯而易見，或者通過實施本專利技術而了解。本專利技術的目的和其他優點可通過說明書以及其他說明書附圖中所特別指出的結構來實現和獲得。
2、本專利技術的目的在于克服上述不足，提供一種基于深度學習的振動篩篩網破損監測方法及裝置，可以快速識別采集的機制砂原始圖像，判斷篩網的狀態，從而形成一套實時振動篩篩網狀態監測系統，有利于跟蹤振動篩篩網狀態，及時報警；同時智能的監測系
3、本專利技術提供一種基于深度學習的振動篩篩網破損監測方法，包括：
4、s1、使用振動篩篩分機制砂，經篩分后的機制砂落入下方的下料溜道中，利用圖像采集平臺對下料溜道中的機制砂采集圖像，機制砂圖像具體包括：篩網破損前的單級料圖像以及篩網破損后摻有更大一級粒度的機制砂混料圖像；
5、s2、將獲取的機制砂圖像進行篩選，并制成二分類數據集；
6、s3、將二分類數據集輸入輕量型卷積神經網絡中訓練以獲取分類網絡模型；
7、s4、將訓練好的分類網絡模型部署在邊緣計算設備上，結合圖像采集平臺構建在線監測系統，對振動篩進行實時監測；
8、s5、實時處理并分析采集到的機制砂圖像，系統判定為篩網破損且機制砂圖像中的粒度達到限定閾值時，系統發出篩網破損警報。
9、在一些實施例中，在s1步驟中，經完整振動篩篩網篩分的機制砂為單一粒度等級的機制砂，該下料溜道傾斜設置，該圖像采集平臺與該下料溜道相垂直布置。
10、在一些實施例中，在s2步驟將機制砂圖像制成二分類數據集的過程中，還需要進行數據增強步驟，數據增強的具體方式包括：水平翻轉、豎直翻轉、亮度變化、添加噪聲和模糊處理。
11、在一些實施例中，在s3步驟中，輕量型卷積神經網絡采用mobilenetv3網絡結構，其中的large版本包括15個bottleneck層、一個標準卷積層和三個逐點卷積層，該bottleneck層包含多個深度可分離的卷積層。
12、在一些實施例中，該分類網絡模型為基于pytorch的深度學習框架，采用tensorrt推理引擎對該分類網絡模型進行推理加速。
13、在一些實施例中，在s4步驟中，邊緣計算設備的核心模塊為英偉達jetson?xaviernx嵌入式人工智能計算處理器。
14、在一些實施例中，在s5步驟中，系統發出篩網破損警報的具體表現方式包括有：顯示當前機制砂圖像、與機制砂圖像同步顯示的提示信息以及聲光報警器同步運行聲光報警信息。
15、一種基于深度學習的振動篩篩網破損監測裝置，包括：
16、篩選裝置，其內部設置有數個密度不同的振動篩篩網；
17、下料溜道，其連接于該篩選裝置的出料口處，且該下料溜道傾斜設置；
18、圖像采集平臺，其設置于該下料溜道上方，且該圖像采集平臺與該下料溜道相垂直；
19、邊緣計算設備，其與該圖像采集平臺電性連接；
20、聲光報警器，其設置于該篩選裝置上且與該邊緣計算設備電性連接。
21、在一些實施例中，該下料溜道中，與該圖像采集平臺對應位置上設置有一分料器，該分料器抬高落入該下料溜道中的機制砂高度。
22、在一些實施例中，該邊緣計算設備中包括有存儲器和處理器，該存儲器中存儲有振動篩篩網破損監測計算機程序，該計算機程序在該處理器上加載并執行。
23、通過采用上述的技術方案，本專利技術的有益效果是：
24、本專利技術提出的基于深度學習的振動篩篩網破損監測方法，可以快速識別采集的機制砂原始圖像，判斷篩網的狀態，從而形成一套實時振動篩篩網狀態監測系統，有利于跟蹤振動篩篩網狀態，及時報警；同時智能的監測系統部署在邊緣計算智能終端上運行，裝置集成程度高，安裝簡單，可移植性高，非接觸式監測壽命長，方便維護；代替了傳統的人工巡檢方式，方便設備管理人員對振動篩及時維護，保證產品質量，提高生產效率，降低運維成本，產生良好的經濟效益。
25、應當理解的是，以上的一般描述和后文的細節描述僅是示例性和解釋性的，并不能限制本公開。
26、無疑的，本專利技術的此類目的與其他目的在下文以多種附圖與繪圖來描述的較佳實施例細節說明后將變為更加顯見。
27、為讓本專利技術的上述和其他目的、特征和優點能更明顯易懂，下文特舉一個或數個較佳實施例，并配合所示附圖，作詳細說明如下。
本文檔來自技高網...【技術保護點】
1.一種基于深度學習的振動篩篩網破損監測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在S1步驟中，經完整振動篩篩網篩分的機制砂為單一粒度等級的機制砂，該下料溜道傾斜設置，該圖像采集平臺與該下料溜道相垂直布置。
3.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在S2步驟將機制砂圖像制成二分類數據集的過程中，還需要進行數據增強步驟，數據增強的具體方式包括：水平翻轉、豎直翻轉、亮度變化、添加噪聲和模糊處理。
4.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在S3步驟中，輕量型卷積神經網絡采用MobileNetV3網絡結構，其中的large版本包括15個bottleneck層、一個標準卷積層和三個逐點卷積層，該bottleneck層包含多個深度可分離的卷積層。
5.根據權利要求4所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，該分類網絡模型為基于PyTorch的深度學習框架，采用TensorRT推理引擎對該分類網絡模型進行推理
6.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在S4步驟中，邊緣計算設備的核心模塊為英偉達Jetson?Xavier?NX嵌入式人工智能計算處理器。
7.根據權利要求2所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在S5步驟中，系統發出篩網破損警報的具體表現方式包括有：顯示當前機制砂圖像、與機制砂圖像同步顯示的提示信息以及聲光報警器同步運行聲光報警信息。
8.一種基于深度學習的振動篩篩網破損監測裝置，應用權利要求1-7中任意一項所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，包括：
9.根據權利要求8所述的基于深度學習的振動篩篩網破損監測裝置，其特征在于，該下料溜道中，與該圖像采集平臺對應位置上設置有一分料器，該分料器抬高落入該下料溜道中的機制砂高度。
10.根據權利要求8所述的基于深度學習的振動篩篩網破損監測裝置，其特征在于，該邊緣計算設備中包括有存儲器和處理器，該存儲器中存儲有振動篩篩網破損監測計算機程序，該計算機程序在該處理器上加載并執行。
...【技術特征摘要】
1.一種基于深度學習的振動篩篩網破損監測方法，其特征在于，包括：
2.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在s1步驟中，經完整振動篩篩網篩分的機制砂為單一粒度等級的機制砂，該下料溜道傾斜設置，該圖像采集平臺與該下料溜道相垂直布置。
3.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在s2步驟將機制砂圖像制成二分類數據集的過程中，還需要進行數據增強步驟，數據增強的具體方式包括：水平翻轉、豎直翻轉、亮度變化、添加噪聲和模糊處理。
4.根據權利要求1所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，在s3步驟中，輕量型卷積神經網絡采用mobilenetv3網絡結構，其中的large版本包括15個bottleneck層、一個標準卷積層和三個逐點卷積層，該bottleneck層包含多個深度可分離的卷積層。
5.根據權利要求4所述的基于深度學習的振動篩篩網破損監測方法，其特征在于，該分類網絡模型為基于pytorch的深度學習框架，采用tensorrt推理引擎對該分類網絡模...
【專利技術屬性】
技術研發人員：楊建紅，黃斐智，房懷英，楊宇軒，莊嘉權，魏朝明，黃文景，張寶裕，黃驍民，
申請(專利權)人：福建南方路面機械股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。