图像与雷达数据关联的输送带跑偏与料位检测方法研究

陈晓玉; 陈晶; 沈阅; 孔德明

doi:10.3969/j.issn.1000-1158.2026.01.04

PDF(4377 KB)

计量学报 ›› 2026, Vol. 47 ›› Issue (1) : 26-34. DOI: 10.3969/j.issn.1000-1158.2026.01.04

力学计量

图像与雷达数据关联的输送带跑偏与料位检测方法研究

陈晓玉 ¹ ,
陈晶 ¹ ,
沈阅 ² ,
孔德明 ³

作者信息 +

Research on Conveyor Belt Deviation and Material Location Detection Method by Image and Radar Data Correlation

Author information +

文章历史 +

摘要

针对传统输送带跑偏与料位检测存在精度低、装置环境适应性差和高成本等问题，提出一种基于图像与雷达数据关联的输送带跑偏和料位检测新方法。该方法利用Mask R-CNN模型对输送带场景图像进行实例分割，以拟合输送带边缘，并根据托辊面积比判断跑偏情况；同时，对雷达数据进行预处理，采用Bowyer_Watson算法构建Delaunay三角剖分，生成高程图像；随后，利用K‑means聚类算法简化高程图像，通过灰度均值滤波进行料流分类；最后，将分类结果与图像信息关联，以展示料流的位置和状态信息。实验结果表明，该方法在实际场景中跑偏检出率超过95%，料位检测准确率超过80%。较传统方法，该方法具有更高的鲁棒性和检测效率，可实现输送带跑偏与料位的高效可靠检测。

Abstract

Aiming at the problems of low accuracy， poor adaptability of device environment and high cost of traditional conveyor belt deviation and material location detection， a new method of conveyor belt deviation and material location detection based on the association of image and radar data is proposed. The method utilizes the Mask R-CNN model to segment the conveyor belt scene image by instances to fit the edge of the conveyor belt and to judge the deviation based on the area ratio of the rollers. At the same time， the radar data are preprocessed and the Bowyer_Watson algorithm is used to construct the Delaunay triangular section to generate the elevation image. Subsequently， K‑means clustering algorithm is used to simplify the elevation image and classify the material flow by gray scale mean filtering. Finally， the classification results are associated with the image information to show the location and state information of the material flow. Experimental results show that the method achieves more than 95% deviation detection rate and more than 80% material location detection accuracy in real scenarios. Compared with the traditional method， the solution has higher robustness and detection efficiency， and can realize the efficient and reliable detection of conveyor belt deviation and material location.

导出引用

陈晓玉, 陈晶, 沈阅, 等. 图像与雷达数据关联的输送带跑偏与料位检测方法研究[J]. 计量学报. 2026, 47(1): 26-34 https://doi.org/10.3969/j.issn.1000-1158.2026.01.04

CHEN Xiaoyu, CHEN Jing, SHEN Yue, et al. Research on Conveyor Belt Deviation and Material Location Detection Method by Image and Radar Data Correlation[J]. Acta Metrologica Sinica. 2026, 47(1): 26-34 https://doi.org/10.3969/j.issn.1000-1158.2026.01.04

中图分类号： TB938.1 TB96

参考文献

列表( 原文顺序 | 文献年度倒序 | 文中引用次数倒序 ) 可视化分析

[1]	JI J H， MIAO C Y， LI X G， et al. Speed regulation strategy and algorithm for the variable‑belt‑speed energy‑saving control of a belt conveyor based on the material flow rate［J］. PLoS ONE， 2021， 16（2）： e0247279. 本文引用 [1]

[2]	孔德明，曹帅，沈阅，等. 基于毫米波雷达获取料堆DEM的插值方法研究［J］. 计量学报， 2022， 43（12）： 1554-1560. KONG D M， CAO S， SHEN Y， et al. Research on Interpolation Method for Obtaining DEM of Material Pile Based on Millimeter Wave Radar［J］. Acta Metrologica Sinica， 2022， 43（12）： 1554-1560. 本文引用 [1]

[3]	ZHANG M C， JIANG K， CAO Y S， et al. A new paradigm for intelligent status detection of belt conveyors based on deep learning ［J］. Measurement， 2023， 213， 112735. 本文引用 [1]

[4]	杨京东，杜贤羿，李大伟，等. 基于矢量控制的带式输送机PMSM调制研究［J］. 山西煤炭， 2022， 42（4）： 107-115. YANG J D， DU X Y， LI D W， et al. Research on PMSM Modulation of Belt Conveyor Based on Vector Control［J］. Shanxi Coal， 2022， 42（4）： 107-115.

[5]	高文兵. 煤矿带式输送机常见故障分析及处理措施探究［J］. 机械管理开发， 2022， 37（11）： 323-324， 327. GAO W B. Analysis of Common Faults of Belt Conveyors in Coal Mines and Exploration of Treatment Measures［J］. Machinery Management and Development， 2022， 37（11）： 323-324， 327. 本文引用 [1]

[6]	朱亮，李东波，李妍，等. 基于FPGA+ MCU的皮带跑偏检测系统研究与设计［J］. 机床与液压， 2014， 42（7）： 86-89. ZHU L， LI D B， LI Y， et al. Research and Design of Belt Deviation Detection System Based on FPGA+ MCU［J］. Machine Tool & Hydraulic， 2014， 42（7）： 86-89. 本文引用 [1]

[7]	王文清，田柏林，冯海明，等. 基于激光测距矿用带式输送机多参数检测方法研究［J］. 煤炭科学技术， 2020， 48（8）： 131-138. WANG W Q， TIAN B L， FENG H M， et al. Research on Multi-parameter Detection Method of Mine Belt Conveyor Based on Laser Ranging［J］. Coal Science and Technology， 2022， 48（8）： 131-138. 本文引用 [1]

[8]	QIAO T Z， LI X Y， PANG Y S， et al. Research on conditional characteristics vision real-time detection system for conveyor belt longitudinal tear［J］. IET Science Measurement Technology， 2017， 11（7）： 955-960 （ISSN： 1751-8822）. 本文引用 [1]

[9]	ZHANG M C， SHI H， YAN Y， et al. A Computer Vision Based Conveyor Deviation Detection System［J］. Applied Sciences， 2020， 10（7）： 2402. 本文引用 [1]

[10]	王星，白尚旺，潘理虎，等. 基于计算机视觉的带式输送机跑偏监测［J］. 煤矿安全， 2017， 48（5）： 130-133. WANG X， BAI S W， PAN L H， et al. Belt Conveyor Deviation Monitoring Based on Computer Vision［J］. Coal Mine Safety， 2017， 48（5）： 130-133. 本文引用 [1]

[11]	林俊，党伟超，潘理虎，等. 基于计算机视觉的井下输送带跑偏检测方法［J］. 煤矿机械， 2019， 40（10）： 169-171. LIN J， DANG W C， PAN L H， et al. Underground Belt Conveyor Deviation Detection Method Based on Computer Vision［J］. Coal Mine Machinery， 2019， 40（10）： 169-171. 本文引用 [1]

[12]	王锴，曾祥进，黎新，等. 输送带跑偏检测方法研究［J］. 工矿自动化， 2023， 49（3）： 23-30. WANG K， ZENG X J， LI X， et al. Research on Belt Deviation Detection Methods［J］. Journal of Mine Automation， 2023， 49（3）： 23-30. 本文引用 [1]

[13]	LIU Y， MIAO C Y， LI X G， et al. Research on Deviation Detection of Belt Conveyor Based on Inspection Robot and Deep Learning［J］. Complexity， 2021（2021）： 3734560. 本文引用 [1]

[14]	MIHUT N M. Designing a system for measuring the flow of material transported on belts using ultrasonic sensors［C］// International Conference on Modern Technologies in Industrial Engineering. 2016. 本文引用 [1]

[15]	张贤，纪佳玉，季念存. 原煤仓料位监测方式的现状和发展［J］. 科技与创新， 2022，（5）： 17-19. ZHANG X， JI J Y， JI N C. Current Situation and Development of Original Coal Warehouse Material Level Monitoring Methods［J］. Science and Innovation， 2022，（5）： 17-19. 本文引用 [1]

[16]	WEN L， LIANG B， ZHANG L Y， et al. Research on coal volume detection and energy-saving optimization intelligent control method of belt conveyor based on laser and binocular visual fusion［J］. IEEE Access，2024，12： 75238-75248. 本文引用 [1]

[17]	范卿，付玲，成超鹏，等. 基于视觉的料仓料位及体积连续动态检测［J］. 建设机械技术与管理， 2022， 35（2）： 27-31. FAN Q， FU L， CHENG C P， et al. Continuous Dynamic Detection of Material Level and Volume in Silos Based on Vision［J］. Construction Machinery Technology and Management， 2022， 35（2）： 27-31. 本文引用 [1]

[18]	程玮，李申岩. 选煤厂智能输煤系统［J］. 工矿自动化， 2023， 49（S2）： 36-39. CHENG W， LI S Y. Intelligent Coal Conveying System in Coal Preparation Plant［J］. Journal of Mine Automation， 2023， 49（S2）： 36-39. 本文引用 [1]

[19]	WANG Y， GUO W， ZHAO F S， et al. A scraper conveyor coal flow monitoring method based on speckle structured light data［J］. Applied Sciences， 2022， 12（14）： 6955. 本文引用 [1]

[20]	LÜ Y Q， LIU B， LIU N， et al. Design of Automatic Speed Control System of Belt Conveyor Based on Image Recognition［C］//2020 3rd International Conference on Artificial Intelligence and Big Data （ICAIBD）. Chengdu， China， 2020： 227-230. 本文引用 [1]

[21]	HOU C C， QIAO T Z， DONG H J， et al. Coal flow volume detection method for conveyor belt based on TOF vision［J］. Measurement， 2024， 229， 114468. 本文引用 [1]

[22]	HE K M， GKIOXARI G， DOLLAR P， et al. Mask R‑CNN［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（7）： 1441-1452. 本文引用 [1]