本发明属于带式输送机检测，特别涉及一种基于改进yolov5算法的皮带托辊异常高温检测方法、系统、设备及介质。
背景技术：
1、带式输送机以其运输量大、功耗小、结构简单、价格低、可靠性高，并且在输送煤炭过程中洒落较少而被广泛应用于煤炭运输，逐渐成为坑口电厂煤炭原料运输的重要装备。带式输送机长时间处于高速、重载的运行状态，且现场工作环境恶劣、运输线路较长、运输量不均匀等原因容易发生胶带跑偏、打滑、撕裂托辊损坏、堵塞、输送带着火引发火灾等故障，不利于煤炭持续稳定地供给严重时会影响周边用煤企业以及煤电单位的产能，甚至直接影响西电东送任务。因此，为保障煤炭行业的高产高效和安全性，有必要对带式输送机进行状态监测及应急防护，保证其在生产过程中安全可靠地运行。随着近年来工业机器人技术的快速发展，各行各业都在追求“机器换人、自动化减人”，以减少企业生产成本、提高作业效率、降低安全风险。
2、皮带托辊是一种安装在运输带上的设备，它能够提供对输送带的有效支撑，使得输送带保持平直、稳定运行。它们均匀地分布在输送带的下方，并提供足够的支持，避免输送带在运输物料时过度下沉或变形；减少输送带与支撑结构之间的摩擦力的作用。通过减少摩擦，可以减小能耗，延长输送带和其他相关设备的使用寿命；引导输送带的方向，使其沿着预定的轨道移动。这对于确保物料的准确输送非常重要，尤其在弯道或转角处；还可以起到一定的缓冲作用，减轻输送带在物料倾倒或冲击时产生的冲击力。这有助于保护输送带和相关设备，减少损坏和维修频率。皮带托辊异常高温会导致托辊部件的变形、松动和融化等问题，这些都将对输送带的正常运行造成影响。如果长时间处于高温环境中，托辊可能会损坏或失效，从而影响输送带的使用寿命。
3、传统的皮带托辊异常高温检测方法主要是人工观察法，温度探测仪器法，热像仪法，温度报警装置法。这些传统的皮带托辊异常高温检测方法各有优劣；人工观察法效率低下，主观性强，容易漏检或误判；温度探测仪器法需要接触皮带托辊表面进行测量，操作不方便且容易受到环境影响，容易产生测量误差。热像仪法设备价格昂贵，购买和维护成本高；同时受到环境因素的影响，如气温、照明等，可能会出现偏差或误判情况；温度报警装置法仅提供简单的报警信号，并不能提供具体的温度数值；而在某些情况下，需要知道具体的温度数值来判断问题的严重程度和采取相应的处理措施。
4、深度学习技术在热图分析中具有广泛的应用，可以通过训练神经网络模型，将热图与对应的温度信息进行关联，实现高温区域的准确检测和定位。通过改进yolov5算法，可以将其应用于热图分析，并对皮带异常高温进行检测。基于改进yolov5算法的皮带托辊异常高温检测方法结合了深度学习、计算机视觉等相关技术，以实现对皮带托辊高温异常的智能检测和预警。这将有助于提高工业生产线的安全性和稳定性。所以有必要设计一种基于改进yolov5算法的皮带托辊异常高温检测方法来解决检测皮带托辊异常高温的问题。
5、公开号为cn116245875a的专利申请文件公开了一种基于深度学习的地铁列车走行部温度检测方法及系统，通过建立改进的yolov5深度学习算法训练模型，将cbam注意力机制纳入到yolov5主干网络，并将原有的ciou损失函数替换为giou损失函数。但由于cbam注意力机制引入了额外的参数并且需要额外的计算资源来学习通道间的关系，从而产生的会增加网络的计算复杂度，模型的存储和内存消耗增加，尤其是对于需要在边缘设备上进行部署的场景的问题。
技术实现思路
1、为了克服上述现有技术的不足，本发明的目的在于提供一种基于改进yolov5算法的皮带托辊异常高温检测方法、系统、设备及介质，通过将se注意力机制添加到yolov5的原始模型中，能够增强特征表达能力，提升感知能力，降低计算成本，从而对皮带输煤过程中托辊高温故障进行精准，高效的诊断。
2、为了实现上述目的，本发明采取的技术方案是：
3、一种基于改进yolov5算法的皮带托辊异常高温检测方法，包括以下步骤：
4、步骤1，设置皮带托辊的红外图像采集系统，利用红外图像采集系统采集皮带输煤过程中皮带托辊的红外热图，按照1：1的比例收集皮带托辊正常温度和异常高温的红外图像；
5、步骤2，将步骤1收集到的红外图像进行人工标签标注，并划分为训练集和测试集；
6、步骤3，将se注意力机制添加到yolov5的主干网络中，建立改进的yolov5模型；
7、步骤4，利用步骤2划分好的训练集和测试集对步骤3改进的yolov5模型进行训练，得到皮带托辊异常高温检测模型。
8、所述步骤1中，红外图像采集系统包括：在输煤皮带3两侧上方安装的滑轨4，输煤皮带3位于皮带托辊2上方，滑轨4上设置有滑轮6，利用滑轮6分别将第一巡检机器人1和第二巡检机器人5固定在滑轨4上，将红外摄像机7分别安装在第一巡检机器人1和第二巡检机器人5的头部，利用第一巡检机器人1和第二巡检机器人5在滑轨4上的移动带动红外摄像机7进行移动，获取输煤皮带3输煤过程中皮带托辊2的红外图像；并按照1：1的比例采集皮带托辊的正常温度和异常高温的红外图像。
9、所述步骤2中，对步骤1收集到的红外图像中的异常高温的图片进行数据标注，使用lableimg软件制作分类标签时定义了1种类别，即class.txt文件中的类别；数据标注之后，将带有标签的.txt文件和对应的源图像按照yolov5的数据集格式进行保存；其中，数据文件夹gw建立在训练代码train.py训练代码同级目录下，即一级目录yolov5-master文件夹下，gw文件下创建datasets文件，且datasets文件夹内创建两个文件夹：images和lables；images文件夹中存放源图像，labels文件夹存放标注框训练信息，images和labels文件夹内分别创建两个文件夹：train和test；train文件夹中分别存放训练集的源图像和标注框训练信息，test文件夹中分别存放测试集的源图像和标注框训练信息。
10、所述步骤3中，yolov5模型包括backbone网络、neck网络和head网络，对yolov5的backbone网络纳入卷积模块的注意力机制模块se，将卷积模块的注意力机制模块se插入到yolov5的backbone中最后一个c3模块和sppf模块之间，得到改进后的yolov5模型。
11、所述步骤4中，模型训练的参数设置如下：yolov5s.yaml文件中的nc＝1；训练代码train.py中设置初始权重，即设置参数weights,设置训练模型文件和数据集参数文件，即设置参数cfg和data,设置迭代次数，即设置参数epochs,设置批量处理文件数，即设置参数batch-size,设置图片大小，即设置参数imgsz，设置gpu加速，即设置参数device,设置多线程设置，即设置参数workers；保存生成的权重文件last.pt和best.pt，其中，last.pt表示训练到最后一轮得到的权重，best.py表示训练时效果最好的一次权重；
12、使用ciou损失函数，计算公式如下：
13、
14、其中，iou表示交并比，ρ表示预测框和真实预测框之间的欧几里得距离，b表示真实框的中心点，bgt表示预测框的中心点，c表示包含地面真相和预测框的最小框的最短对角线长度，α是权重参数，v表示两个边界框的纵横比之间的相似度，wgt和hgt表示地面真相的宽度和高度，w和h分别表示预测框的宽度和高度，ciou表示完全边界回归损失；
15、将步骤2划分好的训练集输入步骤3改进的yolov5模型中，训练集中的红外图像通过yolov5模型中的基础cnn层进行特征提取；提取到的特征包括红外图像中像素的温度值，高温区域的形状、边界和轮廓以及红外图像中的高温区域在图像上的位置，然后生成相应的预测框，计算预测框与真实框的损失函数进而判断是否异常高温，训练完成后，将测试集输入训练后的改进的yolov5模型中，测试模型是否达到预期。
16、一种基于改进yolov5算法的皮带托辊异常高温检测系统，包括：
17、红外图像采集模块，用于设置皮带托辊的红外图像采集系统，利用红外图像采集系统采集皮带输煤过程中皮带托辊的红外热图，按照1∶1的比例收集皮带托辊正常温度和异常高温的红外图像；
18、数据集制作模块，用于将收集到的红外图像进行人工标签标注，并划分为训练集和测试集；
19、改进yolov5模型构建模块，用于将se注意力机制添加到yolov5的主干网络中，建立改进的yolov5模型；
20、改进后的yolov5模型训练模块，用于利用划分好的训练集和测试集对改进的yolov5模型进行训练，得到皮带托辊异常高温检测模型。
21、本发明还提供了一种基于改进yolov5算法的皮带托辊异常高温检测设备，包括：
22、存储器：存储上述一种基于改进yolov5算法的皮带托辊异常高温检测方法的计算机程序，为计算机可读取的设备；
23、处理器：用于执行所述计算机程序时实现所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法。
24、本发明还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法。
25、本发明与现有技术相比，其显著优点在于：
26、1.本发明将改进后的yolov5模型应用于煤矿环境下皮带输送机托辊的高温异常检测，与现有技术中的皮带托辊检测方法相比，能够网络结构更加关注重要的特征，具有增强网络对不同通道之间的关联性学习，帮助网络抑制背景信息，使网络更专注与要识别的目标的特点。
27、2.本发明通过将se注意力机制插入到yolov5的backbone中最后一个c3模块和sppf模块之间，能使网络结构更加关注重要的特征，增强网络对不同通道之间的关联性学习，帮助网络抑制背景信息，使网络更专注与要识别的目标。
28、3.本发明通过将yolov5的原损失函数替换成ciou损失函数，ciou损失函数考虑了预测框与真实框之间的形状差异，能够更准确地衡量预测框和真实框之间的重叠程度；ciou损失函数在计算损失时考虑了预测框和真实框之间的中心点距离，这有助于减轻框的震荡和不稳定性，使训练过程更加稳定。这可以帮助模型更快地收敛，并且更容易地学习到良好的目标检测结果。
29、综上，本发明通过将se注意力机制插入到yolov5的backbone中最后一个c3模块和sppf模块之间，将yolov5的原损失函数替换成ciou损失函数，使得网络能够更加聚焦于对任务关键的特征。在皮带托辊高温异常识别任务中，这意味着网络可以更好地捕捉到与异常区域相关的特征，提高检测的准确性和鲁棒性。
1.一种基于改进yolov5算法的皮带托辊异常高温检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法，其特征在于，所述步骤1中，红外图像采集系统包括：在输煤皮带(3)两侧上方安装的滑轨(4)，输煤皮带(3)位于皮带托辊(2)上方，滑轨(4)上设置有滑轮(6)，利用滑轮(6)分别将第一巡检机器人(1)和第二巡检机器人(5)固定在滑轨(4)上，将红外摄像机(7)分别安装在第一巡检机器人(1)和第二巡检机器人(5)的头部，利用第一巡检机器人(1)和第二巡检机器人(5)在滑轨(4)上的移动带动红外摄像机(7)进行移动，获取输煤皮带(3)输煤过程中皮带托辊(2)的红外图像；并按照1：1的比例采集皮带托辊的正常温度和异常高温的红外图像。
3.根据权利要求1所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法，其特征在于，所述步骤2中，对步骤1收集到的红外图像中的异常高温的图片进行数据标注，使用lableimg软件制作分类标签时定义了1种类别，即class.txt文件中的类别；数据标注之后，将带有标签的.txt文件和对应的源图像按照yolov5的数据集格式进行保存；其中，数据文件夹gw建立在训练代码train.py训练代码同级目录下，即一级目录yolov5-master文件夹下，gw文件下创建datasets文件，且datasets文件夹内创建两个文件夹：images和lables；images文件夹中存放源图像，labels文件夹存放标注框训练信息，images和labels文件夹内分别创建两个文件夹：train和test；train文件夹中分别存放训练集的源图像和标注框训练信息，test文件夹中分别存放测试集的源图像和标注框训练信息。
4.根据权利要求1所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法，其特征在于，所述步骤3中，yolov5模型包括backbone网络、neck网络和head网络，对yolov5的backbone网络纳入卷积模块的注意力机制模块se，将卷积模块的注意力机制模块se插入到yolov5的backbone中最后一个c3模块和sppf模块之间，得到改进后的yolov5模型。
5.根据权利要求1所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法，其特征在于，所述步骤4中，模型训练的参数设置如下：yolov5s.yaml文件中的nc＝1；训练代码train.py中设置初始权重，即设置参数weights,设置训练模型文件和数据集参数文件，即设置参数cfg和data,设置迭代次数，即设置参数epochs,设置批量处理文件数，即设置参数batch-size,设置图片大小，即设置参数imgsz，设置gpu加速，即设置参数device,设置多线程设置，即设置参数workers；保存生成的权重文件last.pt和best.pt，其中，last.pt表示训练到最后一轮得到的权重，best.py表示训练时效果最好的一次权重；
6.实现权利要求1至5任一所述方法的系统，其特征在于，包括：
7.一种基于改进yolov5算法的皮带托辊异常高温检测设备，其特征在于，包括：
8.一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时能够实现权利要求1-5任一项所述的一种基于改进yolov5算法的皮带托辊异常高温检测方法。
