相关实验视频
Updated: Jan 12, 2026
11:10
Fabrication and Operation of a Nano-Optical Conveyor Belt
Published on: August 26, 2015
12.0K
使用激光扫描和深度学习技术,精确检测输送带表面的微损伤
Yingxiu Li1, Fule Yang2, Jianye Dong3
1College of Mechanical and Electronic Engineering, Shandong Agricultural University, Tai'an, 271018, Shandong, China.
Scientific reports
|November 6, 2025
概括
这项研究引入了一种先进的输送带检查系统,使用激光扫描和深度学习来精确检测微损坏. 改进后的系统在恶劣的工业环境中提高了可靠性,并使微妙缺陷的早期识别成为可能,支持预测性维护.
科学领域:
- 工业自动化 工业自动化
- 机器视觉 机器视觉 机器视觉
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 工业输送带是关键基础设施,需要强大的检查方法.
- 传统的检查系统难以应对恶劣的环境 (灰尘,振动,低光) 和检测微妙的缺陷.
- 早期缺陷检测对于预测性维护,安全和运营效率至关重要.
研究的目的:
- 开发一个先进的输送带检查系统,用于高精度的微损坏检测.
- 克服恶劣工业环境和微妙缺陷识别的挑战.
- 提高工业检查系统的可靠性和效率.
主要方法:
- 开发了一个创新的硬件平台,结合激光照明和高速成像.
- 提出了一个改进的You Only Look Once (YOLO) v7深度学习模型,其中包括F-ReLU,SPPFCSPC,EIoU损失和SE-Net.
- 从实验室和现场 (煤焦厂) 样本构建了一个全面的数据集.
主要成果:
- 改进的YOLOv7模型实现了96.6%的平均平均精度 (mAP@0.5),超过了基线YOLOv7 (90.7%) 和其他探测器.
- 与DETR和RT-DETR相比,证明了更高的精度和效率.
- 通过72小时的连续运行和低光工业部署验证了系统稳定性和适应性.
结论:
- 集成的激光增强成像和深度学习系统为输送带检查提供了强大的解决方案.
- 该系统为预测性维护,安全生产和可持续运营提供了实际价值.
- 这项工作在工业4.0原则中推进了输送系统的数字化和智能自动化.
