输送带撕裂会显著降低矿物运输效率，甚至引发安全隐患。传统撕裂检测技术存在成本高、效率低等缺点，部分检测系统需要对输送带生产线进行改造，难以满足大规模、长距离输送带巡检需求。近年来，机器视觉技术在工业检测领域得到广泛应用，针对矿用输送带撕裂检测领域已发展出一系列解决方案。值得注意的是，融合深度学习算法的相关技术显著提升了特征分析能力，展现出更为广阔的应用前景。在此背景下，本文致力于从多个维度对现有可见光视觉检测方法进行全面深入的综述与分析，包括技术原理剖析、应用实践探索以及性能评估严谨性等方面。通过对比各类方法的优缺点，本文旨在洞察矿用输送带撕裂检测的未来发展趋势，为该领域相关研究与实践提供有价值的参考。
1 引言
矿用输送带系统在工业自动化技术快速发展的背景下持续优化升级。相较于传统运输方式，输送带因其部署灵活、运输距离长、输送量大等优势已成为矿业不可或缺的装备。然而在实际运行中，矿用输送带面临复杂多变的工况、多样化的输送带材质及运输对象等挑战，导致全天候运行中必然出现各类异常。若不能及时检测并妥善处理这些异常，将严重降低运输效率，甚至引发安全事故，对生产流程和人员安全构成严峻挑战。因此，强化输送带监控与维护、全面提升异常检测与快速响应能力，已成为当前行业紧迫而关键的研究方向。
在输送带各类异常中，撕裂因其隐蔽性强、破坏性大而被公认为最具威胁性的异常类型。基于现有研究分析，早期输送带撕裂检测主要依赖三种传统方法：(1)基于X射线的检测技术，利用X射线强穿透能力检测输送带内部撕裂等异常，但存在设备复杂、运维成本高、存在生物危害等问题；(2)基于电磁感应的检测方法，通过检测输送带或其辅助设备电磁特性的变化来判断撕裂的存在，但同样面临设备复杂、环境敏感等挑战；(3)基于声信号的检测方法，通过采集输送带运行声音信号进行分析，但在复杂噪声环境下易产生漏检和误报。
近年来，机器视觉技术凭借其非接触特性，能够高效捕获输送带表面图像信息，从而精确检测撕裂的位置和尺寸，为维护策略制定提供可靠依据。本文整合机器视觉领域众多研究成果，对可见光视觉撕裂检测涉及的算法与硬件技术进行系统详尽分析，并从工程应用视角对各种方法的有效性进行综合比较与评价，总结该领域未来研究可能面临的挑战，为后续研究提供有价值的参考与启示。
2 机器视觉技术研究进展
机器视觉是指利用机器代替人眼进行测量和判断的技术，涵盖光学照明、图像处理、数据压缩、控制工程等多个研究分支，是典型的交叉融合技术。机器视觉系统通过成像装置将物体转化为图像信号，并运用视觉算法提取物体特征，为后续决策与控制提供依据。
早期机器视觉算法通过人工设计的数学模型提取颜色、纹理、形状等浅层图像特征，但过于依赖经验且受主观判断制约，提取的浅层特征往往无法准确全面表征物体图像特征，且易受环境变化影响，通用性与泛化能力较差。为提升视觉算法效能，研究人员将机器学习方法与人工数学模型相结合，将浅层图像特征转化为中高层语义特征，经典方法包括支持向量机(SVM)、BP(Back Propagation)神经网络和Ada-boost(Adaptive Boosting)等，但其准确性和鲁棒性仍不理想，根本原因在于这些方法仍以人工设计的浅层特征作为输入，算法自主学习能力受限，且实时性无法保证。
随着硬件能力提升和人工智能(AI)发展，基于AI的机器视觉算法已达到工程应用水平。深度学习(DL)作为机器学习的重要分支，以卷积神经网络(CNN)为骨干，通过让CNN自主学习图像高层语义特征，避免了人工干预和经验判断造成的学习偏差，在准确性、鲁棒性和实时性方面表现更优。目前基于DL的视觉算法主要分为图像分类、目标检测和语义分割三类。图像分类技术根据属性差异对物体图像进行分类，是目标检测和语义分割的基础，经典网络包括VGG、ResNet和DenseNet等。目标检测技术采用视觉算法定位图像中感兴趣物体并提供类别和坐标位置，现有方法按检测原理分为一阶段方法（如YOLO、SSD）和两阶段方法（如R-CNN、Fast R-CNN、Faster R-CNN），前者实时性更优，后者精度更高。语义分割及其分支实例分割也在快速发展，经典方法包括Mask R-CNN、U-Net和FCN等，但对数据集质量要求高，标注耗时耗力，工业场景应用相对有限。
3 撕裂图像获取与预处理研究进展
矿用输送带采用上下两层结构以最大化空间利用率和运输效率，由驱动滚筒驱动，改向滚筒改变包角。上层输送带上表面常承载大量矿物，妨碍直接成像，因此多数研究将工业相机安装于上下层输送带之间，间接捕获上层输送带下表面图像。上层输送带在复合托辊外力作用下呈"U"形结构，下层保持平直，这种结构差异及动态因素增加了图像获取的复杂性。
为有效模拟真实撕裂场景，部分研究者构建了实验室微型输送带仿真平台，通过尖锐物体划伤输送带制造模拟撕裂图像。常见工业相机包括可见光相机（400-700nm）、红外相机（0.75μm-1000μm）和紫外相机（200-400nm）。可见光相机工作原理类似人眼，成本较低、安装简便、维护方便，适合长距离输送带大规模部署。近年来，"可见光-红外"双视觉融合机制受到关注，利用撕裂区域因机械摩擦和塑性变形产生的局部瞬态热效应，结合可见光相机同步获取的几何特征，实现多维度特征提取与综合判断，但面临复杂热环境干扰、系统成本与维护复杂性、算法设计与工程适应性等挑战。
图像获取过程中光照质量要求极为严格，但输送带附近照明系统常存在光照不稳定问题，严重影响撕裂特征的成像质量。现有研究采用定制LED光源优化照明条件，提升撕裂特征成像清晰度。图像传输方面，传统有线传输在长距离大规模应用中存在安装复杂、成本高等局限，WIFI和5G等无线传输技术的发展为该问题提供了新方案，如5G模块SIM8202G-M2支持TCP/IP协议，可实现与撕裂检测主机系统的高效稳定高速双向数据传输。
图像预处理方面，针对图像冗余信息和退化问题，采用图像分解、裁剪、设置感兴趣区域(RoI)等技术减少处理面积；针对粉尘、雾气和机械振动导致的图像退化，采用分段线性变换、暗通道先验、直方图均衡化等算法增强图像清晰度；针对采集过程中的噪声干扰，采用均值滤波、中值滤波、高斯滤波等算法进行降噪处理。
4 基于传统人工特征的检测方法研究进展
传统检测方法利用撕裂出现时投射直光线带发生变形或断裂的原理，将直接检测表面撕裂的任务转化为检测投射直光线带状态异常变化。为减少自然光对投射线光的潜在干扰，实际应用中通常检测系统侧面安装遮光装置。
4.1 基于轮廓分析的方法
这类方法关注目标整体轮廓信息的全面捕获与深入分析，通过提取轮廓特征并进行形态学分析，利用轮廓的几何性质及轮廓间相对位置关系构建描述模型，与预设正常轮廓模型比较判断异常存在。适用于撕裂导致输送带表面局部轮廓显著变化的场景，能快速确定是否存在撕裂并评估严重程度。
为减轻干扰轮廓影响，有研究建立人工阈值进行输送带图像精确分割，并利用形态学操作消除干扰轮廓；另有研究提出基于激光网格的自适应轮廓分割算法，将撕裂区域分割任务转化为激光网格区域分割，利用激光网格投影区与图像背景的像素强度显著差异进行初步筛选。还有研究采用ZLM25AL650-12GD设备投射清晰直激光线，应用Otsu算法分割投影线轮廓，通过混合ZS方法与质心法精确提取投影线轮廓质心，并设计三准则投票策略进行最终判断。针对传统Otsu算法搜索时间长、过度分割、实时性差等不足，研究者引入狮群算法进行优化，处理单张图像时间降至约0.5秒。此外，视觉显著性算法、像素邻域差分法、多激光投影方案、线扫描相机结合改进SSR算法等也在该领域得到应用。
4.2 基于边缘分析的方法
这类方法重点关注目标边缘的细微变化与特征，利用边缘检测算法处理图像突出目标边缘，进而分析边缘强度、方向和连续性等特征。在输送带撕裂检测中，撕裂通常会在受影响部位引起不连续性或产生新边缘特征，通过提取分析这些边缘特征可判断撕裂存在。适用于检测微小或早期撕裂场景。
有研究采用Roberts算子提取撕裂边缘，但该算子对噪声敏感；后续研究采用更精确的Canny算子检测激光线边缘，并引入霍夫变换算法进行精细线拟合，通过计算图像中各线bounding box宽高比与预设阈值比较判定撕裂。另有研究直接测量撕裂边缘bounding box长度直观判断撕裂严重程度，同时利用宽高比揭示裂口宽度信息。
4.3 基于角点分析的方法
这类方法专注于识别定位目标表面角点结构，利用角点检测算法搜索图像中的角点，分析角点分布、数量和相对位置关系等特征。输送带撕裂可能导致表面角点分布改变，通过分析角点特征变化判断撕裂存在。适用于输送带表面具有明显角点特征且撕裂会影响角点分布的场景。
正常光滑输送带表面不存在角点，撕裂时会在表面不平整区域出现角点。有研究采用Harris算法检测投射激光线上的角点，引入K3M算法迭代提取精确线性骨架信息并消除边缘毛刺，建立基于角点和线条数量的阈值策略。针对单条投射激光线检测的局限性，有研究设计激光线网格矩阵投影方案，采用Harris角点检测算法精确识别撕裂产生的角点。考虑到Harris算法易检测假角点且速度较慢，有研究提出采用Fast算法识别直线上角点，利用霍夫变换准确检测直线，通过深入分析角点与直线的空间位置关系建立有效撕裂判断机制。
5 基于学习的检测方法研究进展
5.1 基于CNN的分类方法
众多经典分类网络架构为图像分类任务提供了坚实技术支撑。VGG、ResNet、DenseNet等网络通过优化网络结构、增加深度和改进特征提取方法，显著提升了图像分类准确鲁棒性。研究者将这些经典架构应用于输送带撕裂图像分类领域，设计专门网络模型，在一定程度上能准确判断输送带图像中是否存在撕裂。但这些网络无法提供撕裂具体位置和尺寸信息，且对小目标表现不佳，难以满足工程应用的实际需求。
5.2 基于CNN的目标检测方法
YOLO、RCNN、SSD等目标检测网络表现卓越，其骨干通常构建于成熟分类网络之上，通过网络细调机制可针对特定目标检测任务重新训练。为全面评估检测效果，建立了精确率、召回率、AP(Average Precision)、mAP(mean Average Precision)、IoU(Intersection over Union)等评价指标。
输送带撕裂检测与桥梁裂缝检测、铁轨裂缝检测等场景高度相似。研究者将成熟网络引入输送带撕裂检测领域，通过细调适应工程需求。有研究采用K-means算法对数据集bounding box尺寸进行聚类分析，获得六种代表性撕裂尺寸作为先验，训练ADCN(Adaptive Deep Convolutional Network)，相比SVM表现出更优检测性能。针对网络架构设计，有研究利用EfficientNet架构的可扩展灵活性，以之替换YOLOv3中的Darknet53结构，优化网络架构并提升有限计算资源下的检测精度；有研究将YOLOv4中CSPDarknet53替换为MobileNet网络，构建轻量化YOLOv4变体，撕裂检测速度达70.26 FPS；有研究提出基于YOLOv4-tiny的撕裂检测方法，并引入SE(Squeeze and Excitation)注意力机制优化网络架构以缓解特征通道间潜在干扰；有研究采用CutMix算法增强撕裂图像多样性，设计专门的YOLOv4-Belt网络；有研究在YOLOv5s中引入SE、CA、CBMA、MCA等多种视觉注意力模块，综合评估表明配备MCA模块的YOLOv5s网络性能最佳；有研究将知识蒸馏策略融入网络轻量化过程，基于CenterNet框架设计融合通道-空间注意力机制，并引入Kullback-Leibler散度策略最小化师生网络特征分布差异；有研究以Sim-SPP-FCSPC模块替换YOLOv7中原SPP-CSPC模块提升检测速度，并以EIoU(Enhanced Intersection over Union)替代CIoU(Complete Intersection over Union)提升bounding box定位精度；有研究针对YOLOv8s参数量大的问题，选取更高效的FasterNet作为骨干网络，以ODConv模块替换C2f模块，并引入Sim注意力机制提供三维权重以增强对关键撕裂特征的关注。
5.3 基于CNN的语义分割方法
U-Net、FCN、SegNet、Mask R-CNN等经典语义分割网络应用于输送带撕裂分割任务时，能够提供损伤状况的精确像素级描述，清晰展示撕裂的具体位置、尺寸和详细形状特征。为科学评估分割性能，研究者开发了PA(Pixel Accuracy)、CPA(Class Pixel Accuracy)、MPA(Mean Pixel Accuracy)、IoU等评价指标。
有研究采用U-Net网络进行更精确的撕裂分割，并利用高斯曲线拟合法提取投射激光线中心骨架线，通过分析骨架线上相邻像素点距离及曲率变化实现撕裂准确定位。针对工业相机分辨率差异，有研究对U-Net架构进行针对性优化，增强其对多种相机分辨率的适用性。为提升U-Net网络前后向传播效率，有研究优化卷积核尺寸、改进上下采样操作、简化输出层设计以降低网络总参数量，并将语义分割获得的像素区域坐标逆映射至世界坐标系，准确计算撕裂空间位置和尺寸，实现损伤位置和大小的三维定量分析。针对STDC(Short-Term Dense Concatenate)网络中ARM(Attention Refine Module)分割小撕裂效果欠佳的问题，有研究采用OFM(Optimized Feature Module)和FFM(Fusion Feature Module)替换ARM，设计特征融合机制增强高层语义信息与低层空间信息的融合，有效提升网络捕获撕裂细节和分割小撕裂的能力。此外，有研究融合GLCM(Gray Level Co-occurrence Matrix)浅层纹理特征提取与VGG网络深层语义特征挖掘，将两类特征融合后训练SVM，实现撕裂现象的精确判别。
6 现有挑战与未来路线图分析
6.1 图像获取挑战与路线图
获取高对比度、特征鲜明的撕裂图像可显著简化检测算法复杂度。输送带表面自然光照常不稳定，地下输送带依赖人工照明导致图像对比度低，地面输送带虽自然光充足但存在大量不规则自然光干扰。建议未来安装专用遮光板隔离自然光干扰，并采用定制光源为输送带表面提供精确照明，根据实际条件精心设计光源结构布局、功率输出和光色等关键参数。
6.2 图像预处理挑战与路线图
撕裂图像不可避免受到噪声污染导致退化，撕裂特征呈现模糊。均值滤波、中值滤波、高斯滤波、双边滤波等算法广泛应用于去噪，各有适用域和优缺点。近年来基于CNN的图像去噪方法如DnCNN-B、FFDNet、CBDNet等受到关注，未来有望针对输送带撕裂图像去噪进行适配优化。输送带冬季早晨水雾覆盖场景使图像去雾算法研究同样重要，基于CNN的去雾算法如UCL-Dehaze、BAD-Net、QCNN-H、RefineDNet等展现出优异图像复原能力。此外，卸料漏斗区域振动导致的图像模糊、输送带表面清扫痕迹与撕裂视觉相似性、恶劣天气形成的泥浆附着等问题，目前缺乏普适有效的图像预处理方案，亟待深入研究。
6.3 数据增强挑战与路线图
矿业输送带撕裂公开高质量数据集稀缺严重制约相关研究发展。撕裂发生具有相当随机性，特征不固定，准确分类构建全面数据集异常困难。现有数据增强技术分为离线增强和在线增强两类，离线增强包括图像翻转、加噪、色彩通道调整、缩放、随机裁剪等；在线增强包括Mixup、CutMix、SnapMix、FMix、ReMixMatch等。近年来基于GANs(Generative Adversarial Networks)生成大量合成图像进行数据增强成为有前景的研究趋势，但存在模型参数量大、训练耗时的问题，未来可探索GANs轻量化策略。
6.4 轻量化网络设计挑战与路线图
输送带常安装于远离监控室的区域，图像处理分析耗时导致报警延迟。部署边缘计算设备可显著减少处理时间，但其计算能力有限，不适合运行大规模参数CNN。未来研究应聚焦于网络轻量化设计方向，在检测性能与计算资源消耗间取得良好平衡。现有轻量化方法主要包括量化、剪枝和知识蒸馏，但各有不足，需持续探索更高效全面的轻量化策略。
6.5 多传感器融合挑战与路线图
输送带表面特殊结构或修复痕迹（如印刷标签、硫化接头）形成的缝线与撕裂边缘在图像中呈现相似的尖锐梯度变化特征，给检测算法带来显著挑战，低光照条件下尤为突出。除可见光图像外，可利用红外相机等其他传感器捕获特征更明显的图像。红外相机在输送带火灾检测、托辊过热检测等领域已有应用，理论上撕裂区域摩擦生热在红外图像中呈现显著梯度异常。但当前多数研究仅在实验室仿真平台验证，未在实际工况下测试，且单一红外图像检测易受复杂场景干扰。多传感器融合技术通过整合多源数据，有效弥补单一数据源局限，提升检测准确性和鲁棒性。已有研究探索"可见光图像&红外图像"的特征级和决策级融合，但该方向专门研究较少，无疑是高度有前景的研究方向。此外，基于激光、声信号、X射线、多光谱图像及多传感器融合等技术方案在输送带撕裂检测中均具应用潜力，未来可进一步探索配备多传感器的机器人科学检测方法。
6.6 其他挑战与路线图
将输送带速度监测技术与时间信息融合，可为维护人员提供精确的三维撕裂位置数据，显著提升修复效率。新材料技术发展为设计创新撕裂检测传感器提供新趋势，如基于石墨烯-铜复合材料柔性应变传感器GrCuNPs展现出检测潜力。矿物运输系统中外物检测研究致力于在撕裂发生前主动识别混入矿物中的外物，从源头预防撕裂事故，与"工业4.0"预测性维护理念高度契合。此外，开发高效友好的人机界面(HMI)对提升撕裂检测效率具有重要作用，未来设计应包含实时图像监控查看、撕裂事件即时报警记录、历史数据便捷访问、自动生成年月日报表等多样化数据管理功能。
打赏
