An Intelligent Detection Method for Conveyor Belt Deviation State Based on Machine Vision
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
To address the shortcomings of existing conveyor belt deviation detection methods, such as poor fault location accuracy, a low automation level and low reliability, a method that utilizes machine vision technology to detect belt deviations in belt conveyors is proposed.This method involves preprocessing operations on captured video images, including Region of Interest (ROI) extraction, grayscale processing, and noise reduction, thereby eliminating image noise and interference.To address the edge blurring due to Gaussian filtering and threshold setting issues in Canny detection, an enhanced edge detection technique using a guided filter and the Otsu method modifies the traditional Canny operator is introduced.Subsequent application of Hough Transform and least squares fitting processes delineate the edges of the conveyor belt and its rollers during operation.Utilizing the detected edges of the conveyor belt and rollers as references, a dual-baseline positioning method is for the first time proposed to quantify the deviation degree, facilitating the identification of deviation faults.After detection with the improved Canny algorithm, clearer contour binary images with fewer noise and impurities were obtained.Experiments conducted on images from various deviation scenarios yielded an average detection accuracy of 95.4% and a detection speed of 26 frames per second (FPS).This approach not only enhances the detection speed and accuracy but also reduces the frequency of conveyor belt failures and improves the operational efficiency of belt conveyors.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle