煤矿皮带运行状态监测预警系统 YOLOv5

煤矿皮带运行状态监测预警系统通过深度学习技术，煤矿皮带运行状态监测预警系统自动对传输皮带运行状态进行实时监测，煤矿皮带运行状态监测预警系统当监测到皮带撕裂、跑偏、异物、堆煤等异常情况时，立即抓拍预警及时停止皮带同步回传违规信息到后台提醒工作人员及时。煤矿皮带运行状态监测预警系统可以提高后台工作人员对异常危险情况的反应能力，发现异常危险情况时第一时间到现场进行检修，可以通过提升煤矿生产作业监控区域的管控效率来减少损失。

针对不同的目标检测算法而言，我们通常需要执行图片缩放操作，即将原始的输入图片缩放到一个固定的尺寸，再将其送入检测网络中。YOLO系列算法中常用的尺寸包括416*416，608 *608等尺寸。原始的缩放方法存在着一些问题，由于在实际的使用中的很多图片的长宽比不同，因此缩放填充之后，两端的黑边大小都不相同，然而如果填充的过多，则会存在大量的信息冗余，从而影响整个算法的推理速度。为了进一步提升YOLOv5算法的推理速度，该算法提出一种方法能够自适应的添加最少的黑边到缩放之后的图片中。

随着科技的发展和人们生活水平的进步，大家对于煤矿、化工厂、电力水泥等生产作业区域安全更加重视。其中皮带是煤矿水泥厂作业使用比较频繁的工具广泛应用于煤炭、矿山、港口、电力、冶金、化工等领域。在使用过程中，经常会产生皮带跑偏、撕裂等问题，跑偏严重时，在一侧可能出现折叠，甚至撕裂皮带。一旦发生撕裂现象，需要大量的时间和资金对皮带进行修补工作，皮带便无法运料影响生产，带来巨大的经济损失。

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size=batch_size)

def evaluate_accuracy_gpu(net, data_iter, device=None): #@save
    """使用GPU计算模型在数据集上的精度。"""
    if isinstance(net, torch.nn.Module):
        net.eval()  # 设置为评估模式
        if not device:
            device = next(iter(net.parameters())).device
    # 正确预测的数量，总预测的数量
    metric = d2l.Accumulator(2)
    for X, y in data_iter:
        if isinstance(X, list):
            X = [x.to(device) for x in X]
        else:
            X = X.to(device)
        y = y.to(device)
        metric.add(d2l.accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

#@save
def train_ch6(net, train_iter, test_iter, num_epochs, lr, device):
    """用GPU训练模型。"""
    def init_weights(m):
        if type(m) == nn.Linear or type(m) == nn.Conv2d:
            nn.init.xavier_uniform_(m.weight)
    net.apply(init_weights)
    print('training on', device)
    net.to(device)
    optimizer = torch.optim.SGD(net.parameters(), lr=lr)
    loss = nn.CrossEntropyLoss()
    animator = d2l.Animator(xlabel='epoch', xlim=[1, num_epochs],
                            legend=['train loss', 'train acc', 'test acc'])
    timer, num_batches = d2l.Timer(), len(train_iter)
    for epoch in range(num_epochs):
        # 训练损失之和，训练准确率之和，范例数
        metric = d2l.Accumulator(3)
        net.train()
        for i, (X, y) in enumerate(train_iter):
            timer.start()
            optimizer.zero_grad()
            X, y = X.to(device), y.to(device)
            y_hat = net(X)
            l = loss(y_hat, y)
            l.backward()
            optimizer.step()
            with torch.no_grad():
                metric.add(l * X.shape[0], d2l.accuracy(y_hat, y), X.shape[0])
            timer.stop()
            train_l = metric[0] / metric[2]
            train_acc = metric[1] / metric[2]
            if (i + 1) % (num_batches // 5) == 0 or i == num_batches - 1:
                animator.add(epoch + (i + 1) / num_batches,
                             (train_l, train_acc, None))
        test_acc = evaluate_accuracy_gpu(net, test_iter)
        animator.add(epoch + 1, (None, None, test_acc))
    print(f'loss {train_l:.3f}, train acc {train_acc:.3f}, '
          f'test acc {test_acc:.3f}')
    print(f'{metric[2] * num_epochs / timer.sum():.1f} examples/sec '
          f'on {str(device)}')

煤矿皮带运行状态监测预警系统对监控画面中皮带运行状态进行7*24小时不间断实时检测。煤矿皮带运行状态监测预警系统监测到皮带跑偏、撕裂、异物或者堆煤等异常现象时，煤矿皮带运行状态监测预警系统不需要人工操控立刻进行告警并及时停下皮带，通知监控管理处工作人员及时去处理。煤矿皮带运行状态监测预警系统降低了传统监控需要人员一直盯屏幕产生的误报漏报情况，整体效率大幅度提高。