传送带在交通运输的各个场景下,都扮演着至关重要的作用。而在传送带长距离运输中,其缺陷破损容易带来严重的经济损失与重大的安全事故。目前,工业界大多是培训工人巡视检查,然而这些方法耗时长、效率低、代价昂贵。因此,本文则以煤矿行业中的复杂背景下的运输传送带为对象,研究如何利用机器视觉代替人眼,实时地检测传送带表面缺陷,并通过传感器和光流法相结合的方法定位检测到的缺陷部位,方便工作人员定点维修。论文主要开展的工作如下:(1)由于目前国内外还没有传送带表面缺陷数据库,为了验证缺陷检测网络性能,本文提出了一种新颖的图像合成方法:利用现有的少量缺陷样本,采用DCGAN(Deep Convolutional Generative Adversarial Networks,DCGAN)的思想,合成大量的多样性的缺陷负样本,并在此方法的基础上建立具有5万余张的缺陷数据集。该数据集对于未来研究传送带表面缺陷检测问题具有极大的应用价值。(2)本文对目前常用的目标检测算法Faster RCNN和YOLO的特点与原理分析,经过对比实验,确定将YOLOv2算法作为传送带表面缺陷检测算法,实验证明利用建立的缺陷数据集训练检测网络后,在测试数据中的精确度达到95.2%。并且,引入K-means聚类确定锚框方案与在特征提取网络中使用指数线性单元激活函数,使得检测精度与定位精度分别提升了0.5%和1.1%,训练时间节省了16.7%。(3)对于缺陷定位部分,本文将霍尔型接触式传感器与稠密光流法相结合,利用传送带累计移动距离计算相对位移得到缺陷的具体位置。该方法不仅不受运行方向的影响,而且将缺陷定位误差控制在±10米内,在模拟实验中,定位准确度达96%,满足了长距离传送带检修的定位要求。(4)本文提出了一个完整的传送带表面缺陷检测系统并设计可视化界面。该系统可以快速准确的检测传送带表面缺陷,人机交互界面可以清晰显示缺陷实时位置,具有告警分类,历史报表生成等功能,并经过现场测试验证了本文理论研究成果的可行性与有效性,具有极大的实用价值。综上所述,本文以计算机视觉与传感器技术为基础,研究了复杂环境下的传送带表面缺陷的检测与定位问题,为在工业界的实际应用提供了新思路。图47幅,表8个,参考文献70篇。