传送带的检测方法、装置和电子设备

技术领域

本申请涉及煤炭传送带检测领域，具体而言，涉及一种传送带的检测方法、装置、计算机可读存储介质和电子设备。

背景技术

煤炭产业是我国重要的基础产业，煤炭产业的可持续发展关系国民经济健康发展和国家能源安全。在煤矿采集的过程中，有时会发生传送带跑偏、大型异物混入造成传送带撕裂等故障，易引发安全事故及造成重大经济损失。

目前针对传送带异常的检测方法主要包括人工法检测、射线法检测以及视频图像检测。其中，人工检测法需要专属工人全天候关注传送带情况是否异常，需要较高的人力成本；射线检测法需要专业的设备来识别异物，需要较高的成本投入以及维护，且无法解决传送带跑偏的问题；视频图像检测方法可以通过计算机视觉相关知识，利用摄像头拍摄的传送带视频来实时监测传送带，当遇到异常情况时会自动输送警报信息，所需求的人力成本及经济投入成本较低，是目前应用最为广泛的传送带异常检测方法。

基于视频图像检测的识别方法主要包括人工设计图像特征以及深度学习自动提取特征两种方式。由于人工提取特征存在着设计复杂等局限性，目前深度学习方法自动提取特征方式应用较广。然而，在煤炭采集过程中，传送带异常会造成大量的经济损失，因此为了收集异常样本训练模型而让传送带处于异常状态下是不现实的，因此，目前较难采集传送带处于异常状态下的异常样本，导致传送带的检测准确率较低。

发明内容

本申请的主要目的在于提供一种传送带的检测方法、装置、计算机可读存储介质和电子设备，以解决现有技术中较难采集传送带处于异常状态下的异常样本，导致传送带的检测准确率较低的问题。

根据本发明实施例的一个方面，提供了一种传送带的检测方法，包括：获取传送带的历史图像，所述历史图像是图像采集设备采集得到的；对所述历史图像进行压缩处理和还原处理得到历史重构图像，并根据所述历史图像和所述历史重构图像构建重构模型；获取所述传送带的当前图像，将所述当前图像输入至所述重构模型中进行压缩处理和还原处理，得到当前重构图像；比较所述当前重构图像和所述当前图像的相似度，根据所述相似度确定所述传送带是否异常。

可选地，在根据所述历史图像和所述历史重构图像构建重构模型的过程中，所述方法还包括：构建编码器模块和解码器模块，其中，所述编码器模块由第一数量的卷积神经网络层构成，所述解码器模块由第二数量的卷积神经网络层构成，所述编码器模块用于将第一尺寸的所述历史图像压缩为第二尺寸的所述历史图像，所述解码器模块用于将所述第二尺寸的所述历史图像还原为所述第一尺寸的所述历史重构图像，其中，所述第一尺寸大于所述第二尺寸；获取所述编码器模块的第一映射信息，获取所述解码器模块的第二映射信息，所述第一映射信息是指所述第一尺寸的所述历史图像与所述第二尺寸的所述历史图像的映射关系，所述第二映射信息是指所述第二尺寸的所述历史图像与所述第一尺寸的所述历史重构图像的映射关系；根据所述历史图像、所述第一映射信息和所述第二映射信息，确定所述重构模型的损失函数。

可选地，在根据所述历史图像、所述第一映射信息和所述第二映射信息，确定所述重构模型的损失函数之后，所述方法还包括：获取多个第一损失函数，所述第一损失函数是所述第一映射信息对应的所述损失函数，多个所述第一损失函数是将第三数量的所述历史图像作为训练集，输入至所述重构模型中得到的；获取多个第二损失函数的平均值，所述第二损失函数是所述第二映射信息对应的所述损失函数，多个所述第二损失函数是将第四数量的所述历史图像作为验证集，输入至所述重构模型中得到的；确定与所述平均值的差值最小的所述第一损失函数为目标损失函数，并确定目标损失函数对应的所述第一映射信息为目标映射信息。

可选地，根据所述相似度确定所述传送带是否异常，包括：在所述相似度大于或者等于相似度阈值的情况下，确定所述传送带正常；在所述相似度小于所述相似度阈值的情况下，获取所述当前图像中的第一区域和第二区域，所述第一区域是指所述传送带所在的区域，所述第二区域是指非所述传送带所在的区域；根据目标区域所处的位置确定所述传送带是否异常，所述目标区域是指所述当前图像与所述当前重构图像的所述相似度小于所述相似度阈值的区域。

可选地，获取所述当前图像中的第一区域和第二区域，包括：获取多个预定坐标点，所述预定坐标点是所述当前图像中用于标注所述第一区域的位置坐标点；确定多个所述预定坐标点围成的区域为所述第一区域；确定所述当前图像中除所述第一区域之外的区域为所述第二区域。

可选地，根据目标区域所处的位置确定所述传送带是否异常，包括：在所述目标区域处于所述第一区域内的情况下，确定所述传送带异常；在所述目标区域处于所述第二区域内的情况下，确定所述传送带正常；在所述目标区域有部分处于所述第一区域内、有部分处于所述第二区域内的情况下，确定所述传送带异常。

可选地，在根据所述相似度确定所述传送带是否异常之后，所述方法还包括：在确定所述传送带异常的情况下，根据所述当前图像和所述当前重构图像，确定所述传送带的异常原因。

根据本发明实施例的另一方面，还提供了一种传送带的检测装置，包括：第一获取单元，用于获取传送带的历史图像，所述历史图像是图像采集设备采集得到的；处理单元，用于对所述历史图像进行压缩处理和还原处理得到历史重构图像，并根据所述历史图像和所述历史重构图像构建重构模型；第二获取单元，用于获取所述传送带的当前图像，将所述当前图像输入至所述重构模型中进行压缩处理和还原处理，得到当前重构图像；检测单元，用于比较所述当前重构图像和所述当前图像的相似度，根据所述相似度确定所述传送带是否异常

根据本发明实施例的又一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，所述程序执行任意一种所述的方法。

根据本发明实施例的再一方面，还提供了一种电子设备，包括：一个或多个处理器，存储器以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的方法。

在本发明实施例中，首先获取传送带的历史图像，之后对历史图像进行压缩处理和还原处理得到历史重构图像，并根据历史图像和历史重构图像构建重构模型，之后获取传送带的当前图像，将当前图像输入至重构模型中进行压缩处理和还原处理，得到当前重构图像，最后比较当前重构图像和当前图像的相似度，根据相似度确定传送带是否异常。该方案中，提出一种无异常样本进行训练的传送带的检测方案，可以通过获取到的正常工作的传送带的图像实现异常检测工作，而不需要异常样本参与训练模型，由于传送带处于正常状态下的样本是可以获取到的并且也是可以实现的，因此，可以保证传送带的检测的准确率较高。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1示出了根据本申请的实施例的一种传送带的检测方法的流程示意图；

图2示出了重构模型的结构示意图；

图3示出了训练重构模型的流程示意图；

图4示出了测试重构模型的流程示意图；

图5示出了另一种测试重构模型的流程示意图；

图6示出了根据本申请的实施例的一种传送带的检测装置的结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

由于人工提取特征存在着设计复杂等局限性，目前深度学习方法自动提取特征方式应用较广，其主要流程可概况为：1、按帧数依次抽取一段视频中的图像信息，将正常状态下的传送带图像作为正常训练样本、异常状态下的传送带图像作为异类训练样本输入至深度学习模型中训练并得到相关映射关系，该映射关系可以学习到正常样本与异常样本的不同表征信息。2、将1中学习到的特征通过分类器划分为正常类别样本与异常类别样本，实现异常样本的检测。然而，在煤炭采集过程中，传送带异常会造成大量的经济损失，因此为了收集异常样本训练模型而让传送带处于异常状态下是不现实的，因此，目前较难采集传送带处于异常状态下的异常样本，导致传送带的检测准确率较低。

正如背景技术中所说的，现有技术中较难采集传送带处于异常状态下的异常样本，导致传送带的检测准确率较低，为了解决上述问题，本申请的一种典型的实施方式中，提供了一种传送带的检测方法、装置、计算机可读存储介质和电子设备。

根据本申请的实施例，提供了一种传送带的检测方法。

图1是根据本申请实施例的传送带的检测方法的流程图。如图1所示，该方法包括以下步骤：

步骤S101，获取传送带的历史图像，上述历史图像是图像采集设备采集得到的；

具体地，可以通过安装在传送带上方的图像采集设备采集传送带正常传输过程中的历史视频信息(历史视频信息中包括历史图像)，可以采集预定时间段的历史视频信息，预定时间段可以是1小时或者其他的时间段。从历史视频信息中截取历史图像的样本，截取间隔可以根据实际情况设定，例如是1秒。

步骤S102，对上述历史图像进行压缩处理和还原处理得到历史重构图像，并根据上述历史图像和上述历史重构图像构建重构模型；

为进一步更为高效地构建重构模型，以根据重构模型更为高效地对图像进行重构(重构包括压缩处理和还原处理)，本申请的一种实施例中，在根据上述历史图像和上述历史重构图像构建重构模型的过程中，上述方法还包括：构建编码器模块和解码器模块，其中，上述编码器模块由第一数量的卷积神经网络层构成，上述解码器模块由第二数量的卷积神经网络层构成，上述编码器模块用于将第一尺寸的上述历史图像压缩为第二尺寸的上述历史图像，上述解码器模块用于将上述第二尺寸的上述历史图像还原为上述第一尺寸的上述历史重构图像，其中，上述第一尺寸大于上述第二尺寸；获取上述编码器模块的第一映射信息，获取上述解码器模块的第二映射信息，上述第一映射信息是指上述第一尺寸的上述历史图像与上述第二尺寸的上述历史图像的映射关系，上述第二映射信息是指上述第二尺寸的上述历史图像与上述第一尺寸的上述历史重构图像的映射关系；根据上述历史图像、上述第一映射信息和上述第二映射信息，确定上述重构模型的损失函数。

一种实施例中，第一数量和第二数量可以是相同的数量。

可选地，还可以在神经网络模型的神经元上进行稀疏限制，可以对第一尺寸的的历史图像施加稀疏约束，也可以对第二尺寸的历史图像施加稀疏约束，也可以对第一尺寸的历史重构图像施加稀疏约束。传统的自编码器期望最大化异常样本的重构损失，以区分正常与异常样本，然而在本专利涉及的传送带异常检测任务中，传统的自编码器结构会存在部分异常样本重构损失很小的问题，即将异常图像样本重构成了与正常样本数据结构分布相近的图像，基于此，本专利引入了稀疏编码的思想，通过稀疏约束来尝试克服这个问题。

具体地，重构模型的结构如图2所示，其中，编码器模块可以由3个卷积神经网络层组成的卷积神经网络构成，3通道的RGB图像样本通过卷积映射的方式实现由历史图像至特征编码的映射。相应的，解码器模块与编码器模块类似，也是有3个卷积神经网络层构成，其可以将特征编码映射到3通道的历史重构图像，并根据重构模型的编码器模块和解码器模块更新映射信息(包括第一映射信息和第二映射信息)，还可以根据历史图像和历史重构图像确定损失函数。

编码器模块和解码器模块中可以采用激活函数进行优化，由于swish函数只有在深层网络中才能发挥作用，可以使用Hardswish激活函数作为自编码器的激活函数，Hardswish激活函数具有数值稳定性好、计算速度快等优点，Hardswish激活函数表达式如下：

传统的卷积神经网络一般采用Sigmoid，Tanh，ReLU等函数作为激活函数，其主要目的是将非线性特性引入到神经网络中，即将一个线性回归模型变为非线性模型应用以解决神经网络的各层之间具有很多隐藏层的非线性问题。在诸多激活函数中，swish函数可以看做是介于线性函数与ReLU函数之间的平滑函数，其在模型效果上优于ReLU。然而，尽管swish非线性激活函数提高了检测精度，在学术层面上较为合适，在应用层面上却并不适合，这是由于swish函数计算成本更高，求导较为复杂，在量化时计算较慢，较难部署于传送带异常检测任务中。

相比之下，Hardswish非线性激活函数在准确性上没有明显差别，但在实际应用中具有很大优势。其一是在量化模式下，Hardswish函数消除了由于近似Sigmoid形的不同实现而导致的潜在数值精度损失。其二，在实践中通过分段功能减少了内存访问次数，从而可以进一步降低模型的运算成本。

为了拉近正常样本的历史重构图像与原始图像样本(历史图像)的分布距离，可以采用梯度下降法来实现，首先设计重构模型的损失函数，公式为：

其中，Loss表示损失函数，x表示输入的历史图像，F(.)表示第一映射信息，G(.)表示第二映射信息，λ表示控制稀疏性的权重，j表示特征编码中的第j个神经元，c表示特征编码的维度，ρ表示稀疏性参数，

具体地，可以引入自编码器的方式，在重构模型的训练阶段，无监督地学习正常样本在一个潜在空间中的流形分布。如图3所示，即通过自编码器的编码器模块将训练样本(历史图像)进行压缩处理，将高维的训练样本压缩为低维的形式，得到特征编码，再通过自编码器的解码器模块将压缩后的数据再进行还原，得到历史重构图像。后续可以根据损失函数迭代更新自编码器的映射信息(包括第一映射信息和第二映射信息)，使得历史图像和历史重构图像接近，在重构模型的测试阶段，如图4所示，测试样本(历史图像或当前图像)通过训练阶段得到的映射信息得到测试样本的重构图像(历史重构图像或当前重构图像)，之后在比较测试样本和重构图像之间的分布差异(相似度)得到输出结果，若超过设定的阈值，则可以确定测试样本为异常样本，若未超过设定的阈值，则可以确定测试样本为正常样本。

为了进一步对重构模型进行训练，以保证得到的重构模型的准确率较高，后续可以根据重构模型更为高效准确地进行重构，本申请的又一种实施例中，在根据上述历史图像、上述第一映射信息和上述第二映射信息，确定上述重构模型的损失函数之后，上述方法还包括：获取多个第一损失函数，上述第一损失函数是上述第一映射信息对应的上述损失函数，多个上述第一损失函数是将第三数量的上述历史图像作为训练集，输入至上述重构模型中得到的；获取多个第二损失函数的平均值，上述第二损失函数是上述第二映射信息对应的上述损失函数，多个上述第二损失函数是将第四数量的上述历史图像作为验证集，输入至上述重构模型中得到的；确定与上述平均值的差值最小的上述第一损失函数为目标损失函数，并确定目标损失函数对应的上述第一映射信息为目标映射信息。

具体地，可以将采集到的历史图像的数据集按照预定比例划分为训练集和验证集，预定比例可以根据实际情况设定，例如8:2的比例，一种实施例中，共采集了3600张历史图像，那么2880张历史图像作为训练集，720张历史图像作为验证集。将采集到的历史图像进行预处理，由于煤矿传送带主要涉及亮度变化，不会涉及平移、旋转等因素，因此预处理可以至少包括亮度变化处理。

具体地，可以通过迭代处理确定目标映射信息，以下具体过程进行描述：

在第一轮迭代中，首先初始化重构模型的第一映射信息和第二映射信息，包括：随机选取训练集中的一张历史图像输入至重构模型中，通过初始化的第一映射信息和第二映射信息得到历史重构图像，采用损失函数计算梯度方向并通过设置的学习率更新第一映射信息和第二映射信息，学习率可以根据实际情况进行设定，例如是0.001，将更新后的两个映射信息作为初始化的重构模型的第一映射信息和第二映射信息，将训练集的另一张历史图像输入至重构模型中，重复上述更新的步骤，直至所有训练集中的参与训练的训练样本都得到对应的第一映射信息和第二映射信息，并存储对应的第一映射信息和第二映射信息；

将验证集上所有的历史图像输入至重构模型中，通过训练得到的映射信息得到历史图像对应的历史重构图像。计算所有验证集的历史图像和对应的历史重构图像之间的分布差异，得到对应的第二损失函数，并求取平均值，公式如下：

其中，L表示平均值，n表示验证集中历史图像的数量，x

再次进行迭代，重复执行上述的初始化步骤和验证步骤，在第二轮迭代中，初始化的第一映射信息和初始化的第二映射信息是第一轮迭代中保存的第一映射信息和第二映射信息，后续可以多次进行迭代，以保证第一映射信息和第二映射信息的准确率较高，迭代次数可以根据实际情况设定，例如500次。

最终选取平均值的差值最小的第j轮对应的第一损失函数为目标损失函数，目标损失函数对应的第一映射信息为目标映射信息，其中，迭代次数为500的情况下，L

步骤S103，获取上述传送带的当前图像，将上述当前图像输入至上述重构模型中进行压缩处理和还原处理，得到当前重构图像；

步骤S104，比较上述当前重构图像和上述当前图像的相似度，根据上述相似度确定上述传送带是否异常。

具体地，在构建了重构模型后，还可以对重构模型进行测试，如图5所示，测试阶段主要是通过训练好的目标映射信息，构建正常样本(正常的历史图像)和异常样本(异常的历史图像)的分类器来实现异常样本的检测，分类器可以通过设置异常样本的判断阈值(即相似度阈值)来实现。

对于重构模型的训练阶段训练好的参数，理想状态下正常工作的历史图像与重构模型输出的历史重构图像的分布差异较小(相似度较大)甚至为0，异常工作的历史图像与重构模型输出的历史重构图像的分布差异较大(相似度较小)，因此可以通过设置相应的阈值来对传送带是否异常进行检测，若超过相似度阈值，确定历史图像为异常样本，未超过相似度阈值，确定历史图像为正常样本。

具体地，分类器所采用的阈值可以由以下公式计算得到：Ω＝max(L

由于图像采集设备在现实中拍摄的视域范围会包括第二区域，因此异常样本的分布差异可能是由非传送带异常引起的，例如第二区域中有鸟飞过等，在这种情况下超过相似度阈值可以不需要触发警报，因此可以根据目标区域所处的位置进一步高效准确地确定传送带是否异常，本申请的一种具体的实施例中，根据上述相似度确定上述传送带是否异常，包括：在上述相似度大于或者等于相似度阈值的情况下，确定上述传送带正常；在上述相似度小于上述相似度阈值的情况下，获取上述当前图像中的第一区域和第二区域，上述第一区域是指上述传送带所在的区域，上述第二区域是指非上述传送带所在的区域；根据目标区域所处的位置确定上述传送带是否异常，上述目标区域是指上述当前图像与上述当前重构图像的上述相似度小于上述相似度阈值的区域。

为进一步高效准确地确定当前图像中的第一区域和第二区域，以进一步高效准确地确定传送带是否异常，本申请的又一种具体的实施例中，获取上述当前图像中的第一区域和第二区域，包括：获取多个预定坐标点，上述预定坐标点是上述当前图像中用于标注上述第一区域的位置坐标点；确定多个上述预定坐标点围成的区域为上述第一区域；确定上述当前图像中除上述第一区域之外的区域为上述第二区域。

具体地，可以先由人工标注第一区域的位置坐标点，第一区域由图像采集设备中显示多个预定坐标点，例如左上坐标点、右上坐标点、左下坐标点和右下坐标点。

将异常样本的历史图像与其前一帧的历史图像对应的像素点的灰度值进行相减，再取绝对值，得到差分图像，公式可以是D

将差值的绝对值D

设置好的模型的目标映射信息以及分类器的重构模型可以放在服务器上运行，将图像采集设备采集的传送带的视频信息上传至服务器，服务器将得到的视频信息以20帧的方式采取成当前图像，并将其作为输入图像输入至重构模型及分类器。当分类器识别到异常样本时，通过帧间差分法进一步异常。若确定为异常，则将该张异常输入图像储存至服务器，同时通过OPC接口写入PLC变量，通过设置的PLC控制程序暂停传送带并发送报警信号，通过相应报警设备实现警示功能。另一方面，储存的异常图像及报警信息会上传至只能一体化管控平台，辅助相关人员进行异常信息判断。

为根据相似度阈值来初步确定传送带异常的情况下，还可以根据传送带的目标区域所处的位置进一步高效准确地确定传送带是否异常，本申请的另一种具体的实施例中，根据目标区域所处的位置确定上述传送带是否异常，包括：在上述目标区域处于上述第一区域内的情况下，确定上述传送带异常；在上述目标区域处于上述第二区域内的情况下，确定上述传送带正常；在上述目标区域有部分处于上述第一区域内、有部分处于上述第二区域内的情况下，确定上述传送带异常。

在已经确定传送带异常的情况下，还可以确定传送带的异常原因，这样可以及时确定传送带的故障位置，并可以及时提示工作人员导致传送带异常的原因，以便于工作人员维修，本申请的再一种实施例中，在根据上述相似度确定上述传送带是否异常之后，上述方法还包括：在确定上述传送带异常的情况下，根据上述当前图像和上述当前重构图像，确定上述传送带的异常原因。

具体地，在确定传送带异常的情况下，可以先根据边缘检测算法，确定传送带是否跑偏，在已经跑偏的情况下，确定异常原因是传送带跑偏，在传送带未跑偏的情况下，可以根据图像识别算法，确定传送带是否有异物，在有异物的情况下，确定异常原因是传送带上有异物。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

上述的方法中，首先获取传送带的历史图像，之后对历史图像进行压缩处理和还原处理得到历史重构图像，并根据历史图像和历史重构图像构建重构模型，之后获取传送带的当前图像，将当前图像输入至重构模型中进行压缩处理和还原处理，得到当前重构图像，最后比较当前重构图像和当前图像的相似度，根据相似度确定传送带是否异常。该方案中，提出一种无异常样本进行训练的传送带的检测方案，可以通过获取到的正常工作的传送带的图像实现异常检测工作，而不需要异常样本参与训练模型，由于传送带处于正常状态下的样本是可以获取到的并且也是可以实现的，因此，可以保证传送带的检测的准确率较高。

本申请实施例还提供了一种传送带的检测装置，需要说明的是，本申请实施例的传送带的检测装置可以用于执行本申请实施例所提供的用于传送带的检测方法。以下对本申请实施例提供的传送带的检测装置进行介绍。

图6是根据本申请实施例的传送带的检测装置的示意图。如图6所示，该装置包括：

第一获取单元10，用于获取传送带的历史图像，上述历史图像是图像采集设备采集得到的；

处理单元20，用于对上述历史图像进行压缩处理和还原处理得到历史重构图像，并根据上述历史图像和上述历史重构图像构建重构模型；

为进一步更为高效地构建重构模型，以根据重构模型更为高效地对图像进行重构(重构包括压缩处理和还原处理)，本申请的一种实施例中，上述装置还包括构建单元、第三获取单元和第一确定单元，构建单元用于在根据上述历史图像和上述历史重构图像构建重构模型的过程中，构建编码器模块和解码器模块，其中，上述编码器模块由第一数量的卷积神经网络层构成，上述解码器模块由第二数量的卷积神经网络层构成，上述编码器模块用于将第一尺寸的上述历史图像压缩为第二尺寸的上述历史图像，上述解码器模块用于将上述第二尺寸的上述历史图像还原为上述第一尺寸的上述历史重构图像，其中，上述第一尺寸大于上述第二尺寸；第三获取单元用于获取上述编码器模块的第一映射信息，获取上述解码器模块的第二映射信息，上述第一映射信息是指上述第一尺寸的上述历史图像与上述第二尺寸的上述历史图像的映射关系，上述第二映射信息是指上述第二尺寸的上述历史图像与上述第一尺寸的上述历史重构图像的映射关系；第一确定单元用于根据上述历史图像、上述第一映射信息和上述第二映射信息，确定上述重构模型的损失函数。

为了进一步对重构模型进行训练，以保证得到的重构模型的准确率较高，后续可以根据重构模型更为高效准确地进行重构，本申请的又一种实施例中，上述装置还包括第四获取单元、第五获取单元和第二确定单元，第四获取单元用于在根据上述历史图像、上述第一映射信息和上述第二映射信息，确定上述重构模型的损失函数之后，获取多个第一损失函数，上述第一损失函数是上述第一映射信息对应的上述损失函数，多个上述第一损失函数是将第三数量的上述历史图像作为训练集，输入至上述重构模型中得到的；第五获取单元用于获取多个第二损失函数的平均值，上述第二损失函数是上述第二映射信息对应的上述损失函数，多个上述第二损失函数是将第四数量的上述历史图像作为验证集，输入至上述重构模型中得到的；第二确定单元用于确定与上述平均值的差值最小的上述第一损失函数为目标损失函数，并确定目标损失函数对应的上述第一映射信息为目标映射信息。

第二获取单元30，用于获取上述传送带的当前图像，将上述当前图像输入至上述重构模型中进行压缩处理和还原处理，得到当前重构图像；

检测单元40，用于比较上述当前重构图像和上述当前图像的相似度，根据上述相似度确定上述传送带是否异常。

由于图像采集设备在现实中拍摄的视域范围会包括第二区域，因此异常样本的分布差异可能是由非传送带异常引起的，例如第二区域中有鸟飞过等，在这种情况下超过相似度阈值可以不需要触发警报，因此可以根据目标区域所处的位置进一步高效准确地确定传送带是否异常，本申请的一种具体的实施例中，检测单元包括第一确定模块、获取模块和第二确定模块，第一确定模块用于在上述相似度大于或者等于相似度阈值的情况下，确定上述传送带正常；获取模块用于在上述相似度小于上述相似度阈值的情况下，获取上述当前图像中的第一区域和第二区域，上述第一区域是指上述传送带所在的区域，上述第二区域是指非上述传送带所在的区域；第二确定模块用于根据目标区域所处的位置确定上述传送带是否异常，上述目标区域是指上述当前图像与上述当前重构图像的上述相似度小于上述相似度阈值的区域。

为进一步高效准确地确定当前图像中的第一区域和第二区域，以进一步高效准确地确定传送带是否异常，本申请的又一种具体的实施例中，获取模块包括获取子模块、第一确定子模块和第二确定子模块，获取子模块用于获取多个预定坐标点，上述预定坐标点是上述当前图像中用于标注上述第一区域的位置坐标点；第一确定子模块用于确定多个上述预定坐标点围成的区域为上述第一区域；第二确定子模块用于确定上述当前图像中除上述第一区域之外的区域为上述第二区域。

为根据相似度阈值来初步确定传送带异常的情况下，还可以根据传送带的目标区域所处的位置进一步高效准确地确定传送带是否异常，本申请的另一种具体的实施例中，第二确定模块包括第三确定子模块、第四确定子模块和第五确定子模块，第三确定子模块用于在上述目标区域处于上述第一区域内的情况下，确定上述传送带异常；第四确定子模块用于在上述目标区域处于上述第二区域内的情况下，确定上述传送带正常；第五确定子模块用于在上述目标区域有部分处于上述第一区域内、有部分处于上述第二区域内的情况下，确定上述传送带异常。

在已经确定传送带异常的情况下，还可以确定传送带的异常原因，这样可以及时确定传送带的故障位置，并可以及时提示工作人员导致传送带异常的原因，以便于工作人员维修，本申请的再一种实施例中，上述装置还包括第三确定单元，第三确定单元用于在根据上述相似度确定上述传送带是否异常之后，在确定上述传送带异常的情况下，根据上述当前图像和上述当前重构图像，确定上述传送带的异常原因。

上述的装置中，第一获取单元用于获取传送带的历史图像，处理单元用于对历史图像进行压缩处理和还原处理得到历史重构图像，并根据历史图像和历史重构图像构建重构模型，第二获取单元用于获取传送带的当前图像，将当前图像输入至重构模型中进行压缩处理和还原处理，得到当前重构图像，检测单元用于比较当前重构图像和当前图像的相似度，根据相似度确定传送带是否异常。该方案中，提出一种无异常样本进行训练的传送带的检测方案，可以通过获取到的正常工作的传送带的图像实现异常检测工作，而不需要异常样本参与训练模型，由于传送带处于正常状态下的样本是可以获取到的并且也是可以实现的，因此，可以保证传送带的检测的准确率较高。

上述传送带的检测装置包括处理器和存储器，上述第一获取单元、处理单元、第二获取单元和检测单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。

处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来提高传送带检测的准确率。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本发明实施例提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述传送带的检测方法。

本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述传送带的检测方法。

本申请还提供了一种电子设备，包括一个或多个处理器，存储器以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的方法。

本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：

步骤S101，获取传送带的历史图像，上述历史图像是图像采集设备采集得到的；

步骤S102，对上述历史图像进行压缩处理和还原处理得到历史重构图像，并根据上述历史图像和上述历史重构图像构建重构模型；

步骤S103，获取上述传送带的当前图像，将上述当前图像输入至上述重构模型中进行压缩处理和还原处理，得到当前重构图像；

步骤S104，比较上述当前重构图像和上述当前图像的相似度，根据上述相似度确定上述传送带是否异常。

本文中的设备可以是服务器、PC、PAD、手机等。

本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：

步骤S101，获取传送带的历史图像，上述历史图像是图像采集设备采集得到的；

步骤S102，对上述历史图像进行压缩处理和还原处理得到历史重构图像，并根据上述历史图像和上述历史重构图像构建重构模型；

步骤S103，获取上述传送带的当前图像，将上述当前图像输入至上述重构模型中进行压缩处理和还原处理，得到当前重构图像；

步骤S104，比较上述当前重构图像和上述当前图像的相似度，根据上述相似度确定上述传送带是否异常。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如上述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

上述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

上述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

从以上的描述中，可以看出，本申请上述的实施例实现了如下技术效果：

1)、本申请的传送带的检测方法，首先获取传送带的历史图像，之后对历史图像进行压缩处理和还原处理得到历史重构图像，并根据历史图像和历史重构图像构建重构模型，之后获取传送带的当前图像，将当前图像输入至重构模型中进行压缩处理和还原处理，得到当前重构图像，最后比较当前重构图像和当前图像的相似度，根据相似度确定传送带是否异常。该方案中，提出一种无异常样本进行训练的传送带的检测方案，可以通过获取到的正常工作的传送带的图像实现异常检测工作，而不需要异常样本参与训练模型，由于传送带处于正常状态下的样本是可以获取到的并且也是可以实现的，因此，可以保证传送带的检测的准确率较高。

2)、本申请的传送带的检测装置，第一获取单元用于获取传送带的历史图像，处理单元用于对历史图像进行压缩处理和还原处理得到历史重构图像，并根据历史图像和历史重构图像构建重构模型，第二获取单元用于获取传送带的当前图像，将当前图像输入至重构模型中进行压缩处理和还原处理，得到当前重构图像，检测单元用于比较当前重构图像和当前图像的相似度，根据相似度确定传送带是否异常。该方案中，提出一种无异常样本进行训练的传送带的检测方案，可以通过获取到的正常工作的传送带的图像实现异常检测工作，而不需要异常样本参与训练模型，由于传送带处于正常状态下的样本是可以获取到的并且也是可以实现的，因此，可以保证传送带的检测的准确率较高。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。