權(quán)利要求書： 1.一種輸送帶損傷檢測方法，其特征在于，包括：

獲取待檢測的輸送帶損傷圖像；

將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；

其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。

2.根據(jù)權(quán)利要求1所述的輸送帶損傷檢測方法，其特征在于，所述輸送帶損傷檢測模型為CNN神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求1所述的輸送帶損傷檢測方法，其特征在于，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型之前，還包括：對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)處理，得到增強(qiáng)圖像；

以所述增強(qiáng)圖像構(gòu)建輸送帶損傷檢測模型的輸送帶圖像訓(xùn)練樣本集和輸送帶圖像測試樣本集；

將所述輸送帶圖像訓(xùn)練樣本集輸入至輸送帶損傷檢測模型，確定所述輸送帶圖像訓(xùn)練樣本集對應(yīng)的輸送帶圖像預(yù)測集，其中，所述聯(lián)合注意力機(jī)制模塊用于提取輸送帶圖像不同尺度的特征圖；

根據(jù)所述輸送帶圖像測試集調(diào)整所述輸送帶損傷檢測模型的參數(shù)至滿足收斂條件，確定訓(xùn)練完備的輸送帶損傷檢測模型。

4.根據(jù)權(quán)利要求3所述的輸送帶損傷檢測方法，其特征在于，對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)，包括：獲取相關(guān)場景裂紋圖像，其中所述相關(guān)場景包括墻體、路面和橋梁；

將所述相關(guān)場景裂紋圖像與所述輸送帶損傷圖像進(jìn)行融合，得到融合樣本集；

對所述融合樣本集進(jìn)行強(qiáng)化特征訓(xùn)練，得到增強(qiáng)圖像，并根據(jù)所述增強(qiáng)圖像確定相似特征增強(qiáng)訓(xùn)練集和相似特征增強(qiáng)測試集。

5.根據(jù)權(quán)利要求1所述的輸送帶損傷檢測方法，其特征在于，所述聯(lián)合注意力機(jī)制模塊包括改進(jìn)通道注意力機(jī)制子模塊、改進(jìn)空間注意力機(jī)制子模塊以及聯(lián)合子模塊；

所述改進(jìn)通道注意力機(jī)制子模塊包括依次連接的通道殘差單元、通道池化層、通道卷積層、第一通道激活函數(shù)、通道全連接層、第二通道激活函數(shù)以及通道特征加權(quán)層，所述通道池化層包括并行的通道平均池化層以及通道最大池化層；

所述改進(jìn)空間注意力機(jī)制子模塊包括依次連接的空間殘差單元、空間池化層、空間卷積層、第一空間激活函數(shù)、空間全連接層、第二空間激活函數(shù)以及空間特征加權(quán)層，所述空間池化層包括并行的全局平均池化層以及全局最大池化層；

所述聯(lián)合子模塊包括聯(lián)合卷積層，所述聯(lián)合卷積層用于對所述通道特征加權(quán)層的輸出和所述空間特征加權(quán)層的輸出進(jìn)行卷積操作，獲得聯(lián)合注意力特征圖。

6.根據(jù)權(quán)利要求1所述的輸送帶損傷檢測方法，其特征在于，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果之后，還包括：基于所述輸送帶損傷檢測結(jié)果，采用預(yù)設(shè)的平均精準(zhǔn)度和平均精準(zhǔn)度均值，對訓(xùn)練完備的所述輸送帶損傷檢測模型進(jìn)行評價(jià)，確定所述輸送帶損傷檢測模型的檢測精度。

7.根據(jù)權(quán)利要求6所述的輸送帶損傷檢測方法，其特征在于，所述預(yù)設(shè)的平均精準(zhǔn)度可通過如下公式表示：其中，TP為檢測出正確的正樣本個數(shù)，F(xiàn)P為檢測出錯誤的正樣本的個數(shù)，Precision為平均精準(zhǔn)度。

8.一種輸送帶損傷檢測裝置，其特征在于，包括：

獲取模塊，用于獲取待檢測的輸送帶損傷圖像；

檢測模塊，用于將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；

其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。

9.一種電子設(shè)備，其特征在于，包括：處理器和存儲器；

所述存儲器上存儲有可被所述處理器執(zhí)行的計(jì)算機(jī)可讀程序；

所述處理器執(zhí)行所述計(jì)算機(jī)可讀程序時實(shí)現(xiàn)如權(quán)利要求1?7所述的輸送帶損傷檢測方法中的步驟。

10.一種計(jì)算機(jī)可讀存儲介質(zhì)，其特征在于，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實(shí)現(xiàn)如權(quán)利要求1?7所述的輸送帶損傷檢測方法中的步驟。

說明書： 一種輸送帶損傷檢測方法、裝置、設(shè)備和介質(zhì)技術(shù)領(lǐng)域[0001] 本發(fā)明涉及輸送帶檢測技術(shù)領(lǐng)域，具體涉及一種輸送帶損傷檢測方法、裝置、設(shè)備和介質(zhì)。背景技術(shù)[0002] 皮帶輸送機(jī)具有結(jié)構(gòu)簡單、功耗小、輸送能力較大、對物料適應(yīng)性強(qiáng)等特點(diǎn)，因此被廣泛用于煤礦生產(chǎn)運(yùn)輸中，劃傷和撕裂主要發(fā)生在皮帶的上表面，如煤炭中的鐵器、矸石等在皮帶落煤點(diǎn)處有可能讓皮帶上表面撕裂造成下表面可見穿透性撕裂；撕裂的過程中皮帶上表面在受到壓迫時可能會造成下表面開裂；在開始劃傷但未撕裂時皮帶上表面劃傷下表面可能正常；如果不及時發(fā)現(xiàn)輸送帶損傷，會給輸送帶帶來嚴(yán)重的損傷。[0003] 目前，主要通過線激光發(fā)射器對輸送帶進(jìn)行檢測，該線激光發(fā)射器可以安裝在輸送帶下帶面，且照射在輸送帶上的線激光處于工業(yè)相機(jī)的視場內(nèi)，為輸送帶損傷檢測提供參考直線。然而，現(xiàn)有技術(shù)的檢測方式只有在輸送帶發(fā)生穿透性損傷時才能檢測到，但是輸送帶實(shí)際工作環(huán)境極其復(fù)雜，面對多塵、多霧的環(huán)境，該檢測方式存在可靠性較低及精度不高的問題。發(fā)明內(nèi)容[0004] 本發(fā)明的目的在于克服上述技術(shù)不足，提供一種輸送帶損傷檢測方法、裝置、設(shè)備和介質(zhì)，解決現(xiàn)有技術(shù)中輸送帶損傷檢測可靠性低以及檢測精度低的技術(shù)問題。[0005] 為達(dá)到上述技術(shù)目的，本發(fā)明采取了以下技術(shù)方案：[0006] 第一方面，本發(fā)明提供了一種輸送帶損傷檢測方法，包括：[0007] 獲取待檢測的輸送帶損傷圖像；[0008] 將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；[0009] 其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。[0010] 在一些實(shí)施例中，所述輸送帶損傷檢測模型為CNN神經(jīng)網(wǎng)絡(luò)模型。[0011] 在一些實(shí)施例中，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型之前，還包括：[0012] 對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)處理，得到增強(qiáng)圖像；[0013] 以所述增強(qiáng)圖像構(gòu)建輸送帶損傷檢測模型的輸送帶圖像訓(xùn)練樣本集和輸送帶圖像測試樣本集；[0014] 將所述輸送帶圖像訓(xùn)練樣本集輸入至輸送帶損傷檢測模型，確定所述輸送帶圖像訓(xùn)練樣本集對應(yīng)的輸送帶圖像預(yù)測集，其中，所述聯(lián)合注意力機(jī)制模塊用于提取輸送帶圖像不同尺度的特征圖；[0015] 根據(jù)所述輸送帶圖像測試集調(diào)整所述輸送帶損傷檢測模型的參數(shù)至滿足收斂條件，確定訓(xùn)練完備的輸送帶損傷檢測模型。[0016] 在一些實(shí)施例中，對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)，包括：[0017] 獲取相關(guān)場景裂紋圖像，其中所述相關(guān)場景包括墻體、路面和橋梁；[0018] 將所述相關(guān)場景裂紋圖像與所述輸送帶損傷圖像進(jìn)行融合，得到融合樣本集；[0019] 對所述融合樣本集進(jìn)行強(qiáng)化特征訓(xùn)練，得到增強(qiáng)圖像，并根據(jù)所述增強(qiáng)圖像確定相似特征增強(qiáng)訓(xùn)練集和相似特征增強(qiáng)測試集。[0020] 在一些實(shí)施例中，所述聯(lián)合注意力機(jī)制模塊包括改進(jìn)通道注意力機(jī)制子模塊、改進(jìn)空間注意力機(jī)制子模塊以及聯(lián)合子模塊；[0021] 所述改進(jìn)通道注意力機(jī)制子模塊包括依次連接的通道殘差單元、通道池化層、通道卷積層、第一通道激活函數(shù)、通道全連接層、第二通道激活函數(shù)以及通道特征加權(quán)層，所述通道池化層包括并行的通道平均池化層以及通道最大池化層；[0022] 所述改進(jìn)空間注意力機(jī)制子模塊包括依次連接的空間殘差單元、空間池化層、空間卷積層、第一空間激活函數(shù)、空間全連接層、第二空間激活函數(shù)以及空間特征加權(quán)層，所述空間池化層包括并行的全局平均池化層以及全局最大池化層；[0023] 所述聯(lián)合子模塊包括聯(lián)合卷積層，所述聯(lián)合卷積層用于對所述通道特征加權(quán)層的輸出和所述空間特征加權(quán)層的輸出進(jìn)行卷積操作，獲得聯(lián)合注意力特征圖。[0024] 在一些實(shí)施例中，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果之后，還包括：[0025] 基于所述輸送帶損傷檢測結(jié)果，采用預(yù)設(shè)的平均精準(zhǔn)度和平均精準(zhǔn)度均值，對訓(xùn)練完備的所述輸送帶損傷檢測模型進(jìn)行評價(jià)，確定所述輸送帶損傷檢測模型的檢測精度。[0026] 在一些實(shí)施例中，所述預(yù)設(shè)的平均精準(zhǔn)度可通過如下公式表示：[0027][0028] 其中，TP為檢測出正確的正樣本個數(shù)，F(xiàn)P為檢測出錯誤的正樣本的個數(shù)，Precision為平均精準(zhǔn)度。[0029] 第二方面，本發(fā)明還提供了一種輸送帶損傷檢測裝置，包括：[0030] 獲取模塊，用于獲取待檢測的輸送帶損傷圖像；[0031] 檢測模塊，用于將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；[0032] 其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。[0033] 第三方面，本發(fā)明還提供了一種電子設(shè)備，包括：處理器和存儲器；[0034] 所述存儲器上存儲有可被所述處理器執(zhí)行的計(jì)算機(jī)可讀程序；[0035] 所述處理器執(zhí)行所述計(jì)算機(jī)可讀程序時實(shí)現(xiàn)如上所述的輸送帶損傷檢測方法中的步驟。[0036] 第四方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執(zhí)行，以實(shí)現(xiàn)如上所述的輸送帶損傷檢測方法中的步驟。[0037] 與現(xiàn)有技術(shù)相比，本發(fā)明提供的輸送帶損傷檢測方法、裝置、設(shè)備和介質(zhì)，通過設(shè)置輸送帶損傷檢測模型，且輸送帶損傷檢測模型包括聯(lián)合注意力機(jī)制模塊，在不顯著增加計(jì)算量和參數(shù)量的前提下能提升輸送帶損傷檢測模型的特征提取能力，從而可提高輸送帶損傷檢測模型的網(wǎng)絡(luò)性能，進(jìn)而可進(jìn)一步提高輸送帶損傷檢測模型的檢測準(zhǔn)確性。附圖說明[0038] 圖1是本發(fā)明提供的輸送帶損傷檢測方法的一實(shí)施例的流程圖；[0039] 圖2是本發(fā)明提供的輸送帶損傷檢測方法中，輸送帶損傷檢測模塊訓(xùn)練的一實(shí)施例的示意圖；[0040] 圖3是本發(fā)明提供的輸送帶損傷檢測方法中，輸送帶損傷圖像特征融合的一實(shí)施例的示意圖；[0041] 圖4是本發(fā)明提供的輸送帶損傷檢測方法中，聯(lián)合注意力機(jī)制模塊的一個實(shí)施例結(jié)構(gòu)示意圖；[0042] 圖5是本發(fā)明提供的輸送帶損傷檢測裝置的一實(shí)施例的示意圖；[0043] 圖6是本發(fā)明提供的電子設(shè)備一實(shí)施例的運(yùn)行環(huán)境示意圖。具體實(shí)施方式[0044] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。[0045] 本發(fā)明實(shí)施例提供了輸送帶損傷檢測方法，請參閱圖1，包括：[0046] S101、獲取待檢測的輸送帶損傷圖像；[0047] S102、將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；[0048] 其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。[0049] 在本實(shí)施例中，首先通過獲取待檢測的輸送帶損傷圖像，最后將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。本發(fā)明通過設(shè)置輸送帶損傷檢測模型，且輸送帶損傷檢測模型包括聯(lián)合注意力機(jī)制模塊，在不顯著增加計(jì)算量和參數(shù)量的前提下能提升輸送帶損傷檢測模型的特征提取能力，從而可提高輸送帶損傷檢測模型的網(wǎng)絡(luò)性能，進(jìn)而可進(jìn)一步提高輸送帶損傷檢測模型的檢測準(zhǔn)確性。[0050] 應(yīng)當(dāng)理解的是：輸送帶損傷檢測模型可為R?CNN(Region?CNN)，SPP?NET(SpatialPyramidPoolinginDeepConvolutionalNetworks)，F(xiàn)astR?CNN，CNN，F(xiàn)asterR?CNN，R?FCN(Region?basedfullyconvolutionalnetwork)，YOLO，SSD(SingleShotMultiBoxDetector)，EfficientDet等神經(jīng)網(wǎng)絡(luò)模型中的任意一種。[0051] 需要說明的是：訓(xùn)練完備的輸送帶損傷檢測模型指的是對輸送帶損傷圖像測試集的檢測結(jié)果的平均均勻精度(meanAveragePrecision，mAP)大于或等于95％的輸送帶損傷檢測模型。[0052] 通過mAP這一目標(biāo)檢測評價(jià)指標(biāo)，可確保輸送帶損傷檢測模型的檢測效果。[0053] 還需要說明的是：當(dāng)對輸送帶損傷圖像測試集的檢測結(jié)果的平均均勻精度(meanAveragePrecision，mAP)小于95％時，獲取輸送帶損傷圖像樣本集，并通過輸送帶損傷圖像樣本集對輸送帶損傷檢測模型重新進(jìn)行訓(xùn)練。[0054] 在一些實(shí)施例中，所述輸送帶損傷檢測模型為CNN神經(jīng)網(wǎng)絡(luò)模型。[0055] 通過設(shè)置輸送帶損傷檢測模型為CNN神經(jīng)網(wǎng)絡(luò)模型，可進(jìn)一步提高對于待檢測輸送帶損傷圖像進(jìn)行檢測的速度和準(zhǔn)確性。[0056] 在一些實(shí)施例中，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型之前，請參閱圖2，還包括：[0057] S201、對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)處理，得到增強(qiáng)圖像；[0058] S202、以所述增強(qiáng)圖像構(gòu)建輸送帶損傷檢測模型的輸送帶圖像訓(xùn)練樣本集和輸送帶圖像測試樣本集；[0059] S203、將所述輸送帶圖像訓(xùn)練樣本集輸入至輸送帶損傷檢測模型，確定所述輸送帶圖像訓(xùn)練樣本集對應(yīng)的輸送帶圖像預(yù)測集，其中，所述聯(lián)合注意力機(jī)制模塊用于提取輸送帶圖像不同尺度的特征圖；[0060] S204、根據(jù)所述輸送帶圖像測試集調(diào)整所述輸送帶損傷檢測模型的參數(shù)至滿足收斂條件，確定訓(xùn)練完備的輸送帶損傷檢測模型。[0061] 在本實(shí)施例中，由于輸送帶損傷出現(xiàn)的裂紋、裂縫分布分散且目標(biāo)較小，不容易發(fā)現(xiàn)，在輸送帶損傷檢測模型中引入聯(lián)合注意力機(jī)制模塊能夠得到不同尺度的特征圖，提高輸送帶檢測模型的特征提取能力，從而將得到的特征圖進(jìn)行分類和回歸，將回歸結(jié)果進(jìn)行特征重建操作，能夠得到更加精細(xì)的特征圖，在此基礎(chǔ)上再次進(jìn)行分類和回歸操作，計(jì)算損失；能夠提高模型的訓(xùn)練精度，以及輸送帶損傷檢測模型的檢測準(zhǔn)確性。[0062] 需要說明的是，在步驟S201中，在對輸送帶損傷圖像進(jìn)行圖像增強(qiáng)處理之前，為了輸送帶損傷檢測模型能夠?qū)W習(xí)到更多的特征，還采用數(shù)據(jù)擴(kuò)充的方式對輸送帶圖像進(jìn)行增廣處理，得到增廣后的圖像，最后對增廣后的圖像進(jìn)行增強(qiáng)處理。[0063] 在一些實(shí)施例中，對獲取的輸送帶損傷圖像進(jìn)行圖像增強(qiáng)處理，請參閱圖3，包括：[0064] S301、獲取相關(guān)場景裂紋圖像，其中所述相關(guān)場景包括墻體、路面和橋梁；[0065] S302、將所述相關(guān)場景裂紋圖像與所述輸送帶損傷圖像進(jìn)行融合，得到融合樣本集；[0066] S303、對所述融合樣本集進(jìn)行強(qiáng)化特征訓(xùn)練，得到增強(qiáng)圖像，并根據(jù)所述增強(qiáng)圖像確定相似特征增強(qiáng)訓(xùn)練集和相似特征增強(qiáng)測試集。[0067] 在本實(shí)施例中，將對輸送帶損傷檢測任務(wù)有利的數(shù)據(jù)，墻體、路面、橋梁裂紋圖片融入輸送帶損傷數(shù)據(jù)集中進(jìn)行強(qiáng)化特征訓(xùn)練，輔助網(wǎng)絡(luò)在樣本較少的限制下學(xué)習(xí)更多與輸送帶損傷特征相似的信息。此外，基于種類微調(diào)存在的問題，在輸送帶數(shù)據(jù)集中加入OC數(shù)據(jù)集的17種類別樣本，最終形成強(qiáng)化數(shù)據(jù)集，加強(qiáng)網(wǎng)絡(luò)針對輸送帶損傷特征的學(xué)習(xí)。[0068] 在一些實(shí)施例中，請參閱圖4，所述聯(lián)合注意力機(jī)制模塊包括改進(jìn)通道注意力機(jī)制子模塊、改進(jìn)空間注意力機(jī)制子模塊以及聯(lián)合子模塊；[0069] 所述改進(jìn)通道注意力機(jī)制子模塊包括依次連接的通道殘差單元、通道池化層、通道卷積層、第一通道激活函數(shù)、通道全連接層、第二通道激活函數(shù)以及通道特征加權(quán)層，所述通道池化層包括并行的通道平均池化層以及通道最大池化層；[0070] 所述改進(jìn)空間注意力機(jī)制子模塊包括依次連接的空間殘差單元、空間池化層、空間卷積層、第一空間激活函數(shù)、空間全連接層、第二空間激活函數(shù)以及空間特征加權(quán)層，所述空間池化層包括并行的全局平均池化層以及全局最大池化層；[0071] 所述聯(lián)合子模塊包括聯(lián)合卷積層，所述聯(lián)合卷積層用于對所述通道特征加權(quán)層的輸出和所述空間特征加權(quán)層的輸出進(jìn)行卷積操作，獲得聯(lián)合注意力特征圖。[0072] 在本實(shí)施例中，通過設(shè)置通道池化層包括并行的通道平均池化層以及通道最大池化層，空間池化層包括并行的全局平均池化層以及全局最大池化層，可增強(qiáng)通道注意力和空間注意力的信息，充分獲得待檢測輸送帶損傷圖像內(nèi)在的、顯著的、高階的特征。并且通過聯(lián)合子模塊對通道特征加權(quán)層的輸出和空間特征加權(quán)層的輸出進(jìn)行卷積操作，獲得聯(lián)合注意力特征圖，可提高聯(lián)合注意力特征圖中的特征量，從而可提高對待檢測輸送帶損傷圖像進(jìn)行檢測的準(zhǔn)確率。[0073] 需要說明的是：第一通道激活函數(shù)和第一空間激活函數(shù)均為Relu函數(shù)，第二通道激活函數(shù)和第二空間激活函數(shù)均為Sigmoid函數(shù)。[0074] 在一些實(shí)施例中，所述將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果之后，還包括：[0075] 基于所述輸送帶損傷檢測結(jié)果，采用預(yù)設(shè)的平均精準(zhǔn)度和平均精準(zhǔn)度均值，對訓(xùn)練完備的所述輸送帶損傷檢測模型進(jìn)行評價(jià)，確定所述輸送帶損傷檢測模型的檢測精度。[0076] 在本實(shí)施例中，借助已劃分好的數(shù)據(jù)集對測試集進(jìn)行測試以實(shí)現(xiàn)對輸送帶損傷程度的檢測，并對模型的檢測效果進(jìn)行評價(jià)。[0077] 通常用平均精準(zhǔn)度AP(Averageprecision)和平均精準(zhǔn)度的均值mAP來評價(jià)模型的檢測效果和性能，AP為召回率Recall和精確率Precision曲線下的面積，面積交并比IoU：通過計(jì)算模型預(yù)測目標(biāo)的矩形區(qū)域與驗(yàn)證集中目標(biāo)標(biāo)定的矩形區(qū)域的面積交并比，衡量模型的位置預(yù)測能力。

[0078] 精確率Precision:表示模型檢測出正確的目標(biāo)數(shù)占總目標(biāo)數(shù)的比例，體現(xiàn)出模型在目標(biāo)檢測時的準(zhǔn)確度，通常采用如下公式表示：[0079][0080] 召回率(Recall):召回率表示模型已檢測出的目標(biāo)數(shù)量占總目標(biāo)數(shù)量的比例，體現(xiàn)了模型識別的查全能力。其中，TP(Truepositive)為檢測出正確的正樣本個數(shù)，F(xiàn)P(Falsepositive)為檢測出錯誤的正樣本的個數(shù)。[0081][0082][0083] 式中：TP(Truepositive)為檢測出正確的正樣本個數(shù)，，即預(yù)測框與標(biāo)注框類別相同且IoU>0.5；FP(Falsepositive)為檢測出錯誤的正樣本的個數(shù)；FN為檢測出錯誤的負(fù)樣本的個數(shù)；R為整個實(shí)數(shù)集；AP為召回率和精確率曲線下的面積。[0084] 基于上述輸送帶損傷檢測方法，本發(fā)明實(shí)施例還相應(yīng)的提供一種輸送帶損傷檢測裝置500，請參閱圖5，該輸送帶損傷檢測裝置包括獲取模塊510和檢測模塊520。[0085] 獲取模塊510，用于獲取待檢測的輸送帶損傷圖像；[0086] 檢測模塊520，用于將所述輸送帶損傷圖像輸入至訓(xùn)練完備的輸送帶損傷檢測模型中進(jìn)行輸送帶損傷檢測，得到輸送帶損傷檢測結(jié)果；[0087] 其中，所述輸送帶損傷檢測模型包括用于提取輸送帶損傷圖像特征圖的聯(lián)合注意力機(jī)制模塊。[0088] 如圖6所示，基于上述輸送帶損傷檢測方法，本發(fā)明還相應(yīng)提供了一種電子設(shè)備，該電子設(shè)備可以是移動終端、桌上型計(jì)算機(jī)、筆記本、掌上電腦及服務(wù)器等計(jì)算設(shè)備。該電子設(shè)備包括處理器610、存儲器620及顯示器630。圖6僅示出了電子設(shè)備的部分組件，但是應(yīng)理解的是，并不要求實(shí)施所有示出的組件，可以替代的實(shí)施更多或者更少的組件。[0089] 存儲器620在一些實(shí)施例中可以是該電子設(shè)備的內(nèi)部存儲單元，例如電子設(shè)備的硬盤或內(nèi)存。存儲器620在另一些實(shí)施例中也可以是電子設(shè)備的外部存儲設(shè)備，例如電子設(shè)備上配備的插接式硬盤，智能存儲卡(SmartMediaCard,SMC)，安全數(shù)字(SecureDigital,SD)卡，閃存卡(FlashCard)等。進(jìn)一步地，存儲器620還可以既包括電子設(shè)備的內(nèi)部存儲單元也包括外部存儲設(shè)備。存儲器620用于存儲安裝于電子設(shè)備的應(yīng)用軟件及各類數(shù)據(jù)，例如安裝電子設(shè)備的程序代碼等。存儲器620還可以用于暫時地存儲已經(jīng)輸出或者將要輸出的數(shù)據(jù)。在一實(shí)施例中，存儲器620上存儲有輸送帶損傷檢測程序640，該輸送帶損傷檢測程序640可被處理器610所執(zhí)行，從而實(shí)現(xiàn)本申請各實(shí)施例的輸送帶損傷檢測方法。[0090] 處理器610在一些實(shí)施例中可以是一中央處理器(CentralProcessingUnit,CPU)，微處理器或其他數(shù)據(jù)處理芯片，用于運(yùn)行存儲器620中存儲的程序代碼或處理數(shù)據(jù)，例如執(zhí)行輸送帶損傷檢測方法等。[0091] 顯示器630在一些實(shí)施例中可以是LED顯示器、液晶顯示器、觸控式液晶顯示器以及OLED(OrganicLight?EmittingDiode，有機(jī)發(fā)光二極管)觸摸器等。顯示器630用于顯示在所述輸送帶損傷檢測設(shè)備的信息以及用于顯示可視化的用戶界面。電子設(shè)備的部件610?630通過系統(tǒng)總線相互通信。

[0092] 當(dāng)然，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過計(jì)算機(jī)程序來指令相關(guān)硬件(如處理器，控制器等)來完成，所述的程序可存儲于一計(jì)算機(jī)可讀取的存儲介質(zhì)中，該程序在執(zhí)行時可包括如上述各方法實(shí)施例的流程。其中所述的存儲介質(zhì)可為存儲器、磁碟、光盤等。[0093] 以上所述本發(fā)明的具體實(shí)施方式，并不構(gòu)成對本發(fā)明保護(hù)范圍的限定。任何根據(jù)本發(fā)明的技術(shù)構(gòu)思所做出的各種其他相應(yīng)的改變與變形，均應(yīng)包含在本發(fā)明權(quán)利要求的保護(hù)范圍內(nèi)。