1.一种基于改进CenterNet的带式输送机皮带损伤检测方法，其特征在于，所述检测方法包括以下步骤：S1、设备部署：将图像采集模块，即矿用轻型防爆相机和矿用隔爆光源，部署于带式输送机的上下层皮带之间，设定工作参数，工业路由器部署于带式输送机旁边的控制柜中；

S2、数据采集：选取输送机皮带工作场景，矿用轻型防爆相机对皮带图像进行实时采集；

S3、边缘去噪：输入图像至可逆神经网络模型，分离出低频结构特征、高频纹理细节特征和高频噪声，采用可训练引导滤波器将高频特征与低分辨率结构特征进行深度融合，对图像进行有效去噪增强；

S4、负载分配：控制中心通过长短期记忆网络模型评估预测图像处理任务的资源消耗量，将任务分别分配至云端服务器、边缘计算节点和本地服务器，三者协同工作，可对带式输送机皮带图像大量高密度数据进行实时处理；

S5、损伤检测：本地服务器采用KDFA‑CenterNet目标检测算法，对实时皮带图像中的各个损伤目标或其显著的视觉特征进行检测；

所述S5中，KDFA‑CenterNet目标检测算法在输入原始图像后，图像通过降采样模块进行处理，降采样参数R设置为4，经降采样后，图像数据进入主干网络提取特征，并应用知识蒸馏处理，融入通道－空间注意力转移机制，通道注意力获得隐层特征图的分割系数，空间注意力权重代表特征沿通道的分布，应用空间注意力对特征图进行压缩，平均池化和最大池化两个池化层的输出被输送到2d卷积层以达到信息融合，热力特征图、偏移特征图和尺寸特征图三个子网络分别处理，最终模型输出目标预测结果。

2.根据权利要求1所述的基于改进CenterNet的带式输送机皮带损伤检测方法，其特征在于：所述S1中，图像采集模块部署情况及参数设定为：图像采集模块部署于带式输送机的上下层皮带之间，其工作参数设定为相机最佳曝光及最近矿用隔爆光源亮度。

3.根据权利要求1所述的基于改进CenterNet的带式输送机皮带损伤检测方法，其特征在于：所述S5中，损伤检测结果覆盖以下情况：（1）皮带情况良好；

（2）皮带撕裂损伤；

（3）皮带磨损损伤；

（4）皮带破裂损伤。

4.根据权利要求1所述的基于改进CenterNet的带式输送机皮带损伤检测方法，其特征在于：通道－空间融合注意力FCSA描述式为：

FCSA= ,i∈[0,N]；

其中，ωi∈WA，空间－通道融合注意力同时包含空间和通道两部分的高维信息特征；

表示空间通道的操作。

5.根据权利要求1所述的基于改进CenterNet的带式输送机皮带损伤检测方法，其特征在于：所述S5中，KDFA‑CenterNet目标检测算法总损失函数为：Ltotal=Ldet+λ1Lfeat+λ2Lresp ；

Ldet=Lhm+μ1Lhw+μ2Loff ；

其中，λ1，λ2，μ1和μ2为超参数，以调整各项的比例；Lfeat为隐层特征图的知识蒸馏；Lresp为响应结果的知识蒸馏；Lhm为热力图损失；Lhw为宽高回归损失；Loff为偏移损失。

6.一种实施权利要求1基于改进CenterNet的带式输送机皮带损伤检测方法的检测系统，其特征在于：包括图像采集模块、数据传输模块、数据处理模块、控制模块、边缘端模块和云端数据处理模块，所述图像采集模块通过布署于带式输送机的上下层皮带之间的矿用轻型防爆相机对皮带图像进行实时采集；

其中，所述数据传输模块对图像采集模块、数据处理模块、控制模块的数据交互；所述数据处理模块对采集到的皮带图像实现任务调度，并分配加载皮带损伤模型进行实时检测任务；所述控制模块对控制信息及时进行处理；所述边缘端模块的边缘计算节点通过部署训练好的深度学习模型进行推理运算；所述云端数据处理模块为云端服务器，可在视觉控制器无法应对高强度计算任务时，对部分任务进行分配处理。

7.根据权利要求6所述的基于改进CenterNet的带式输送机皮带损伤检测系统，其特征在于：所述数据传输模块为具有数据交互功能的工业网关和工业路由器，实现对图像采集模块、数据处理模块、控制模块的数据输入输出。

8.根据权利要求6所述的基于改进CenterNet的带式输送机皮带损伤检测系统，其特征在于：所述数据处理模块为具有任务调度、损伤检测功能的视觉控制器和中心服务器，通过加载皮带损伤模型，对边缘计算节点去噪后的图像进行皮带损伤检测，并将检测结果记录于中心服务器，或通过数据传输模块发送执行命令至控制模块。

9.根据权利要求6所述的基于改进CenterNet的带式输送机皮带损伤检测系统，其特征在于：所述边缘端模块为具有推理运算功能的边缘计算节点，可部署训练好的深度学习模型，进行计算处理。

10.根据权利要求6所述的基于改进CenterNet的带式输送机皮带损伤检测系统，其特征在于：所述云端数据处理模块为具有处理分配任务的云端服务器。