基于深度学习的智能爆破矿岩块度自动分析系统

在露天开采领域,自动、准确地获取爆堆矿岩块度信息是优化爆破设计的关键。针对目前块度分析系统存在无法自动采集和自动批量处理图像的问题,提出一种基于深度学习的矿岩块度自动分析系统,该系统主要由基于MobileNet分类模型的自动采集子系统和基于U-Net语义分割模型的自动分析子系统组成。系统自动连续采集旋回破碎站的电动轮卸矿图像,通过4G网络上传云平台进行块度信息自动分析,分别对分类模型和分割模型进行定量、定性评估,其中分类模型在测试集上的精度达到98.08%,矿石分割模型的矿石类别IoU达到78.43%。将系统部署到某矿露天采区旋回站,通过一年多的工业生产实践,结果表明,本系统达到了设计要求,实现从采集到分析、信息展示全流程的自动化、无人化、智能化,可以进一步为智能爆破提供数据支持。     

基于无人机贴近测量的露天矿岩质边坡结构面自动识别

获取岩质边坡结构面特征是露天矿山开展边坡稳定性分析的关键工作,传统的工程调查手段容易受到边坡地形限制,存在作业风险高、效率低等问题。为高效、安全地获取露天矿岩质边坡的精确结构面特征,利用无人机倾斜测量与贴近摄影测量技术开展了露天岩质边坡测量工作,构建了边坡的精细三维点云模型。通过进行边坡点云数据滤波、特征值获取以及基于区域生长法的平面分割分析,实现了基于点云数据结构面参数的识别与提取,形成了一种基于无人机获取岩质边坡结构面的自动、高精度测量方法,并在攀枝花铁矿尖山矿区北部边坡开展了工程实例验证。研究表明:基于无人机测量获取符合工程精度要求的边坡三维点云数据,采用结构面自动识别方法可快速地从边坡点云数据中获取岩体结构面信息,为边坡稳定性分析与评价提供了基础数据。     

基于无人机摄影技术的露天煤矿深基坑变形实时监测研究

以保障矿区工程施工安全为目的，研究基于无人机摄影技术的露天煤矿深基坑变形实时监测方法。按照露天煤矿工程分布情况，使用混合基准网法确定无人机航飞范围，选择UX5型无人机搭载红外摄像机采集该矿区深基坑红外图像；使用PIX4D mapper软件对红外图像数据进行全自动化处理，生成正射影像和数字表面模型；使用点云配准方法获取露天煤矿深基坑水平变形和沉降变形结果。实验结果表明，本文方法设计的无人机航飞方案较为合理，拍摄红外图像的航向重叠率和旁向重叠率较小，生成的深基坑DEM文件较为精准，匹配点云数据的吻合度为98.44%,匹配精度较高，可有效精准监测露天煤矿深基坑沉降情况，为露天煤矿深基坑安全施工提供准确数据。     

煤炭快速定量装车站精准装料控制系统设计

为解决目前定量装车站存在的自动化和智能化程度不高、人工操作强度大、装车效果不精准等问题，设计了一种快速定量装车站的精准装车系统，该系统包括车厢编号获取的控制技术、定量仓阀门控制技术以及溜煤槽控制技术。通过可编程控制器PLC对不同设备进行信息采集与处理，实现设备的控制，完成快速定量装车站精准装车。并设计出一套车厢残余煤炭量检测方法，主要是通过二位激光雷达扫描待装车厢的内表面并生成点云数据，对点云数据处理得出车厢内煤炭的三维图像，图像进行滤波处理后得出车厢内残余煤炭质量，实现非接触称重。最后，在国家电投内蒙古白音华蒙东露天煤矿对快速定量装车站的关键技术进行验证。该研究内容可为露天矿火车快速定量装车系统研发提供依据。     

基于三维点云分割的煤堆体积计算方法的研究

针对矿场区域煤堆体积测量的问题，提出了一种利用激光雷达绘制三维点云图像，并结合Point-Net神经网络进行分割处理的体积测量方法，相较于传统测量方法，该方法测量精度高，速度快，且无需进行接触测量，能够满足大型煤炭矿区散料堆的体积测量需求。最后利用人工搭建的煤堆进行实验验证，验证了该方法的有效性。     

热电厂运煤车厢动态监测及体积测量方法

热电厂存煤量的实时检测是数字化生产的重要环节,检测得到的大量统计数据为煤量供耗科学管理提供数据支撑。提出一种图像和激光相结合的低成本运煤车厢物料监测和非接触式体积测量方法。首先,基于神经网络的目标检测方法和K-Means聚类算法实现对进出煤场车厢类型和标号的自动识别;其次,利用光流法获取车厢运动速度信息,采用二维激光和图像测速相结合的方式生成车辆的三维点云模型;最后,利用区域生长方法,得到特定区域内的有效激光点云数据,并利用多重积分和三维重构技术,得到不同车厢的装煤量体积数据。现场试验结果表明,该方法可以对不同运煤火车车厢装煤量进行实时测量,测量精度达到92%以上。     

基于深度残差网络的有色金属破碎料视觉识别方法

为从报废机械中回收和分选有色金属,提出一种基于深度残差网络的有色金属破碎料视觉识别方法,使分选过程自动化。为从彩色CCD相机采集的图像中获得金属破碎料的感兴趣区域(ROI),通过反距离加权插值算法优化大津方法,使得图像分割的阈值可以自适应调节,以取得更好的分割效果。有色金属破碎料的感兴趣区域作为一个39层的深度残差网络的输入用以训练网络,深度残差网络输出每个有色金属破碎料的类别,工控机通过这种算法和相机标定获取破碎料在传送带上的位置和类别信息来控制分选机构。作为对比,开展了基于传统的卷积网络,如AlexNet、VGGNet16、VGGNet39、GoogLeNet(Inception V2)的有色金属破碎料识别测试。结果表明,基于深度残差网络的方法对铝料、铜料和其他杂料的识别准确率分别达到98.7%、98.9%、96.2%,优于基于传统的卷积网络。     

利用点云数据进行惠泉变电站三维重建

提出了一种利用激光扫描仪采集的点云数据对建筑物进行快速三维重建的方案。对于待扫描的建筑物,获取从不同角度扫描的激光点云,首先进行相邻扫描站的激光点云自动拼接,生成统一的点云模型,然后再通过点云提取特征线,利用共面条件,提取建筑物框架生成三维模型,最后得出利用三维激光扫描技术可以快速建立三维空间的可视化模型,解决了传统测量仪器和测量方法在变电站等特殊领域的不足的问题。     

煤矿地下毫米波雷达点云成像与环境地图导航研究进展

环境感知与地下空间导航是煤矿智能化信息领域的重要研究方向,对实现无人化、全自动化、智能化的煤矿生产作业至关重要。随着第五代移动通信技术(5th generation mobile networks,5G)和毫米波成像雷达软硬件日益紧密结合与成熟,毫米波探测与通讯应用到更多领域。5G通讯技术依托高速率、低延时、高带宽的特点给现有的无线电通讯技术带来巨大的变革;同时,毫米波雷达相比激光雷达,低成本、抗干扰、三维点云(3 dimension point cloud,3D)数量相对激光点云数量少1～2个数量级的特点,使得其在地下环境3D成像及同步定位与地图构建(Simultaneous Localization and Mapping,SLAM)领域得到越来越多的关注。基于5G通讯的V2X(Vehicle to Everything)技术结合毫米波SLAM导航,为煤矿机器人的自主导航提供新的解决方案。系统综述了当下煤矿机器人自主导航以及实现煤矿智能化所面临的问题;近期国内外毫米波成像最新进展;地下环境毫米波雷达模块组通讯与信号获取方法;高分辨率成像遇到的稀疏特征提取问题;稀疏点云的处理策略与算法评估;深度学习在毫米波稀疏点云处理中的研究现状与发展方向;SLAM算法应用于不同环境的研究现状及SLAM导航算法。归纳了煤矿地下环境中应用SLAM地图构建、路径规划及避障的困难和挑战,并对未来煤矿复杂环境下毫米波通讯与导航兼容并蓄的新应用提出了展望。     

采空区三维激光扫描智能化监测技术研究与应用

研制出基于三维激光扫描技术的采空区智能化监测系统,实现空区无人自动化监测。系统通过导轨自动伸入空区测量,将采集的点云数据传输到地面控制中心,通过软件处理获得空区三维形态,将多期测量数据进行对比,分析空区相对变形状况。试验表明,系统可准确判断空区变形位置和体积,为采空区智能化监测提供技术支撑。     

二维激光扫描技术在大型矿仓计量系统中的应用

介绍了一种应用二维激光扫描技术，结合矿仓内部行走机构，扫描测量矿仓内矿物堆存的高度数据，实现大型矿仓堆存矿量快速准确计量的自动计量系统。扫描中记录矿仓内堆存矿物表面各点至扫描仪的距离，并利用安装在行车上的旋转编码器测量行车位置及移动数据，然后利用无线AP将数据传送至计算机，自动完成矿仓的计量工作。系统显著提高了矿仓的计量精度和效率，在同类型矿仓的计量中具有很好的应用前景。     

新建选煤厂脱水系统自动化改造

为了提高新建选煤厂的脱水效率,提出了新建选煤厂脱水系统自动化改造研究。根据新建选煤厂脱水系统供电原理,设计了新建选煤厂脱水系统的供电结构,在选煤厂原有脱水机的基础上,对新建选煤厂离心脱水机进行改进设计,完成系统硬件的自动化改造;在系统软件的自动化改造中,依据流量计安装示意图,监测了煤泥水的入料流量,通过优化设计新建选煤厂底流站程序,实现了新建选煤厂脱水系统的自动化改造。实例分析结果表明,经过自动化改造后的脱水系统在原煤脱水过程中,可以将煤泥入料阶段、渗透膨胀阶段和脱水阶段的脱水效率提高到80%以上。     

基于三维激光扫描技术的晋城矿区DEM建构研究

晋城矿区地形复杂,多位于山区和丘陵地带、地势起伏较大甚至包括悬崖和峭壁,传统地形测绘方法难以满足测量要求。三维激光扫描技术数字化、快速、非接触的特点正好可以解决这类问题。文中介绍了三维激光扫描技术的基本原理,并结合采集的矿山地形数据,进行了地形点云数据的采集方法、点云数据拼接方法、点云数据中植被信息剔除方法、DEM模型建立的相关研究。     

气动式自动采样机

我厂洗选西露天矿坑原杂煤,年入洗毛煤450万吨左右。由于工艺较复杂,地点分散,仅水洗车间就有取样点16处,人工采样占用人力多且代表性差。为了改变这种状况,我们吸取其他厂、矿自动采样机的经验。于一九七五年研制成功第一台气动式自动采样机,这种采样机结构简单,制造容易、使用方便、事故少、使用可靠。到七七年投产四台,七八年全厂又制作安装十二台,现全厂已全部实现了自动采样。     

基于三维激光扫描技术的爆破块度识别

为快速、准确的统计现场爆破块度,提出了基于三维点云的爆破块度识别方法。利用三维激光扫描仪获取爆堆点云数据,通过ICP配准、SOR降噪和体素下采样进行点云预处理,采用RANSAC平面拟合对预处理后的点云数据进行初始分割、基于点云密度的DBSACAN算法进行聚类,识别岩块轮廓。通过计算聚类后岩块点云的三维凸包和OBB方向包围盒,获得爆堆点云中所有岩块的体积和最长粒径。结果表明：在室内试验中基于三维点云的爆破块度识别方法与直接测量法相比获取的体积平均相对误差为4.61%,粒径平均相对误差为4.75%;在现场测试试验中的平均识别准确率为80.4%,获得的爆破块度统计结果对爆破参数优化具有一定的参考作用。     

基于ZigBee的煤矿安全监测及定位系统设计

在分析传统煤矿井下安全监测和人员定位的基础上,提出了基于ZigBee的煤矿安全监测及人员定位于一体的系统设计方案。设计了系统体系结构,并详细设计了节点的软硬件。系统通过安装在节点上的传感器采集井下环境数据,采用基于固定节点间距离的校正模型进行人员定位,并将采集的信息通过以太网传输到井上监控主机,实现对井下环境和人员位置的实时监控,对煤矿安全监测和事故抢救具有重大意义。     

选煤设备无线智能点巡检系统设计与实现

目前,选煤设备点巡检模式由传统的人工观察进行检 测与记录转变为借助点巡检仪、传感器采集设备参数后向系 统手动输入.但存在数据输入易差错、无法自动可视化分析 等诸多弊端.因此,提出了一种基于J２EE 框架,采用 B/S 和 C/S架构的选煤设备无线智能点巡检系统.该系统将手 持点巡检仪在生产车间采集的数据参数通过无线 AP网桥 自动 上 传,并 存 储 至 服 务 器 的 MySQL 数 据 库,在 手 机 Android端、电脑 Web端的系统界面自动同步显示数据及绘 制可视化图表.利 用 Java孤 立 森 林 算 法 程 序 清 洗 干 扰 数 据,利用多项式回归程序分析设备运行状态,预判设备部件 故障.并可在线查看点巡检员是否到岗,点巡检工作是否有 遗漏,是否存在死角,为点巡检工作绩效考核提供技术支撑. 实际应用效果表明,系统工业运行取得了降低设备故障率、 延长机器使用寿命的良好效果,将选煤设备故障从事后追责 前推到实时预警.     

铁精矿智能工业机器人—无人装运系统

随着智能制造在矿山行业的应用，铁精矿堆料仓库智能化、无人化发货的需求越来越紧迫。铁精矿粉颗粒极细，矿堆表面形状极不规则，有吸波、漫反射、信号等干扰因素，无人值守机器人系统在抓取点精准选取方面具有极大挑战性，易发生抓斗下部滑槽、上部爬绳事故，从而造成发货业务中断。因铁精矿粉发货的上述特点，研制具有精确采集高度、智能调度、自动化装运技术于一体的智能装运系统难度非常高，目前尚未见到具有系统性、实用性、智能化的铁精矿无人值守工业机器人装运系统。项目小组经过 3 年的研究，攻克了铁精矿高度采集雷达、铁精矿粉三维分布及调度处理算法等关键技术，研制出铁精矿工业机器人装运系统，可应用于工矿企业堆料仓库、港口码头散料的全自动发货工作。在宝钢梅山矿业公司上线应用测试，效果良好，推广应用前景广阔。     

基于三维激光扫描技术的矿区建筑物变形监测方法

传统变形监测方法存在工作量大、监测点难以保护、监测时间长等不足,与传统监测方法相比,三维激光扫描技术具有非接触、高密度、高精度、信息量大、快速获取物体表面三维空间坐标等优点。结合相似材料模型试验,提出了基于三维激光扫描技术的矿区建筑物变形监测思路。首先采用全站式三维激光扫描仪分别对二维相似材料模型在5个不同开采时段进行整体扫描,将扫描数据通过点云数据后处理软件进行预处理,从中提取模型上黑白靶标即变形监测点的三维坐标;然后结合MATLAB语言编程,实现监测点由假定坐标到目标坐标的自动化转换,提高点云数据处理效率;最后根据试验得出的变形监测思路,对某矿区水塔进行了变形监测,并与全站仪的监测数据进行了对比分析。研究表明:采用三维激光扫描技术获取的水塔变形监测数据与全站仪获取的监测数据的最大误差仅为1.8 mm,远小于沉降变形监测10 mm的精度要求,可见对矿区建筑物采用三维激光扫描技术进行变形监测具有可行性。     

基于无人机LiDAR的榆神矿区采煤沉陷建模方法改进

煤矿地表沉陷监测中常规的大地测量和InSAR等遥感手段均有一定的局限性。利用无人机LiDAR对沉陷区进行地面扫描,通过多期数据叠加可快速获取地表沉陷盆地的精细特征。然而,按现有的主流点云滤波及插值算法所构建的沉陷模型往往包含显著噪声,限制了该技术在矿区的实际应用。以榆神矿区某开采工作面地表为实验区,针对其地形起伏而植被覆盖度较低的地理环境,利用低空无人机Li DAR获取2期4组地面点云数据,结合常规地表移动实测数据,研究基于激光点云的矿区沉陷建模改进方法。分别采用专业化数字高程模型插值、反距离权重插值、克里金插值、自然邻域插值、样条函数插值及三角网渐进加密滤波、基于高程阈值的滤波、多尺度曲率滤波、基于坡度阈值的滤波、渐进形态学滤波等主流点云插值和滤波算法,构建实验区数字高程模型(DEM)并进行误差对比分析,发现专业化数字高程模型插值及三角网渐进加密滤波算法的效果相对较优,但两期DEM叠加生成的初始沉陷模型仍然精度不足,主要包含点云平面位置误差、非地面点噪声、点云内插误差、水域覆盖范围变化等引起的模型误差。在分析上述误差分布特征及其改进途径的基础上,提出基于小波阈值的沉陷模型去噪优化方案。针对沉陷盆地和非沉陷区域选用不同的小波参数,先利用非沉陷区下沉值为零的先验条件,对全区域数据进行多层次小波分解,再对沉陷区进行低层次小波分解,最后将两者结果进行镶嵌处理。实测验证表明,经上述小波去噪后的沉陷模型精度得到显著改善,并有效保留了沉陷盆地的细节特征,沉陷模型的总体标准差在50 mm以内,能够满足西部矿区地表大变形监测的基本要求。进一步根据沉陷模型边缘的随机误差特征,提出了基于下沉坡度临界值的沉陷边界提取方法,为机载LiDAR技术用于西部矿区采煤沉陷的高效监测与精细建模提供了可行方案。