基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求。基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试。测试结果表明:改进的YOLOv3-M在小样本上,可在短时间内使模型快速收敛,单张图像识别时间为21.6 ms,识别准确率为95.4%,能适应不同环境下的煤矸样本,可实现实时检测识别。     

面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要。依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统。根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集。基于迁移学习的改进AlexNet网络和RPN网络获取煤矸混合特征图像样本的分类信息和像素坐标,通过相机标定方法获得像素坐标在相机坐标系中的位置坐标。构建煤矸分拣机器人分布式控制系统的局域网络,实现识别定位系统与主控系统的实时煤矸检测信息交互。基于煤矸识别定位系统对煤矸图像的检测模型进行测试,试验结果表明,煤矸识别定位系统的识别模型检测准确率可达90.17%,煤矸目标最大定位误差9.45 mm,系统响应测试时间低于350 ms,满足煤矿复杂分选的基本要求。该煤矸识别模型对煤矸混合特征图像具有较好的检测结果,为煤矸图像识别方法应用于煤矿智能化分选发展提供了研究基础。     

基于图像处理的煤/矸密度识别系统的研究

为提高煤与矸石识别的准确性,开发了一套基于图像处理的煤/矸密度识别系统。该系统是以MATLAB为平台,针对煤/矸图像的特点,对获取的煤/矸图像进行同态滤波、中值滤波、图像分割以及形态学滤波处理,得到煤/矸的轮廓;然后利用积分算法,计算出煤/矸的体积;再利用所测煤/矸的质量,计算出煤/矸的密度,最终根据煤和矸石密度的不同实现二者的识别。试验结果表明,该方法能快速、有效地对煤和矸石进行实时检测。     

煤矸智能分选的机器视觉识别方法与优化

煤矸图像的在线准确快速识别是煤矸智能分选的关键,深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本,基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型,分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度,基于模型剪枝技术对相似度高的卷积核进行裁剪,实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标,定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果,揭示了模型的识别机理与分类依据。结果表明:利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别,但网络复杂度过低则特征提取能力不足,网络复杂度过高则易产生更严重的过拟合情况,即模型复杂度对识别精度影响较大;基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据,同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异,综合给出识别结果。压缩后的模型在计算量与模型大小减少10倍的同时,识别精度提升了17.8%,实现节约计算与存储资源的同时提升识别精度,模型性能明显优于常规网络模型。     

基于多机械臂协同的煤矸分拣方法研究

针对目前主流的煤矸分选方法存在资源浪费大、环境污染重、分选效率低等问题,提出了一种多机械臂协同的煤矸分拣机器人,重点研究了该机器人的多动态目标多机械臂协同煤矸分拣方法。为了解决工业现场环境下的矸石识别问题,提出了一种基于深度学习网络的煤矸快速识别方法,实现了拣矸带式输送机上煤矸石流的实时识别,有效提高了其综合准确率;采用双目视觉技术,实时获取矸石的相对坐标和深度信息,并研究相应的三维信息误差分析与误差补偿方法,为机械手的煤矸分拣提供依据;为了实现分拣模块中多矸石的高效分拣,提出一种多动态目标多机械臂协同的煤矸分拣策略和相应的分拣流程,实现了机械臂矸石拣取轨迹的自主规划。试验结果表明:所提煤矸快速识别和定位方法对煤矸混合样本下的目标识别准确率达到76.92%;多臂协同分拣方式相对单臂方式显著提升了煤矸分拣效率。基于多机械臂协同的煤矸分拣机器人可实现煤和矸石的自动化和智能化分选,降低煤炭分选的投资和生产成本,提高煤炭质量。     

基于光学图像的煤矸石识别方法综述

基于光学图像的煤矸石识别方法具有设备简单、易实现、绿色环保等优势,是实现智能化煤矸石分选的重要途径。该类方法分为两种研究路径,一种是需要人为提取特征进行识别的路径,一般包括煤矸图像数据采集、图像预处理、特征选择与提取和煤矸识别|另一种是利用深度学习神经网络进行自主提取特征识别的路径。文章对这两种研究路径的各类方法进行了总结,指出现有识别方法存在煤矸图像数据集不完备不充分、特征理解不全面不深入、识别方法无法兼顾高效与实时性等缺点,给出进行高效煤矸石识别的建议。     

基于改进Faster R-CNN的综放煤矸混合放出状态识别方法

放煤量的智能监测技术是智能化综放开采发展的方向之一。针对厚煤层综放开采混合介质下落过程煤矸智能识别现有方法存在适用范围窄、误判率高等问题,提出一种基于实时区域卷积神经网络（Faster R-CNN）改进的CBAM Faster R-CNN煤矸混合放出状态分析识别方法。该方法以综放开采工作面煤矸石下落状态为背景,将注意力机制算法（CBAM）融入ResNet50特征提取网络,研究了注意力机制融合于ResNet50主干特征提取网络的融合优化方法,确定了以煤矸石下落状态检测为目标的最佳融合位置,增加了提取煤与矸石权重信息的能力,使得特征提取过程重点关注煤矸运动状态参量;构建了粉尘环境下综放开采煤矸混合放出状态试验平台,对高速摄像机所采集的煤矸原始运动图像进行暗通道去雾与模糊集增强预处理操作,分析识别不同工况下静态图像,定量研究了模型权重优化以及粉尘环境预处理对煤矸混合放出状态识别的影响。研究结果表明：基于CBAM Faster R-CNN模型的预处理图像识别精确率较原始图像提升了8.84%,召回率提升了6.68%;模型优化效果方面,CBAM Faster R-CNN模型平均查准率和召回率分别为...     

基于迁移学习的煤岩壳质组显微组分识别模型

为了提高煤岩壳质组显微组分的识别准确率,避免分类器构建中特征提取阶段的人工干预,采用深度学习的方法实现煤岩壳质组显微组分类别的自动识别。由于煤岩壳质组样本数有限,采用传统的卷积神经网络构建分类器对其识别容易产生过拟合,泛化能力较差。为解决该问题,提出了一种基于迁移学习的煤岩壳质组显微组分识别模型(分类器)。该模型在传统的卷积神经网络模型基础上,通过迁移学习共享预训练网络模型中卷积层和池化层的权值系数,并结合煤岩壳质组显微图像样本,优化网络模型结构和全连接层参数,进而构建适合于煤岩壳质组显微组分识别的深度学习网络模型。试验结果表明:与由传统神经网络直接构成的深度学习模型相比,本文构建的基于迁移学习的煤岩壳质组识别模型性能和效果均明显提高,尤其是以VGG16作为预训练模型构建的分类器在本文数据集上性能表现最优,其对测试样本识别准确率可达98.10%;由于模型的训练参数减少,模型的训练时间明显缩短,且在较短的训练周期内达到收敛且训练集的识别准确率保持稳定,表明了以VGG16作为预训练模型的分类器在煤岩壳质组识别中具备较好的性能。     

破碎顶板条件下煤矸的智能识别研究

基于煤矸智能分选的关键——煤矸图像的在线准确快速识别,以实际生产状态下采集的煤矸图像为训练与测试样本,围绕着老石旦煤矿展开研究,并通过对破碎顶板下的煤矸进行视频和音频方面的智能化识别,阐述其具体操作并分析其意义,对该煤矿在开采环节当中所运用的技术加以优化和改进。     

一种基于深度学习的煤矸石检测方法

针对选煤场的煤矸分离中基于计算机视觉的煤矸石检测方法需要复杂的人工特征设计过程，在YOLOv3目标检测模型基础上，提出一种基于深度学习的端到端煤矸石检测方法。采用深度可分离卷积以及转置卷积对模型的骨干网络进行改进，以缩减模型大小并提高模型运行速度；加入空间金字塔池化模块，改善模型的特征融合能力；引入平衡L1损失函数和距离交并比损失函数，加速模型收敛并提高定位准确性。研究结果表明，所提算法能够实时精准地检测出煤与矸石混合体中的矸石，为提高煤炭质量、改进分拣效率提供有效保障。     

基于神经网络的伺服系统的研究

提出了用ＣＭＡＣ神经网络对交流伺服电动机系统进行学习控制的方案, 并以交流永磁同步伺服电动机为对象进行了实验研究, 表明了此控制方案具有显著提高系统响应宽度和控制精度的优点．     

基于特征融合宽度学习系统的锌浮选过程工况识别

浮选工况是浮选操作的重要判断依据，如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法，通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型，工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况，难以获得满意的识别效果。为此，针对当前大部分工况识别方法自适应性不足的问题，本文以锌精选为例，提出一种基于多特征宽度学习的锌浮选工况识别方法，以增量学习方式自适应新出现的工况。首先，根据多特征的不同特性，构建基于多特征宽度学习的锌精选工况识别模型；然后，在浮选状态变化和精选槽故障导致模型识别准确率降低时，通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明，本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能，应用价值良好。     

内在动机策略在课堂教学中的情感效应

为了达到在新课标下基础教育阶段英语教程的总体目标,运用“双系法”培养学生的综合语言运用能力,使内在动机策略在课堂教学中产生情感效应。     

关于构建数字媒体教育基于SNS的校际学习平台的研究

数字媒体是高等院校综合性交叉学科。为了满足教师教学需求、学生学习需求和就业需求、社会发展需求,基于SNS的校际学习平台是一种非常好的教育支撑。构建这样一个集教育、科研、就业于一体平台,有助于培养符合社会需求的复合型人才。     

教育博客在软件工程教学中的应用研究

教育博客是网络发展的产物,它作为一种新的教学和学习方式已经被越来越多的人所接受。基于博客宜于教学的特征,根据软件工程的学科特点和教学特点,系统地分析了教师和学生在软件工程教学中对教育博客的具体应用。     

基于AGENT技术的网络协作学习研究

为了改进网络协作学习中的一些问题,将智能代理技术引入到网络协作学习当中,建立了一个由主控程序、信息代理、学生代理、教学代理构成的网络协作学习智能代理模型,较好地满足了网络协作学习个性化的需求,促进其向个性化,智能化的方向发展。     

基于深度学习的浮选加药控制系统

赵楼煤矿选煤中心根据浮选泡沫的特点将深度学习技术融入到浮选加药系统的研发之中,设计了基于卷积神经网络的识别与分类网络,提高了系统的泡沫识别准确率及抗干扰能力。通过将西门子PLC、WinCC、高清摄像机与智能算法的深度接合,使浮选加药控制系统实现了"人工智能"。     

高职学生英语学习动机调查与分析

本文调查并分析了我院高职一年级学生学习英语的动机。调查结果发现大部分学生有积极学习的愿望,且认识到动机与成就的关系,但在学习过程中则不能持之以恒;部分学生对英语学习没有多大的动机。针对调查情况,提出了加强教育与引导的意见。     

独立学院计算机公共课程网络资源库的建设

从独立学院学生的特点出发,从当前独立学院计算机公共课程的现状出发,提出了创建独立学院计算机公共课程网络资源库的意义,对其组织结构和主要内容做了详细论述。     

基于强化学习算法的地下铲运机车速控制

针对铲运机无人驾驶行驶时车速变化难控制的问题,将强化学习算法应用于车速的控制,使车辆在各种状态下车速保持平滑稳定.对比了强化学习算法和经验法、模糊控制、传统PID控制、滑膜控制、逆控制、智能优化算法等算法,分析并设计了强化学习策略,推导出了强化学习模型,即控制车速和上一时刻车速、上一时刻航向角偏差、上一时刻位置偏差的关...