融合残差信息轻量级网络的运煤皮带异物分类

矿井中开采出来的煤炭要经过运煤皮带的长距离运输才能到达地面。大量有关矿井中煤炭安全高效运输的研究显示,皮带在煤炭输送过程中存在大块矸石、锚杆等异物划伤、撕裂皮带和堵塞落煤口等安全隐患,预警、分选及联动控制不及时会严重影响煤炭的运输效率。为克服当前对皮带异物分类识别时存在的网络参数量大、实时性差、识别精度低等问题,提出了一种融合残差信息的轻量级网络。该网络采用残差块作为基本特征提取单元,在残差块中去除卷积块之间的激活函数。采用交叉学习机制和特征拼接的方法来融合不同尺度的特征信息,增强了特征的表现力。精简信息融合网络的结构并增加信息融合网络的数量,提高了模型的扩展性。在模型进行前向传播时,对损失函数进行阈值处理,改善了测试集损失函数升高的问题,提高了模型的泛化性。提出的轻量级分类网络模型在Cifar10数据集、Cifar100数据集和矿用数据集的分类准确率分别为94.1%,73.9%和85.1%。在矿用数据集上与ShufflenetV2,MobileNetV2,ResNet50,ResNeXt50,W-ResNet50,ResNet110等算法相比,本文提出的模型的识别准确率分别提升了4....     

矿用带式输送机故障辅助识别系统实证研究北大核心

为了防止煤炭开采运输过程中的异物对运输设备和生产设备产生损坏,结合传统的带式输送机检测系统研制了一种基于机器视觉深度学习的带式输送机故障辅助识别系统;通过图像算法库进行图像预处理,增强系统对有关信息的可检测性;使用深度学习训练得出的识别网络模型利用监控视频对异物进行识别,提高系统识别异物的准确率,有效提高运输环节的运输效率。试验结果表明:故障辅助识别系统可以保证综采工作面运输系统的正常运行。     

基于改进DeeplabV3+和迁移学习的煤岩界面图像识别方法

煤岩识别技术是实现煤矿工作面智能无人开采的关键技术之一。为进一步提高基于机器视觉实现煤岩界面图像识别的精度和效率，提出一种基于改进DeeplabV3+和迁移学习的煤岩界面图像识别网络模型：首先，使用轻量化MobilenetV2模块作为骨干特征提取网络，减少网络模型参数，提高语义分割效率；然后，在编码器和解码器中引入卷积注意力机制模块（CBAM），提高模型特征提取能力，并实现不同层级特征信息有效融合，提升模型分割精度；其次，采用迁移学习训练方法，克服样本分布差异性，增强模型泛化性，以适应于不同应用场景下的煤岩识别任务。应用自制煤岩分割数据集和综采面煤岩分割数据集验证模型性能，与FCN、SegNet、U-net、DeeplabV3+网络模型作对比试验，并选择准确度、平均交并比、推理时间等指标对模型识别效果进行评估。消融试验结果表明，改进DeepLabV3+网络模型在自制煤岩分割数据集上准确度和平均交并比分别为94.67%和93.48%，测试用时42.58 ms/张，采用推理加速框架TensorRT优化后推理时间可达6.14 ms/张，与其他模型相比，改进DeepLabV3+对煤岩边界细节特...     

多模式特征增强卷积的带式输送机异物检测模型

带式输送机异物检测是矿山生产过程中的重要组成部分。针对带式输送机异物特征，笔者提出了一种多模式特征增强卷积神经网络模型，并将其应用于矿山异物检测。该模型使用一种跨级连接Darknet作为模型骨架，以减少图像信息的损失；采用空间特征提取模块，提高模型对模糊物体的特征提取能力；引入注意力融合增强模块，增强相邻特征图之间的信息，实现对多尺度和小目标地准确检测。该方法在带式输送机数据集的准确率达到了93.54%。     

一种基于多尺度特征复用残差网络的矿山图像重建算法

针对矿山图像重建中细节损失导致重建质量低下的问题,提出了一种基于多尺度特征复用残差网络的矿山图像重建算法,旨在提高矿山场景下图像重建的精度和效率。首先,设计了一个多尺度特征提取模块,通过堆叠多个并行的卷积层和池化层,结合局部残差网络构建图像特征提取模块,通过不同尺度的多路组合网络,从输入图像中充分提取图像的多尺度细节特征。这些特征表示具有不同的语义信息和空间分辨率,能够捕捉到图像中的不同细节和纹理结构。然后,引入了特征复用模块,将不同尺度的特征进行融合和复用,以增强图像重建的准确性。通过多尺度的特征交互和信息传递,可以有效地利用全局和局部的上下文信息,提高图像的重建性能。通过在自建的矿山图像重建数据集上进行试验,结果表明:所提出的算法在重建精度和效率方面均得到了显著提升,与其他深度学习模型相比,该算法在重建图像的细节保留和结构准确性方面表现出更好的性能。此外,该算法具有较快的训练和推断速度,适用于实际应用场景。     

基于深度融合网络的煤矿图像尘雾清晰化算法

针对现有煤矿尘雾图像清晰化算法存在的过增强现象和适用性不足等问题,提出一种基于深度融合网络的清晰化复原算法。深度融合网络主要包括3个部分,即图像预处理模块、特征融合模块以及图像输出模块。图像预处理模块基于对比度增强函数、亮度增强函数和伽马校正函数对输入图像进行处理,获取表征不同增强方式及程度的图像序列。由于图像尘雾清晰化需要同时考虑图像的局部信息和全局信息,在空间金字塔池化和上下文信息聚合网络的基础上提出了能够实现双向的上下文信息提取的双金字塔模块,该模块包括2个空洞卷积的串联子块,其中1个子块是以对多个尺度的空洞卷积按尺度由小到大进行串联组成,另1个子块是以对多个尺度的空洞卷积按尺度由大小进行串联组成。图像输出模块主要对特征融合层获取的特征进行处理,从而输出三通道图像,即为最终的尘雾清晰化的图像。为了获取训练数据,本文在煤矿井下清晰图像的基础上基于尘雾图像形成机理构建了较大规模的训练数据集。在训练的过程中,采用了最小平方误差损失函数和基于VGG网络的内容损失函数对网络进行优化。为评价本文提出的基于深度融合网络的清晰化算法的有效性,选取其他6种有代表性的清晰化算法进行对比。实验结果显示,本文算法在主观评价和客观评价方面都优于上述算法,表明本文算法能够有效解决过增强现象,并提升煤矿图像的清晰度和可视化效果。     

基于语义分割的综采工作面视频拼接方法

研究了一种基于语义分割的综采工作面视频拼接方法。该方法针对井下要求，以采煤机为拼接主体。首先使用语义分割模型分割出各路监控视频中的采煤机，获取其在图像中的位置；然后根据采煤机位置来对齐各路监控视频中的采煤机；最后使用图像融合技术来对重叠区域进行融处理。实验结果表明，该方法能够有效地满足井下工作面拼接需求，并具有较高的稳定性和普适性。     

基于递归门控卷积和上下文注意力的煤块检测算法

针对煤矿带式输送机上煤块检测因光照不均存在的漏检与误检问题，提出一种基于门控卷积和上下文注意力机制的改进YOLOv5煤块检测算法。首先，将主干网络中残差模块替换为递归门控卷积模块，通过逐步融合特征信息，提取高阶语义特征，增强模型的特征提取能力。其次，在特征融合结构中加入GCA注意力机制，将全局上下文信息融入坐标注意力模块中，加强感兴趣区域的全局表示，增强多尺度特征融合能力，提高模型对煤块边缘特征的敏感度。最后，采用SIoU损失函数，加速网络模型的收敛。试验结果表明，改进的算法在自建煤块数据集上平均精度均值达到92.8%,召回率达到85.9%,检测速度达到38帧/s。既提高了检测精度，又满足了检测的实时性。     

基于改进FPN的输送带异物识别方法

针对大块矸石或铁器等进入运煤输送带系统易造成输送带损伤、撕裂等问题,提出了一种Faster-RCNN+双向特征金字塔网络(Double-sided Feature Pyramid Networks,DSFPN)的运煤输送带异物识别模型,模型以深度学习目标检测框架Faster-RCNN为基础,对FPN结构改进提出了DSFPN,DSFPN通过自底向上和自顶向下2个多尺度特征融合过程来解决输送带异物的多尺度问题。测试结果表明,DSFPN可以有效的提升小块矸石等小尺寸异物的检测能力,并且提升了类似锚杆、大矸石等大尺寸异物的识别精度。     

基于机器视觉的煤中杂物智能分选系统研究

为解决煤炭分选过程中杂物对生产的影响及由此产生的各种问题,设计了基于深度学习和机器视觉的集煤中杂物智能识别、定位和分拣于一体的杂物智能分选系统。该系统建立了基于语义分割的像素级杂物识别模型,计算成本比标准卷积网络模型降低8～9倍;构建了复杂环境条件下的机械手精准抓取策略,能够避开干扰物,实现硬质物料、轻质物料抓取点的精确选择。在涡北选煤厂的应用测试表明,该系统杂物检测准确率为96.647%,机械手分拣成功率为94.759%,系统分拣率为91.640%,能够高效除去煤中杂物,提高了杂物分选过程的智能化水平。     

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AlexNet-SN网络的煤与煤矸石分类方法

现有煤矸石分选方法依据人工设计的特征对煤矸石进行识别,特征提取过程稍显复杂,准确率仍有很大的提升空间。人工智能技术快速发展,智能选矸成为解决煤矸石分拣问题的重要研究方向,为提高煤与煤矸石分类准确率,本文提出了一种基于AlexNet网络和风格迁移技术的改进的煤矸石分拣方法。选用 的卷积核代替原AlexNet网络前几层中较大的卷积核,利用BN层代替LRN和Dropout,并采用风格迁移数据增强的方法提高煤与煤矸石数据集的多样性。结果表明,与原始的AlexNet网络相比,该方法的准确率提高了1.8%,损失率下降了2%。本文选用的方法不仅能够满足实时检测的要求,而且具有更高的识别精度,能有效应用于煤矸石识别。     

基于三维图像特征的矸石含煤率在线检测方法

矸石含煤率是选煤生产的关键指标之一,目前还不能在线检测。因此,提出一种基于机器视觉和粒子群支持向量机的新方法来检测矸石含煤率。首先将采集到的矸石胶带上的单目图像进行分割,识别出属于煤和矸石类别的各个区域。从各区域中提取出尺寸特征参数和密度特征参数,分别得到煤和矸石的特征参数,再将矸石的特征参数除以煤的特征参数,得到样本图片的二维特征参数。同时在胶带上采集双目图像,获取图像的高度信息,计算高度比三维图像特征,通过计算Pearson相关系数筛选出八个最优特征,最后利用支持向量机预测矸石含煤率并通过粒子群优化算法对模型进行优化。建立平面特征模型与三维特征模型,对比分析两个模型的预测结果,三维特征模型的性能明显优于平面特征模型,平均相对误差为7.57%。     

煤矸双能X射线图像多维度分析识别方法

环境适应能力强、识别精度高是有效分离煤和矸石的前提。采用双能X射线透视煤和矸石并成像,避免了粉尘、光照强度和物料表面等外界因素影响。但双能X射线探测器采集射线能量数据存在余晖效应、厚度效应和射束硬化效应等缺陷。为降低缺陷影响,提高煤和矸石识别率,提出一种联合R值图像与高、低能图像特征对煤和矸石进行多维度分析的方法。首先基于双能X射线采集系统获取高、低能图像,并利用比值法得到R值图像;然后针对所获取的3种图像,研究煤和矸石密度及灰分含量等关键物性参数与图像特征关系,据此设计特征提取方案,共计提取8个特征参量,形成一种强特征组合;最后采用Relief算法度量每个特征参量的重要性,进而设计分类试验。以不同地区肥煤、焦煤、气煤和矸石为试验对象,观察剔除权重较低的特征后,分类模型准确率,发现以特征组合[R_c,Gl_c,G_l,R_a]为输入,PSO-SVM分类模型对3种煤混合矸石识别效果最佳,识别率为99.4%。结合PSO-SVM分类模型和[R_c,Gl_c,G_l,R_a]的特征组合对肥煤、焦煤和气煤分别混合矸石进行识别验证,结果表明:肥煤混合矸石识别率为98.89%,焦煤混合矸石识别率为100%,气煤混合矸石的识别率为99.44%。本方法通过联合多张图像的多个特征,进行多维度分析,发现R值图像特征和高能图像特征对煤和矸石的区分度最好,可有效降低双能X射线缺陷影响,能以较少的特征,实现对不同煤种的较高识别率,优于现有方法。此外,以灰分、密度为参照选取特征阈值,贴合实际需求,减少了工程应用中根据矿区煤质差异进行参数调整的频次,提高了识别模型的泛化能力。     

Relief-MRMR-SVM在煤矸图像分类的研究

煤和矸石的图像分类是实现煤矸自动分选的关键环节。为提高煤矸分选模型的准确性和稳定性,提出了一种结合Relief、MRMR算法及SVM分类器构建的混合式特征选择及分类方法,提取煤矸图像的颜色及纹理共26个特征对其分类进行研究。在提取纹理时联合使用了LBP局部和GLCM全局特征,有助于提高分类的准确性。利用该特征选择方法选出最优特征子集后,用粒子群和支持向量机算法构建PSO-SVM最佳参数模型进行煤矸分类。结果显示,该方法能剔除较多冗余特征,提高煤矸分类的效率|在两个数据集上,该模型的平均分类准确率分别达到96.12%和94.17%,证明了方法的有效性和模型的稳定性。     

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。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征。在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特征的描述能力,对煤矸石图像的细观孔隙结构进行分形维数计算,进一步凸显了煤矸石图像在细观孔隙结构特征上的差异,最后将灰度特征、纹理特征和细观孔隙结构特征结合进行识别分类,最终得到较高的识别率,这为结合分形维数的煤矸石识别技术的进一步研究和应用奠定了基础。     

基于PLC和编码器的工件材质识别及自动分拣设计

设计了一种应用于煤矸石粉碎生产线的高合金耐磨锤头工件材质识别及自动分拣装置。以S7-200 PLC为控制器,利用增量式旋转编码器、传感器、变频器等技术,完成了系统的硬件设计、软件设计和触摸屏上位机通信。实验结果表明:该装置智能化程度较高,可靠性好,可较好地应用于自动化煤矸石粉碎生产线中各种工件组合套件的自动分拣。     

煤与瓦斯突出预测的SOFM模型及应用

煤与瓦斯突出是煤矿生产活动中常见的一种动力灾害之一,其危险性等级评价是煤矿安全生产的必要前提和保证。文章综合考虑煤与瓦斯突出发生的地应力、瓦斯和煤的物理力学性质等条件,选取地质破坏程度、瓦斯压力、瓦斯放散初速度、煤的坚固性系数以及开采深度作为煤与瓦斯突出危险性预测的评价指标。基于此,文章借签一种自组织特征映射(SOFM)神经网络,建立煤与瓦斯突出危险性预测的SOFM神经网络模型,将SOFM神经网络模型应用于国内26个典型矿井的煤与瓦斯突出危险性预测。研究表明,SOFM神经网络模型预测效果较好,其正判率为92.31%。说明该模型可为小样本、多指标的煤与瓦斯突出预测提供一种新的思路。     

自燃煤矸石山的遥感识别——基于Landsat 8热红外波段地表温度反演数据

自燃煤矸石山的准确识别和温度影响范围圈定是矿区安全生产、生态修复的关键,煤矸石山自燃过程中表现出的地表温度异常成为其最明显的特征。如何在较大区域尺度快速识别自燃和潜在自燃的煤矸石山,对于自燃煤矸石山治理与防患工作有效开展至关重要。以Landsat 8 TIRS为数据源,利用大气校正法反演获取山西省阳泉市2018年冬季和2019年夏季两天的地表温度,同时利用监督分类法获得的高精度土地利用类型图去除了水体、植被和建筑用地。对得到的包含裸地、煤矸石山的地表温度区域使用阈值分析法,获得了2018年冬季地温异常区域温度范围为11.75~22.12 ℃,2019年夏季地温异常区域温度范围为32.41~43.31 ℃。利用已知的42座自燃矸石山进行验证,结果表明：2018年冬季和2019年夏季分别能够识别出的自燃煤矸石山有32座和27座,精度达到了76.19%和64.28%。基于上述提取结果对自燃煤矸石山的影响边界和范围进行了划定,结果表明:自燃煤矸石山的高温影响范围超过500 m。研究结果可为矿区自燃煤矸石山识别提供参考。