基于改进YOLOv5的带式输送机大块煤检测

过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤,然而大块煤和普通煤块在外形和颜色上的差异较小,且煤块间存在遮挡和堆叠的情况,现有煤块检测方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。针对上述问题,提出了一种改进YOLOv5模型,用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块,扩大感受野,提升多尺度特征学习能力,从而更好地区分大块煤与普通煤块;在颈部网络中加入联合注意力模块,更好地融合上下文信息,提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,根据大块煤的数量信息实时联动PLC示警。实验结果表明：相比于原始YOLOv5模型,改进YOLOv5模型在召回率和平均精度上分别提高了3.4%,2.0%;PLC可根据改进YOLOv5模型检测出的大块煤数量操作相应的指示灯和蜂鸣器进行示警;将改进YOLOv5模型应用于煤矿井下实际输煤视频中,对大块煤的检测精确率达97.0%,有效避免了漏检和误检现象。     

矿用带式输送机组节能控制方法研究

针对矿用带式输送机电机转速与负载不匹配以及多级矿用输送机组的煤流断续空载造成的能源损耗问题，提出一种基于多元宇宙算法优化BP神经网络的矿用带式输送机组节能控制方法。该方法通过视觉检测准确地测量出输送机的实时煤流量，并对煤流量变化率以及运载状况进行标定，将其转化为特征值作为优化后的BP神经网络的输入，进而实现矿用带式输送机的安全、节能控制。经过仿真与实际验证，经过多元宇宙算法优化的BP神经网络控制方法与传统的运输方式相比，整体误差更小，节能效率约为15.2%，对矿用带式输送机节能控制具有一定的参考价值。