基于图像检测的煤矸分拣机器人实验平台

目前煤矸预分选仍多为人工完成,劳动强度大、分拣效率低,且存在安全隐患,利用煤矸分拣机器人代替人工完成煤矸预分选是保障工人健康和安全、提高作业效率的有效途径。然而现有的煤矸分拣机器人在弱光照强度、煤矸表面覆盖煤粉等情况下的效果较差,针对上述问题,提出了基于图像检测的煤矸分拣机器人实验平台。该实验平台通过工业相机采集煤矸图像,利用ResNet18-YOLOv3深度学习算法对图像中的煤矸进行识别,采用TCP通信将矸石的位置信息提供给煤矸分拣模块进行轨迹规划,控制机械臂对矸石进行夹取,完成矸石分拣作业。采用Halcon标定法对实验平台进行手眼标定,从而实现相机像素坐标与机械臂空间坐标的转换;对实验平台进行了定位误差标定,对于尺寸均为50 mm以上的煤矸样本,定位误差不大于9 mm。实验结果表明,该实验平台在强光照条件下的煤矸识别准确率达99%,在弱光照条件下的煤矸识别准确率为95%,在煤粉附着条件下的煤矸识别准确率不低于82%,且煤矸分拣准确率为82%。     

基于改进YOLOv5的煤矸识别研究

现有基于深度学习的煤矸识别方法应用于井下复杂环境中时易出现误检和漏检情况,且对小目标煤矸的识别精度低。针对该问题,提出一种改进YOLOv5模型,并基于该模型实现煤矸识别。对采集的煤与矸石数据进行数据增强,以丰富数据集,提高数据利用率;在空间金字塔池化（SPP）模块中引入空洞卷积和残差块,得到残差ASPP模块,可在不损失图像信息的前提下,增大卷积输出感受野,强化模型对深层特征的提取;采用AdaBelief优化算法代替YOLOv5原有的Adam优化算法,提高模型的收敛速度与识别精度。实验结果表明：AdaBelief优化算法和残差ASPP模块可有效提高YOLOv5模型的精确率、召回率和平均精度均值（mAP）;改进YOLOv5模型的mAP达到94.43%,比原始YOLOv5模型提高了2.27%,帧率降低了0.03帧/s,性能优于SSD,Faster R-CNN,YOLOv3,YOLOv4等主流目标检测模型;在极端黑暗的环境中,改进YOLOv5模型也能准确划定目标边界,识别效果优于其他改进YOLOv5模型。     

基于图像处理与卷积神经网络的煤矸识别方法

对一种利用卷积神经网络(CN N)和图像处理实现原煤中的煤与矸石的精准识别进行了实验研究,实验所采用的识别方法是将进行人工标注的煤炭与矸石的图像样本输入至卷积神经网络ResNet18进行训练,通过调整网络中的卷积层、池化层,选用合适的激活函数以及损失函数进行调参,输出煤与矸石的关键特征完成煤与矸石的二分类.同时,卷积神...     

基于视觉识别的智能分拣机械臂设计与实现

该文提出了基于视觉识别物料机械臂完成智能分拣的设计思路,具体实现方式为首先由工业相机采集待分拣物料图像,HALCON软件处理;其次通过标定、滤波去噪、特征提取、坐标变换分类识别物料;然后由主控制器PLC接收上位机发送的信号,在上位机Visual Studio 2019环境中进行Winform窗体开发;最后结合PLC编程软件TIA Portal V15.1,精准控制机械臂完成物料分拣作业。实验结果表明,基于视觉识别的智能分拣机械臂系统运行可靠,稳定性好,控制精度高。     

X射线透射煤矸智能识别方法

煤矸图像识别是基于伪双能X射线透射（XRT）的煤矸分选技术重要环节。受煤矸紧贴或遮挡导致煤矸图像难以分割和基于人工阈值判别易导致煤矸分类识别错误影响,现有的煤矸识别方法精度不高。提出一种XRT煤矸智能识别方法。采用感受野模块（RFB）与U-Net模型相结合的模型（RFB+U-Net模型）实现伪双能X射线煤矸图像有效分割,解决了因煤矸紧贴或遮挡情况而影响识别精度的问题;以煤矸图像灰度特征中的低能图像灰度最小值、纹理特征中的低能图像锐化最小值和锐化均差为煤矸识别特征,采用多层感知机（MLP）模型实现煤矸识别。实验表明：RFB+U-Net模型的煤矸分割准确率、煤矸粒度精度、煤矸像素均交并比等指标及图像分割效果均优于活动区域模型、U-Net模型、SegNet模型,且模型推理时间较短,满足煤矸图像分割实时性要求;MLP模型隐藏层数量为8时,在2组测试集下的煤矸识别平均准确率均为87%以上;在相同数据集及实验条件下,MLP模型的煤矸识别平均准确率、排矸率均高于基于贝叶斯分类器、支持向量机、逻辑回归、决策树、梯度提升决策树、K近邻算法的模型,且矸石带煤率不超过3%,满足实际煤矸干法分选要求。     

基于YOLOv5s-SDE的带式输送机煤矸目标检测

传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励（SE）模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明：YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值（mAP）达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Gho...     

快递智能自动分拣系统设计研究

设计的快递智能自动分拣系统采用C/S架构,分为智能终端和信息系统两大模块,两者根据TCP/IP协议建立连接,基于档板式分拣机实现自动控制功能。具体在DSP处理器平台上开发作为客户端的智能终端,摄像头会在包裹的位置通过红外感应器完成检测后被触发,执行对包裹运单图像的采集和处理过程,最终译出运单号码,再通过计算机信息系统完成包裹目的地的查询,智能终端据此通过控制分离旋转挡臂实现自动分拣过程。测试结果表明该系统能够有效实现对运单号码的自动识别过程及自动分拣,使物流中心的快递包裹分拣效率得以有效提升。     

基于PLC与HMI的物料分拣控制系统设计与实现

该文提出了选用S7-1200 PLC为主控制器,发送脉冲等指令作为步进电机驱动器的输入信号,通过步进驱动器实现步进电机控制机械臂运动、吸取和投放物料至指定工位实现物料自动分拣操作,由SMART 1000 IE V3 HMI在线监控系统组态画面的思路。实验结果表明,基于PLC与HMI的物料分拣控制系统运行可靠、稳定性好、控制精度高。     

基于故障树的柔索驱动拣矸机器人系统分拣可靠性研究

拣矸机器人的分拣可靠性与煤的品质及分拣效率息息相关,对拣矸机器人系统分拣可靠性进行研究十分必要。现有机器人系统可靠性研究主要是针对其结构可靠性进行研究,而没有对其工作任务可靠性即分拣可靠性进行研究。针对该问题,以柔索驱动拣矸机器人系统为研究对象,采用故障树分析法对其分拣可靠性进行研究。首先,从拣矸机器人系统的结构出发,分析了拣矸机器人系统分拣故障的原因,采用演绎法构建拣矸机器人系统的分拣故障树;然后,将故障树底事件发生概率考虑为区间变量,根据区间性质、运算法则和顶事件的概率表达式得到分拣故障树顶事件概率区间参数,结合设计要求计算出反映拣矸机器人系统分拣可靠性的非概率可靠性指标;最后,基于非概率可靠性指标公式及模糊重要度定义,提出了一种区间重要度指标,对分拣故障树底事件的区间重要度进行求解并排序,结果表明分拣可靠性满足拣矸机器人可靠分拣要求,煤矸石流瞬时含矸率增大和工业相机故障是影响其分拣可靠性的重要因素。根据非概率可靠性指标计算结果和区间重要度排序找出了拣矸机器人系统的薄弱环节,并针对薄弱环节提出了3个改进措施：在分拣前对煤矸石流振荡混合;根据识别的矸石信息,智能控制带式输送机带速;在...     

基于强化学习的煤矸石分拣机械臂智能控制算法研究

针对传统煤矸石分拣机械臂控制算法如抓取函数法、基于费拉里法的动态目标抓取算法等依赖于精确的环境模型、且控制过程缺乏自适应性,传统深度确定性策略梯度(DDPG)等智能控制算法存在输出动作过大及稀疏奖励容易被淹没等问题,对传统DDPG算法中的神经网络结构和奖励函数进行了改进,提出了一种适合处理六自由度煤矸石分拣机械臂的基于强化学习的改进DDPG算法。煤矸石进入机械臂工作空间后,改进DDPG算法可根据相应传感器返回的煤矸石位置及机械臂状态进行决策,并向相应运动控制器输出一组关节角状态控制量,根据煤矸石位置及关节角状态控制量控制机械臂运动,使机械臂运动到煤矸石附近,实现煤矸石分拣。仿真实验结果表明:改进DDPG算法相较于传统DDPG算法具有无模型通用性强及在与环境交互中可自适应学习抓取姿态的优势,可率先收敛于探索过程中所遇的最大奖励值,利用改进DDPG算法控制的机械臂所学策略泛化性更好、输出的关节角状态控制量更小、煤矸石分拣效率更高。     

煤与矸石在线分选系统设计

针对目前常用的原煤洗选方法存在设备复杂、需要大量的水等问题,设计了一种基于双能γ射线和数字图像识别技术的煤与矸石在线分选系统。单片机实时判断探测器下方的物料是煤或者是矸石,当判断为煤块时,喷枪无动作,煤块落入煤通道;当判断为矸石时,单片机控制喷枪喷出高压气体,将矸石吹入矸石通道;当有些煤中含杂质较多或者矸石含碳量较高时,则由图像识别模块根据煤与矸石在灰度上的差异来区分煤与矸石,并将识别结果传送给单片机。模拟实验结果表明,该系统能有效识别煤与矸石,识别精度满足工业生产要求。     

综放工作面煤矸自动识别系统设计及应用

提出了一种基于振动信号的综放工作面煤矸自动识别系统,介绍了系统结构及工作原理,重点阐述了煤矸识别设备的软、硬件设计方案及煤矸识别算法。该系统由煤矸识别设备依据煤与矸石跌落到液压支架上时的振动信号不同来辨识煤矸,液压支架电液控制器根据辨识结果控制液压支架动作。该系统在某煤矿进行了煤矸的可辨识性和自动放煤过程的可控性测试,并已应用于部分煤矿,效果较好。     

基于Mel频率倒谱系数和遗传算法的煤矸界面识别研究

针对现有的煤矸界面识别技术采用的γ射线法不适用于顶板不含放射性元素或者放射性元素含量较低的工作面,而雷达探测法探测范围小、信号衰减严重的问题,提出了一种基于Mel频率倒谱系数和遗传算法的煤矸界面识别方法。该方法利用煤矸放落过程中产生的声波信号的特征差异进行煤矸识别,采用Mel频率倒谱系数将去噪后的煤矸声波信号变换到频域进行处理,提取出煤矸声波信号的32维特征参数;采用遗传算法优化处理32维特征参数,得到最优参数组合;采用支持向量机和BP神经网络对最优参数进行识别。实验结果表明,该方法能够准确识别出煤矸下落状态。     

面向智能监控的行为识别

目的 为了进一步提高智能监控场景下行为识别的准确率和时间效率,提出了一种基于YOLO（you only look once：unified,real-time object detection）并结合LSTM（long short-term memory）和CNN（convolutional neural network）的人体行为识别算法LC-YOLO（LSTM and CNN based on YOLO）。方法 利用YOLO目标检测的实时性,首先对监控视频中的特定行为进行即时检测,获取目标大小、位置等信息后进行深度特征提取;然后,去除图像中无关区域的噪声数据;最后,结合LSTM建模处理时间序列,对监控视频中的行为动作序列做出最终的行为判别。结果 在公开行为识别数据集KTH和MSR中的实验表明,各行为平均识别率达到了96.6%,平均识别速度达到215 ms,本文方法在智能监控的行为识别上具有较好效果。结论 提出了一种行为识别算法,实验结果表明算法有效提高了行为识别的实时性和准确率,在实时性要求较高和场景复杂的智能监控中有较好的适应性和广泛的应用前景。     

基于PLC的全岩巷道智能连续排矸控制系统设计

为了提高排矸效率,针对挖掘机+带式输送机+连续分矸装置+矿车的排矸工艺,设计了一种基于PLC的全岩巷道智能连续排矸控制系统,介绍了该系统的功能要求,详细分析了该系统的总体控制方案和控制流程。现场应用结果表明,该系统运行安全稳定,排矸效率提高了20%。     

基于深度学习的轻量型人体动作识别模型

针对现有基于深度学习的人体动作识别模型参数量大、网络过深过重等问题,提出了一种轻量型的双流融合深度神经网络模型并将该模型应用于人体动作识别。该模型将浅层多尺度网络和深度网络相结合,实现了模型参数量的大幅减少,避免了网络过深的问题。在数据集UCF101和HMDB51上进行实验,该模型在ImageNet预训练模式下分别取得了94.0%和69.4%的识别准确率。实验表明,相较于现有大多基于深度学习的人体动作识别模型,该模型大幅减少了参数量,并且仍具有较高的动作识别准确率。     

选煤厂人员智能视频监控系统设计

以某煤矿选煤厂为实际应用背景,设计了选煤厂人员智能视频监控系统,详细介绍了系统软件的设计。该系统采用人脸信息对运动人体进行身份识别,可自主跟踪监控选煤厂员工,自动判断其工作状态的安全性,若存在异常则快速启动安全警报及保护装置,对选煤厂的安全生产具有重要的实际应用价值。     

基于深度强化学习的AGV智能导航系统设计

针对现有的AGV在大规模未知复杂环境中进行自主导航配送的问题,基于深度强化学习完成了AGV智能导航系统设计。首先,结合传感器对周围的障碍物进行探测感知,利用DDPG（deep deterministic policy gradient）算法实现AGV小车从环境的感知输入到动作的直接输出控制,帮助AGV完成自主导航和避障任务。此外,针对训练样本易受环境干扰的问题,提出了一种新颖的DL（disturb learning）- DDPG算法,通过对学习样本中相关数据进行高斯噪声预处理,帮助智能体适应噪声状态下的训练环境,提升了AGV在真实环境中的鲁棒性。仿真实验表明,经改进后的DL-DDPG 算法能够为AGV导航系统提供更高效的在线决策能力,使AGV小车完成自主导航与智能控制。     

深度卷积神经网络的汽车车型识别方法

针对现有汽车车型识别方法计算量大、提取特征复杂等问题,提出一种基于深度卷积神经网络的汽车车型识别方法。该方法借助于深度学习,对经典的卷积神经网络做出改进并得到由多个卷积层和次抽样层构成的深度卷积神经网络。根据五种车型的分类结果,表明该方法在识别率方面较传统方法有明显的提高。实验还研究了网络层数、卷积核大小、特征维数对深度卷积神经网络的性能和识别率的影响。