共查询到20条相似文献,搜索用时 0 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
通过在实验机上对煤与矸石选择性破碎分选进行初步实验,相应得到概率曲线图,从图中利用概率值做出煤、矸分选的优化控制。 相似文献
5.
6.
针对白龙洗煤厂采用人工拣煤造成大块煤矸无法入洗的问题,该厂提出了大块煤矸机械分选技术的改造。采用了SSC800系列分级破碎机,调整了机械分选系统,增加了集中与就地监控系统,采取了相应的节能技术措施。实践应用解决了洗选问题,降低了工人的劳动强度,保证了安全生产。 相似文献
7.
8.
9.
10.
11.
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[Rc,Glc,Gl,Ra]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[Rc,Glc,Gl,Ra]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。 相似文献
12.
目前机器人煤矸识别方法准确率较低,速度较慢,以及对硬件要求较高等问题都限制了其实用化发展。鉴于深度卷积神经网络在图像识别上取得的优异效果,提出用于智能煤矸分选机器人的改进型VGG网络煤矸识别模型。扩大VGG16网络感受野并引入残差结构以提升模型网络性能,增加噪声和数据增强提升模型泛化能力。实验结果表明,改进型VGG网络煤矸识别模型的识别准确率提升了2.01%,召回率提升了2.58%,减小了所需内存,解决了VGG16网络效率低的弊病。同时模型的各项性能指标明显高于其他经典网络模型,更加满足煤矸分选机器人的各项实用化需求。 相似文献
13.
井下煤矸智能干选是煤矿实现绿色开采的有效技术手段。为深入研究智能干选系统巷设计方法,结合智能干选系统工艺流程,提出了井下智能干选系统巷设计思路。基于分析主煤流运量、原煤含矸率、矸石分选粒度、原煤分级筛和智能干选机处理能力、井下矸石充填规模相互影响关系,探究矸石分选规模确定方法。结合筛分系统工艺特点,阐明在转载点或煤流引出位置布置筛分系统的合理性。根据设备外形尺寸和处理能力,探讨智能干选硐室单、双巷布置形式。针对转载煤仓上下口、带式输送机搭接点、加装转载装置等不同类型主煤流转载分流点,研究智能干选系统布置位置优缺点及适用条件。在此基础上,介绍了煤仓下口双系统工程设计案例。研究表明,矸石分选规模由多因素综合确定|滚轴筛布置在转载点可以避免末煤大运量转载|煤仓下口布置矸石分选系统可以应对瞬时大运量来煤|煤仓下口双系统模式可以为类似矿井设计提供参考。 相似文献
14.
15.
16.
17.
煤矸的在线准确快速识别是放顶煤采煤法的关键技术,对提升采煤效率有重要的指导意义。从梅尔频率倒谱系数在语音识别中的广泛应用得到启发,以实际生产状态下采集的煤与煤矸滚落到液压支架尾梁振动信号的MFCC特征参数为训练与测试样本,分别计算顶煤垮落和煤矸混放2种情况下液压支架尾梁振动信号的梅尔频率倒谱系数并构成二维特征矩阵。近些年随着深度学习的迅速发展,卷积神经网络(CNN)已经成为检测和识别领域最好的方法,它可以自动地从数据集中学习提取特征。但是卷积神经网络(CNN)在通用CPU以及GPU平台上推断速度慢,使得深度卷积神经网络很难满足煤矸石在线识别的实时性要求。基于卷积神经网络与LD-CNN轻型神经网络建立FD-CNN煤和煤矸智能识别模型,将液压支架尾梁振动信号的MFCC特征矩阵作卷积神经网络的输入,实现了识别模型的结构优化,大大提高运算速度,减少资源的使用,并且揭示了模型的识别机理与分类依据。实验结果表明:模型复杂度对识别速度影响较大;基于MFCC参数枝得到的煤矸识别模型可以将振动信号作为煤矸识别的可靠依据,同时准确捕捉煤与矸石由于物理性质不同所产生的振动信号高维差异,综合给出识别结果。压缩... 相似文献
18.
19.
提出了基于图像灰度平均值和灰度共生矩阵对煤矸进行分选的方法,先对图像进行预处理,通过实验提取出特征参数并进行分类方程的构造,再用分类方程对煤矸进行分选,在光照均匀和煤矸不重叠等实验室条件下,分割和识别效果都较理想. 相似文献
20.
为解决手工选煤、湿法选煤中存在的效率低下、劳动强度大、水资源耗费、环境污染等诸多问题。研究了基于机器视觉的煤矸识别方法,在实验室中搭建了试验平台,开发了MFC软件应用平台,实现了煤矸实时识别|选取山西西山、内蒙古和陕西神木的煤和矸石作为样本,建立了样本图像库|取420张图像作为实验样本,提取样本的灰度均值、峰值灰度、能量、熵、对比度、逆差矩6个特征进行统计和分析|采用粒子群优化算法(PSO)对支持向量机(SVM)的进行优化,并对分类器进行训练和分类测试。对特征分析的结果表明,灰度特征比为纹理特征具有更好的区分度|PSO-SVM分类器测试中,以灰度、纹理、组合特征作为输入时,其识别准确率分别为95.83%、72.92%、93.75%,结果表明以灰度特征作为输入识别效果最好。 相似文献