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。     

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。     

基于机器视觉的矿井煤矸分拣装置研制

针对煤炭生产过程中煤矸分拣靠人工分拣、机器分拣不够准确的问题,选用机器视觉智能AI识别及五联机械手,配合漏抓、错抓判别控制技术,采用两级目标检测网络,利用执行机构XYZ运动模拟人工抓取,研制了矿井煤矸分拣装置。通过在某煤矿206带式输送机上增加该装置,实现了智能煤矸分选,识别率可达95%以上,比人工分拣的捡矸率至少提高40%。     

煤矸破碎分选统计规律的研究

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。     

基于TW-RN优化CNN的煤矸识别方法研究

针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法.模仿井下实际生产环境搭建机器视觉平台,采用CCD(Charge Couplect Device)工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸...     

大块煤矸机械分选技术的改造实践

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。     

井下智能煤矸分选系统方案研究

介绍了某矿煤矸分选的方案研究,从选矸工艺、选矸设备、矿建工程、经济效益等多方面进行了比选,结合矿井实际情况选用TDS智能干选机系统进行煤矸分离,并对其工艺布置进行了论述。该方案减少了矸石的无效运输,提升了选煤厂的处理能力,对类似矿井具有一定的参考意义。     

基于多通道数据耦合技术的智能机器人系统在煤矸分选中的研究与应用

针对原煤车间苦、脏、累、险的人工拣选工作,付村煤业有限公司选煤厂采用非放射性煤矸识别技术,设计开发了集物料识别系统、执行系统、控制系统以及管理系统为一体的智能煤矸分选系统,实现矸石及煤的自动识别、自动分拣、自动煤矸分流处理。生产实践表明：该系统使煤矸分选工艺环节从落后的人工控制方式转变为高效稳定的智能控制方式,煤矸分选效率≥98%。系统运行稳定可靠,提高了选煤厂自动化、智能化程度。     

煤矸分拣机器人设计与关键技术分析

煤矿智能化是实现煤炭工业高质量发展的核心技术支撑,煤矸在线分拣机器人可实现煤和矸石的自动识别与分拣,是实现煤矿智能化分选的重要装备.在总结国内外煤矸分拣机器人和煤矸图像识别技术的研究现状和成果基础上,针对煤矸自动分拣机器人分拣速度低,智能化程度不高等问题,设计了一种基于图像识别的Delta型并联机器人应用于煤矸自动分拣...     

弹道式煤矸分选中煤矸石恢复系数的数值计算

为使弹道式煤矸分选技术更方便用于实际生产,解决煤和矸石恢复系数实验测量不便的问题,通过对煤和矸石与反弹板接触过程的分析,采用线性阻尼接触过程模型对碰撞振动过程进行研究,得到煤和矸石与钢质反弹板碰撞恢复系数的数学表达式;并分析了影响恢复系数的因素,绘制出二者的关系曲线.     

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。     

用于智能煤矸分选机器人的改进型VGG网络煤矸识别模型

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。     

井下煤矸智能干选系统巷设计方法探讨

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。     

井下机械化煤矸分选充填采煤技术分析与应用

为解决矿井极薄煤层保护层开采过程中原煤含矸率高、矸石运输压力大、矸石堆积和地表沉陷等难题,在工程实践的基础上研究了井下煤矸分选系统与充填采煤系统的运行机理,分析得到了制约充填效果的关键因素及其控制措施,并系统阐述了井下采掘、煤矸分选和充填开采一体化技术的系统布置及其特点。工程实践结果表明,经井下洗选得到的精煤与矸石分别进入煤仓和充填采煤系统,原煤灰分由70%降至25%,极薄煤层单一回采工作面每年多回收煤炭资源3万t、节约运费405万元,同时有效地控制了地表沉降和矸石堆积,经济、社会与环境效益显著。     

鑫岩煤矿井下煤矸分选与充填开采一体化系统设计

为解决煤炭生产过程中矸石严重影响生态环境的问题,实现安全、高效、绿色开采。结合鑫岩煤矿井上、下生产系统和开采条件,确定鑫岩煤矿井下煤矸分选与充填开采一体化系统。针对系统中滚轴筛设备选型及布置、原煤仓和矸石仓容量、综采工作面充填能力及关键设备选型和地面矸石垂直投料系统管径选型进行了设计,为鑫岩煤矿实现绿色开采提供技术保障,为类似条件矿井的井下分选与充填开采设计提供借鉴。     

基于运动分析和仿真的井下弹道式煤矸分选研究

介绍了一种新型井下煤矸分选方法——弹道式煤矸分选.通过对斜碰撞过程中原煤(混矸)球的运动分析,推导出基于碰撞恢复系数的物料块反弹距离公式.运用计算机仿真对理论推导结果进行验证,并分析了理论推导结果和仿真结果出现差异的原因.     

基于MFCC和FD-CNN卷积神经网络的综放工作面煤矸智能识别

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...     

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...     

基于图像处理技术的煤和矸石自动分选研究

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．     

基于机器视觉的煤矸识别系统设计及试验研究

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。