基于深度学习YOLO模型的植物图像识别算法研究

为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究.在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率.采用改进的YOLOv3网络模型结合公开数据集进行测试,实现了102种植物的有效识别,平...     

基于深度学习的永磁直驱带式输送机煤量检测方法研究

永磁直驱带式输送机煤量的精确检测是节能调速的重要依据,针对不同环境下煤量的快速检测问题,结合迁移学习方法和密集连接思想提出一种基于VGG16改进的FF-CNN网络。将该网络作为煤量图像的特征提取器,实现煤量的检测分类,将煤量图像分为“无煤量”、“少煤量”、“中煤量”、“多煤量”和“满载量”。实验结果表明,训练后的FF-CNN网络检测准确率达98.2%,平均检测1张图像的时间为0.058 s,满足检测精度和时效性要求。     

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。     

基于深度学习的井工矿车道线检测算法

针对在井工矿辅助运输装备作业复杂环境下,传统车道线检测算法精度低、鲁棒性差等问题,文章提出一种基于深度学习的井工矿车道线检测算法,采用UFLD行索引车道线检测算法,并根据井下实际道路场景,自定义标注车道线规则,建立一种涵盖非结构道路下的车道线数据集,从而实现对井下非结构性道路的车道线检测任务。相较于传统车道线检测算法,该算法充分利用了深度学习中先验知识的有效信息,实现了对不同道路场景下的车道线检测任务的兼容性。通过分析基于自建数据集模型训练及检测指标的评估结果表明,该算法提高了对井下车辆车道线检测任务的能力,为井下辅助运输车辆智能驾驶系统的高阶功能应用奠定了基础,且在提高检测精度的同时,保证了其在检测非结构车道场景车道线任务中的鲁棒性,并通过TensorRT架构进行模型推理加速及部署,验证了其在井工矿场景的有效性和工程化部署的可行性。     

基于3Dmaxwell的钢丝绳漏磁检测仿真研究

为保障钢丝绳运行安全,需要对钢丝绳进行定期无损检测。现有钢丝绳检测方法中,基于漏磁原理的电磁检测法是公认的最实用的检测方法。采用3D Maxwell仿真磁场信号,经过调整磁铁磁场强度、磁铁距离和提离值,验证圆周阵列检测方法,最后对钢丝绳漏磁进行动态仿真,记录运动全过程的漏磁信号。通过本论文的研究,得到了合适的钢丝绳探伤仪参数|对运动全过程的漏磁信号进行分析,可以得到Y方向漏磁信号对钢丝绳断丝的反应最为显著,为第二代探伤仪的设计提供了关键的数据参考。     

基于3Dmaxwell的钢丝绳漏磁检测仿真研究

为保障钢丝绳运行安全,需要对钢丝绳进行定期无损检测。现有钢丝绳检测方法中,基于漏磁原理的电磁检测法是公认的最实用的检测方法。采用3D Maxwell仿真磁场信号,经过调整磁铁磁场强度、磁铁距离和提离值,验证圆周阵列检测方法,最后对钢丝绳漏磁进行动态仿真,记录运动全过程的漏磁信号。通过本论文的研究,得到了合适的钢丝绳探伤仪参数|对运动全过程的漏磁信号进行分析,可以得到Y方向漏磁信号对钢丝绳断丝的反应最为显著,为第二代探伤仪的设计提供了关键的数据参考。     

基于深度卷积网络的煤泥浮选尾矿灰分检测方法研究

随着煤泥浮选自动化不断提升,浮选尾矿灰分检测存在严重滞后,无法满足生产实时要求。提出了浮选尾矿灰分检测新方法,通过多层神经网络对尾矿灰分图像进行特征提取,然后对尾矿灰分值进行回归,并与实际尾矿灰分值对照分析。实验结果表明,基于深度卷积网络的煤泥浮选尾矿灰分检测具有较好的实时性,检测精度满足生产要求。该尾矿灰分检测方法为煤泥浮选智能生产过程自动化提供帮助。     

基于深度卷积网络的矿岩图像分割算法研究

在金属矿开采过程中,矿石图像的人工智能分割有着重要作用,但是采场爆堆矿岩分布状况复杂,矿岩图像颗粒粘连严重难以分割。现有的矿岩图像分割方法通常是先利用滤波降噪,再采用分水岭算法分割图像,这种方法存在局限性强和参数调整复杂等问题,不适合用于实际应用。结合矿岩图像特征和矿山实际需求,提出了一种基于U-Net深度卷积网络和Open CV的矿岩图像分割算法,该算法将深度学习创新应用到矿岩图像分割领域,与最大类间方差法、聚类分析、边缘提取等分割方法相比,该算法分割精度高,分割效果好,并且可以直接获取效果图中矿岩块的数量,极大减少了图像的后续处理工作量。     

基于特征增强与深度学习的轴承故障诊断

针对轴承故障诊断中数据集较小,现有诊断方法鲁棒性较低且易被噪声干扰的难题,提出了基于特征增强和卷积神经网络故障识别方法。首先对振动采样信号进行短时傅里叶变换(STFT)与小波变换处理,获取时频图,然后对时频图进行卷积操作,获取故障信号特征图。最后,将获得的特征图通过通道注意力机制模块,再通过卷积神经网络,实现对轴承故障的分类。结果表明,该方法在西储大学数据集添加-40 dB噪声的情况下,故障准确率达97%,在西储大学数据集以及江南大学离心风机轴承数据集上识别准确率分别为99.8%和100%。     

深度卷积神经网络目标检测算法在煤矿断层检测上的应用

断层解释技术在煤矿安全开采领域起着至关重要的作用。随着神经网络技术的发展,许多基于神经网络算法的智能化地震资料解释处理方案被提出。首先通过对比不同的深度卷积神经网络目标检测算法,选择适合于识别断层的Faster R-CNN目标检测算法;其次建立具有多种地质特征的地震正演模型,分别对AlexNet、残差网络ResNet50和ResNet101三种特征提取网络进行测试,优选得出ResNet101特征提取网络在断层检测方面具有更加优异的表现;最后基于优选的ResNet101特征提取网络和Faster R-CNN目标检测算法构建断层检测模型,对实际地震数据进行断层检测。结果表明：基于深度卷积神经网络的目标检测算法在断层检测上具有很好的泛化能力,提高了断层的解释效率,在实际应用上具有巨大潜力。     

基于多参数优选及三维模拟的槽波精细探测研究(增刊)

近年来,地震槽波常用于探测煤层内的隐伏构造,但是适宜的激发参数对探测精度和效果有较大影响。以六家煤矿E1N4段6-7工作面运输顺槽为研究对象,通过多参数激发试验及接收效果试验优选区域最优采集参数,在此基础上建立了含断层的三维模型,开展三维正演模拟,检测优选参数的适宜性,并进行了实际应用。结果表明：3m孔深和300g的激发药量可获得较好的反射槽波;基于锚杆检波器接收是槽波数据接收的最优选择;正演模拟结果与模型断层位置吻合,证明了优选参数的适宜性;依据优选后的参数开展了探测实践,查明了2处断层异常存在,修正了早期断层信息,并发现了新的断层CF2,为后期安全生产提供了可靠地质保障,并为槽波探测提供了参数依据。     

基于弱监督深度学习的煤矿生产不安全行为检测应用研究

实时监测煤矿生产过程的安全事件,及时发现和消除隐患,对确保煤矿生产过程安全具有重要意义.由于标注数据样本不足,导致学习模型的性能下降,影响监测效果.针对此问题,提出一种基于弱监督深度学习的煤矿生产不安全行为检测方法,设计了深度神经网络提取并融合图像显著特征,实现选煤生产过程的不安全行为检测,为安全预警提供支撑,在公开数...     

矿用机器人局部路径优化算法研究

煤炭资源现阶段依然是我国的主要能源之一,然而煤炭开采过程中的特殊环境导致了安全事故频有发生。针对发生矿难后环境复杂、光线黑暗、通信不畅等问题,为了使机器人要顺利避开巷道内障碍物达到目的地展开工作,提出了一种基于JPS(jump point search)—A*的算法,在保证选出最优路径的同时,大大减少了传统A*算法在寻路过程中扩展的节点。实验室仿真结果表明运用改进后的A*算法,较传统A*算法在寻找最佳路径的速度提高了约2倍,在现实工业生产中具有深远的指导意义。     

基于深度学习的矿山作业安全帽穿戴规范性识别算法

矿山作业通常在地形复杂、自然环境恶劣的野外开展,使得针对作业人员的安全监管难以有效开展。为帮助企业实现安全生产,提出针对矿山作业场景的安全帽穿戴规范性识别算法,采用深度学习技术实现在复杂条件下对作业人员安全帽佩戴情况的检测。同时,针对未按规定佩戴安全帽的人员进行实时追踪,并记录相应的追踪编号以便后续筛查追责。为保证检测结果的准确性,针对矿山场景中存在烟尘、遮挡等困难设计包括亮度调整、旋转、模糊化等在内的数据增强流程,并且针对安全帽的目标特性设计针对性的锚框尺寸。在危险情况追踪方面,采用轻量化的DeepSort追踪算法。追踪模块以高置信度的目标区域为输入,对违规人员的头部特征进行提取,并实现追踪。充分的实验表明,所提出的算法达到了准确、稳定、实时的检测和追踪预警效果,可以满足真实矿山作业的监管需求,能大幅提高工作现场的监管效率。     

基于模态分解-PSO-DNB深度学习的短期负荷预测研究

针对传统负荷预测模型对高维非线性电力负荷的特征提取效果不理想的问题,为有效提高电力负荷短期预测精度,提出了基于模态分解-PSO-DNB深度学习的负荷预测模型。结合模态分解方法和PSO算法特征并充分融入到深度学习模型中,构造了量化深度学习模型训练效果的误差评价函数,由此建立短期负荷预测的系统模型。以某地区电网监测的电力负荷数据开展短期预测研究,通过算例效果表明,所提的预测方法可实现24 h内滚动式短期电力负荷预测,且预测误差能控制在合理范围内,相较于传统负荷预测的方法更能提升预测精度。     

基于极限学习机的采煤机功率预测算法研究

为减少对领域专家的过分依赖,实现企业专家经验知识的继承,面向采煤机方案设计中总体技术参数的确定过程,结合采煤机条件属性与决策属性间的映射关系,提出了基于极限学习机的采煤机功率预测模型。采用遗传算法选定最佳隐层神经元个数,利用递进方式比选确定激励函数,随机产生输入权值及隐元偏置,由此计算隐层节点输出矩阵、隐层与输出层连接权重,进而完成建模与优化。模型可根据用户输入的不同原始设计条件输出采煤机功率的预测值。选用某煤机企业的实例数据进行算例分析,将其与基于支持向量机回归预测模型进行对比,实验结果表明,ELM模型可实现600 ms内完成单次功率预测,预测值与真实值平均相对误差在2.5%以内。其预测精度优于SVM模型,且在学习速度方面优势明显,推理效率显著提高。     

基于有序优化算法的配电网两级重构研究

针对不同周期的负荷预测存在可能的差异提出的基于有序优化算法的配电网两级重构思想;在最优模糊C均值聚类(Fuzzy C-means Clustering,FCMC)的基础上建立以相异度为指标用来评估2次负荷预测差异的重构方法,可以有效地避免实时负荷波动与预测值差异较大带来的影响;建立以网损为目标函数的优化重构模型,采用有...     

基于SDN的电力通信网络覆盖优化算法研究

指令需要通过电力通信网络传递,许多方案需要通过电力通信网络部署,一旦出现通信空洞,这一区域就会出现信号差或者信号盲区,无法进行电力系统的生产指挥和调度。基于此,研究一种基于SDN的电力通信网络覆盖优化算法。利用布尔感知模型感知通信网络节点,构建通信网络覆盖模型,选取覆盖优化目标,包括网络连通模型和覆盖率模型,最后利用改进果蝇优化通信网络节点覆盖方案。结果表明:利用4种算法进行电力通信网络节点优化部署,与其他算法应用下的部署方案相比,所研究算法应用下的部署方案覆盖率更高,达到97.56%、节点连通性更大,达到93.31%,优化效果更为明显。     

基于正交试验的巷道支护参数优化研究

巷道支护参数选择的合理性和科学性是保障其长期稳定的关键。以某铜矿巷道为研究背景,在工程地质条件研究的基础上,利用3DEC离散元软件构建了矿山巷道的三维数值模型,设计了3因素3水平L₉(3³)支护参数的正交试验方案,获取了在不同参数条件下的变形规律和支护效果。通过对巷道支护参数优化以及经济合理性比较分析,确定了较优的巷道支护参数,即锚杆直径28 mm、长度1.75 m、间排距1.2 m, C20混凝土喷射厚度100 mm。采用极差分析方法对影响巷道稳定各因素的敏感性进行分析,从巷道顶板沉降和侧帮水平变形不同角度分析,得到的巷道支护参数因素的敏感性不同。研究结果在一定程度上为矿山巷道支护提供了技术参考,同时对处于类似地质条件下的矿山巷道支护具有一定的参考价值。     

基于改进花粉算法优化的神经网络负荷预测研究

为预测短期电力负荷,可采用神经网络方法预测,而神经网络复杂权重和阈值的参数调节为预测精度的提升增加了一定程度的困难。采用进化计算算法优化过后的神经网络拥有更为优良的结构,能够提高神经网络的预测精度,为了使求解神经网络结构的进化计算算法拥有更为优秀的搜索能力,可改进算法求解网络模型结构。对进化计算花粉算法的改进及改进效果进行了研究。