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。     

基于深度学习算法的矿岩识别技术研究

矿山现场工作人员在作业过程中需要及时判断矿石与围岩,及时优化开采设计方案有助于控制矿石损失贫化.为了实现对矿山现场矿石和围岩的智能化识别,对比了多种算法后采用EfficientDet神经网络模型,矿石和围岩的识别特征较为明显,选用EfficientDet中D0版本进行训练进而获得神经网络模型.基于井下环境进行数据扩充,在检测前对图像进行预处理.通过验证,模型对矿石和围岩识别正确率可以达到96％.在识别矿岩交界处的图片时,对于矿石、围岩分类的准确率超过91％,且预测框大小合适,可以很好地观测到矿岩交界线.模型能够在不同环境下高效、准确地识别矿石和围岩,证明模型的泛化性和鲁棒性较强.     

基于视频数据的煤矿井下不安全行为识别分析方法

煤矿井下员工的不安全行为是导致事故发生的主要原因,传统的矿工不安全行为防控主要依靠人来管控,智能化水平较低,难以实时自动发现并智能决策预警。文章将计算机视觉、深度学习相关技术结合,应用于煤矿井下员工不安全行为识别。基于YOLOv5目标检测算法、OpenPose人体姿态估计算法对视频数据中物的状态及人的行为进行分析,并提出一种行为判定方式,来识别矿工的不安全行为。将煤矿井下物的不安全状态及人的不安全行为进行结合,提出一种实时分析物的不安全状态和人的不安全行为的方法,有助于实现煤矿井下广泛场景中矿工不安全行为的自动识别,可用于应用层服务系统,实现预警等功能,为矿工不安全行为智能识别和预警提供新的思路和方法。     

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...     

矿山井下人员监测的研究

井下危险区域中运动目标检测和跟踪在井下安全监控系统中有着重要作用,可以做到提前预警,通过结合联动系统防止危险事故发生。对于光线缓慢变化和突然变化的环境下的移动目标,分别提出用结合帧差法的改进的在线调节学习速率混合高斯模型和结合颜色梯度以及数学形态学的背景建模方法进行检测,并通过HSV颜色模型有效去除了阴影,从而快速准确定位运动目标。     

基于YOLOv5s改进的井下人员和安全帽检测算法研究

针对目前煤矿井下综采工作面煤尘干扰导致的人员和安全帽检测算法精确度低、漏检率高等问题,文章提出一种基于YOLOv5s改进的矿井人员和安全帽检测算法。首先引入CBAM注意力机制,更准确的提取图像关键特征;然后采用αCIOU损失函数替换原始的CIOU损失函数,二者结合提升整体目标检测的准确率。实验结果表明：改进后的检测算法精度优于YOLOv5s原始算法,检测准确率高达97.6%,在井下综采工作面复杂环境下可以实现高效准确的井下人员和安全帽检测。     

基于深度学习的锌电解厂阴极板剥锌残留物识别方法研究

锌电解厂工业生产中阴极板经剥锌机剥片后有时会有残留物,需要及时识别并清除,否则会影响阴极板的后续处理。目前主要通过人工肉眼观察来进行识别并从流程中剔除,由于每个工人的经验、技术水平和责任心不一样,难以保证人工识别的准确性和及时性,从而容易造成不合格阴极板误入电解流程。针对此问题本文提出了一种基于改进YOLOv5算法的阴极板残留物机器视觉识别方法。利用本方法对从工业中采集的锌阴极板图像数据样本进行了残留物识别试验和测试。结果表明,基于改进YOLOv5算法对不合格板的平均识别精度达到95.2%,比原始YOLOv5算法精度提高了6.8%,其识别精度能够满足实际应用中锌阴极板残留物的实时检测的要求。     

基于图像识别的煤矿井下安全管控技术

根据煤矿安全生产的需求,研究基于图像识别的煤矿井下重点区域安全管控技术,利用机器学习算法和计算机视觉技术,同时结合人员管理数据、设备运行数据进行数据的分析,经过联动分析,数据挖掘,可实现对井下人员行为、煤量的监测和管控,形成目标风险预控的知识库,并进行了井下的实验验证。实验数据表明:系统平台的实时分析响应时间小于2 s,识别率大于98%,系统可以有效的实现井下人员、煤量等动目标的安全管控。     

改进YOLOv4算法井下人员检测的研究

针对矿山企业井下作业人员工作环境光线暗、干扰因素多、常用井下行人检测的方法精度低、速度慢等问题,提出基于YOLOv4算法的井下人员检测系统,引入信息熵的K-means聚类确定目标检测的中心点,提高网络对目标特征的提取能力.试验结果表明,采用GeForce RTX2060显卡,相比人员检测常用的SSD、Faster R-...     

基于深度学习的煤矸石识别技术与实现

针对传统基于图像处理的煤矸识别方法存在速度、效率低、精度起伏大及难以实际应用等问题,提出了一种改进型轻量级深度识别网络模型的煤矸识别方法,以MobileNetV3-large模块结构为基础,在保证模型参数体积及复杂度较少增加的前提下,对网络模型的性能做进一步的提升,使之能够更加适应开采或选拣的实际生产环境。首先在模型中采用CBAM注意力机制模块,该模块相比原模型中的SE模块具有更高的表征能力,能够更好提升网络对煤和矸石图像中感兴趣区域的复杂像素信息特征提取能力。然后通过对训练数据集采用颜色、位置以及图像模糊等相应的复杂图像增强技术进行处理,一方面增加识别模型对煤矸识别复杂生产环境的泛化能力,降低网络的过拟合风险,另一方面完成对数据集的进一步扩增,通过以上方法最终获得改进的轻量级深度识别网络模型。最后将改进的模型应用于煤矸识别技术研究与实现。试验结果表明：基于改进型轻量级深度识别网络模型的煤和矸石识别方法模型结构简单、网络易训练、易嵌入使用且识别精度高。在对煤和矸石识别的测试中精度相对原模型提高了2.3%,达到了97.7%,召回率提高了2%,达到97.8%,对于提高采煤和选煤工作面的自动...     

基于深度学习的智能视频监控系统应用研究

本文主要研究了智能视频监控系统在当前矿山、油田、港口、化工、电力等行业安全生产中的应用。近年来,随着网络信息技术的飞速发展,智能视频监控技术得到了广泛的应用,传统的靠人眼监控的方式已经越来越不能满足当前工业安全生产的需要。随着计算机视觉技术的持续飞速发展,为快速分析大量的视频监控数据提供了有效的支撑,使智能视频监控技术在工业安全生产领域得到迅速普及。据调查,目前已经有多种类型的智能视频监控系统在工业安全生产领域应用,并且使用效果十分显著。     

基于深度学习方法的矿山微震信号分类识别研究

为了精准识别矿山微震信号,本文提出了一种适用于识别矿山微震信号的VGG4-CNN深度学习网络模型,该模型采用Python语言进行编写,基于PyTorch深度学习网络架构框架进行搭建。根据矿山生产过程中的岩石破裂、爆破作业、背景噪声等9类事件的微震信号的时域特征,VGG4-CNN深度学习网络模型实现了对3 835组矿山微震信号数据进行监督学习训练和分类识别应用。研究结果表明:本文构建的VGG4-CNN神经网络识别精度高达94 %,在采用该模型时不需要对原有波形信号进行去噪且鲁棒性强于现存其他模型,可在中等层次GPU上实现,满足工程需要。     

基于深度学习的矿井巷道人员计数技术

在煤矿发生安全事故时需要明确掌握各个区域的人员情况,合理安排营救计划。使用YOLOv5作为目标检测器,结合改进的DeepSORT跟踪算法进行矿井人员跟踪,实现煤矿矿井各个巷道区域的人员计数;首先使用轻量化的全尺度特征学习Re-ID特征提取模型OSNet对DeepSORT进行优化,替换原有的CNN特征提取模块;然后采用检测器和OSNet特征提取模型单独训练的策略,实现了矿井复杂环境下稳定的跟踪效果;在此基础上,通过在视频画面中设置ROI区域和基准线来判断人员进出的情况,从而实现计数功能。为了有效训练和评估模型的性能,采集了10 000张煤矿矿井下各个巷道不同区域的图片用于训练和测试,改进后模型的MOTA为66.7%,优于改进前的63.4%;改进后速度为28.1 FPS,优于改进前的25.3 FPS。试验结果表明：改进后的模型可以有效地实现矿井人员计数,可以用到实际的生产环境中。     

基于轻量化YOLOv7的井下高压场景安全识别研究

为了使杨柳煤矿安全监测平台精准快速地识别机电人员高压作业场景中存在的不安全行为,以井下中央变电所为例,聚焦绝缘护具佩戴情况设计安全识别框架。基于YOLOv7目标检测算法引用部分卷积(PConv),提高模型在处理遮挡或缺失画面的鲁棒性和泛化能力;融合快速神经网络结构(FasterNet),降低计算冗余优化检测性能;最后融合时间空间注意力模块(CBAM),提高算法的特征提取能力。实验结果表明：轻量化处理后较原模型体积缩小30.5%,计算量减少23.7%,识别平均精度可达97.3%,单张图片检测速度提升38.1%。在复杂背景下小目标检测任务中有效地解决了漏检问题。     

基于物联网的智慧矿山安全生产模型研究

 安全生产是矿山企业面临的重大问题。本文针对矿山安全生产的要求,把物联网技术应用到井下,并在此基础上构建智慧矿山模型。本文详细阐述了该模型的研究背景、体系结构、关键技术和设计目标,以期实现更智慧的解决矿山生产问题的各个环节,建立安全、高效、节能、绿色的新模式。     

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。     

基于半监督学习的煤矿井下行人检测模型

在井工煤矿辅助运输车辆无人驾驶及安全监测领域,行人检测技术至关重要。目前已有许多工作进行了相应研究,但这些研究均需要使用大量的精确标注图片,而煤矿井下图片获取较为困难,标注难度也十分大,这些因素都极大地影响了相关模型的落地应用以及推广。为了解决这一问题,提出了一种基于半监督学习的煤矿井下行人检测模型。通过使用半监督学习框架可以有效降低煤矿井下行人检测模型对于高质量标注数据的大量需求。此外,针对煤矿井下设备运算能力较低的特点,还对YOLOv5模型进行了改进,在维持模型检测精度的条件下提升了模型的检测速度。实验表明基于半监督学习的煤矿井下行人检测模型可以使用仅相当于原数据集5%的数据训练得到较为有效的检测模型,大幅度较少了对于标注数据的依赖,对煤矿井下行人检测模型的快速应用和推广起到了帮助作用。     

矿井作业人员不安全行为发生机理研究

矿井作业人员作为生产活动的直接施行者,其作业行为对于矿山安全生产有着直接的影响作用。为此,以矿井作业人员不安全行为作为研究对象,对不安全行为的定义和分类进行了界定,以生产过程中矿井作业人员的认知心理过程和行动实施流程为划分依据,将矿井生产活动分为3个阶段,初步剖析了作业人员的认知、决策和行动过程,对意向型和无意向型不安全行为的影响因素进行了列举分析,结合影响因素解释了对作业人员的行为选择过程,并在此基础上初步构建了矿井作业人员不安全行为发生机理模型。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂,采用“一刀切”的开采方法会加速滚轮截齿的磨损,同时开采效率也大幅降低,对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位,同时与Faster R-CNN,SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%,检测速度达到了63 frame/s,与Faster R-CNN,SSD相比精度高出7.7%,4.7%,而检测速度高出763%,40%;在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间,相对误差较小,不会对采煤效率产生影响。研究结果表明,YOLOv2可以对煤岩进行准确快速的识别。     

基于BIM技术的煤矿井下施工安全预警系统研究

介绍了一种基于BIM技术分析的实时监测、事件报告和预警平台,结合基于RSS距离的加权质心定位算法,用于改善煤矿井下施工安全管理和预防事故。该平台利用物联网、云计算、实时操作数据库、应用网关和应用程序接口,无缝集成了监控、分析和本地化方法,用于空气质量参数(包括温度、湿度、CH₄、CO₂和CO)的传感器表现出出色的性能,每个参数的回归常数始终大于0.97。该框架支持实时监控、识别异常事件(>90%),并验证矿工在地下矿山恶劣环境中的定位(误差小于1.8 m)。该研究成果能够有效促进煤矿井下安全,为矿井安全预警研究提供依据。