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%。     

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。     

基于图像处理的煤矸识别方法

综合考虑煤和矸石图像的灰度特征和纹理特征,在对图像进行滤波、增强等预处理后,筛选出灰度直方图的均值、峰值,GLCM的能量、对比度和熵,Tamura纹理的对比度这6个特征组成特征向量,送入LS-SVM进行识别。研究结果表明：基于3种特征结合的LS-SVM煤矸识别有效地提高了识别率。     

基于DSP嵌入式煤矸识别系统的设计

为了提高综采放顶煤工作面自动化水平,提高煤质,介绍一种基于DSP的嵌入式煤矸识别系统,包括整个系统的硬件、软件设计及算法分析。该系统可高速采集振动声波信号,IIR低通滤波去噪后,经过快速傅里叶变换和小波变换对数据进行频谱、功率谱分析,实现煤与矸石的比例识别。CPLD协同DSP实现整个系统的地址译码和逻辑控制,并可以通过RS485/RS232接口实现通信或组网。     

基于图像处理技术与InceptionV3神经网络的煤矸图像识别研究

采用支持向量机对比分析了SVM分类器与InceptionV3网络模型两种方式对煤矸图像的识别准确率。首先对煤和矸石图片进行灰度、降噪处理,提取煤和矸石灰度特征值,确定了灰度方差与灰度均值是区分煤和矸石的有效特征。然后选用SVM分类器与InceptionV3网络模型两种方式分别对采集到的煤和矸石图像各2 000张分为20组进行分类处理。结果发现,以灰度方差为判别依据的SVM分类器对煤矸图像的平均识别正确率为72.3%,以灰度均值为判别依据的InceptionV3网络模型对煤矸图像的平均识别正确率为85.7%.     

基于图像处理的煤/矸密度识别系统的研究

为提高煤与矸石识别的准确性,开发了一套基于图像处理的煤/矸密度识别系统。该系统是以MATLAB为平台,针对煤/矸图像的特点,对获取的煤/矸图像进行同态滤波、中值滤波、图像分割以及形态学滤波处理,得到煤/矸的轮廓;然后利用积分算法,计算出煤/矸的体积;再利用所测煤/矸的质量,计算出煤/矸的密度,最终根据煤和矸石密度的不同实现二者的识别。试验结果表明,该方法能快速、有效地对煤和矸石进行实时检测。     

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...     

基于煤炭运量控制系统的煤与煤矸石图像的识别

针对煤炭运量控制系统中的车载物识别这一背景,根据煤与煤矸石图像在灰度和纹理上的差异,并利用LBP算子在处理图像上的优势,提出了一种基于LBP算子的煤与煤矸石的识别方法。运用MAT-LAB语言对识别算法进行仿真实现。对比了LBP算法与以往算法的识别效果,得出了LBP算法的优越性。     

基于分形维数及细观孔隙结构特征的煤矸石识别研究

为进一步提升基于图像特征的煤矸石分选识别率,将分形维数的分析方法与图像处理和识别技术相结合,选取煤矸石图像的细观孔隙结构特征作为主要研究对象和识别特征.在运用图像处理技术对煤矸石图像进行处理后,最大化地凸显了煤矸石图像细观孔隙结构特征,通过对部分样本的孔隙结构进行初步特征测定和比对,运用分形几何理论对自然形态自相似性特...     

基于机器视觉的运动煤颗粒检测和遮挡追踪

针对煤颗粒筛分过程中被遮挡而导致其运动分析实测数据缺失的情况,应用机器视觉的方法实现了对运动煤颗粒检测和遮挡追踪.文章搭建模拟激振实验台,使用高速摄像机采集单个煤颗粒被遮挡情况下的序列图像.在MATLAB中采用引导滤波对序列图像进行去除噪声预处理,使用混合高斯模型法(GMM)有效提取了目标煤颗粒的前景掩码,并利用卡尔曼...     

基于机器视觉的长壁工作面直线度测量算法研究

综采工作面推进过程中,由于上百米长的狭长地形和起伏弯曲,其直线度是一种大型移动目标的非可视测量问题.通过将梯形窗口、灰度识别和特征搜索等视觉算法应用于实时测量刮板输送机的形态,建立视觉相机测量直线度的局部坐标系,可使测量的结构光点像素值转换为设定直线度的偏差距离;通过链位传递算法将工作面布置的多个视觉相机的局部直线度坐标经过转换矩阵和平移向量建立全局坐标系,从而计算出以刮板机节为测量标志点的工作面直线度.实验表明,视觉检测整个工作面直线度达到±50mm的精度,满足采煤机沿平直工作面高效运行的要求.     

基于机器视觉和独立悬挂系统的煤矿特种机器人设计

由于煤矿井下煤尘存在爆炸性、煤层中溢出的瓦斯也具有威胁性,所以采煤工作环境十分恶劣和危险。为此利用Lab VIEW和IMAQ Vision构建了基于彩色图像二值化的机器视觉图像处理算法,提出了一种基于机器视觉和独立悬挂系统的煤矿特种机器人。该机器人四轮能够独立运动,同时兼备灵活的探测抓取和越障能力,应用于煤矿勘探以及利用视觉进行物体识别方面,并通过抓球和爬楼梯试验验证了该机构的可行性。     

基于AlexNet-SN网络的煤与煤矸石分类方法

现有煤矸石分选方法依据人工设计的特征对煤矸石进行识别,特征提取过程稍显复杂,准确率仍有很大的提升空间。人工智能技术快速发展,智能选矸成为解决煤矸石分拣问题的重要研究方向,为提高煤与煤矸石分类准确率,本文提出了一种基于AlexNet网络和风格迁移技术的改进的煤矸石分拣方法。选用 的卷积核代替原AlexNet网络前几层中较大的卷积核,利用BN层代替LRN和Dropout,并采用风格迁移数据增强的方法提高煤与煤矸石数据集的多样性。结果表明,与原始的AlexNet网络相比,该方法的准确率提高了1.8%,损失率下降了2%。本文选用的方法不仅能够满足实时检测的要求,而且具有更高的识别精度,能有效应用于煤矸石识别。     

基于机器视觉的悬臂式掘进机机身位姿检测系统

针对矿井巷道自动掘进的需求,为矿用悬臂式掘进机构建了一套机身位姿实时检测系统。该系统以十字激光器与激光标靶为信息来源,通过对标靶上十字光线成像特征的分析,建立了掘进机机身位姿空间解算模型。该模型利用机身与十字激光面的空间关系,使用空间矩阵变换方法,得到机身相对于巷道的三轴倾角以及在巷道断面上的偏离位移,实现了掘进机机身位姿的自动实时检测。最终,在实验室条件下,搭建了机身位姿自动检测试验平台,模拟掘进机在巷道内的姿态,试验结果表明:测量范围在2~100 m时,系统的角度测量误差在0.5°范围内,位移的检测误差小于20 mm,能够满足巷道施工过程中掘进机机身位姿自动、精确、实时测量的要求。