改进的FCOS煤矿井下行人检测算法

针对煤矿井下对行人检测精度不足、实时性要求高、环境条件差、行人状态复杂等问题,提出一种改进的FCOS煤矿井下行人检测算法。该模型使用轻量级卷积神经网络ShuffleNet V2替换FCOS检测算法中的骨干网络ResNet-50,将原始网络中的特征金字塔结构改进为自上而下和自下而上的路径增强网络,同时利用由两组深度可分离卷积组成的轻量化检测头替换原始FCOS网络的检测头。在试验训练过程中,通过对井下行人检测数据进行尺度和颜色等数据增强来提升模型的泛化能力与鲁棒性。试验结果显示,改进的FCOS可以更好地实现检测精度与速度之间的平衡,该算法在基本不损失精度的情况下,平均精度均值(mean Average Precision)达51.9%,检测速度可以达到100帧/s。     

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-...     

基于倒置残差的井下无人车目标检测研究

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法﹐以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度﹔颈部网络部分在 BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比 YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。     

煤矿井下一氧化碳气体检测

一氧化碳(CO)是一种有毒有害的气体,对煤矿井下生产有巨大危害。本文指出了目前各种CO传感器的优缺点,阐述了利用红外吸收技术检测CO比传统方法检测具有选择性好、不会中毒老化、精度高、寿命长、本安特性好等优点。提出了未来CO检测发展方向主要是微小型化、集成化、智能化、多功能化、通用化和网络嵌入式互联网化。     

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。     

改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法

矿井移动目标的实时监测及跟踪系统是建设智慧矿山必不可少的内容,井下巡检机器人的出现可以实现对作业人员的实时监测,但是井下光照不均、煤尘干扰等因素的存在导致传统图像检测算法无法准确检测出作业人员。基于此提出一种可部署于井下巡检机器人的改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法。首先利用监控摄像头与巡检机器人所录视频制作数据集,然后使用改进YOLOv5s网络对井下人员进行识别：考虑到井下人员检测及跟踪算法包含复杂的网络结构和庞大的参数体量,限制了检测模型的响应速度,使用改进轻量化网络ShuffleNetV2替代原YOLOv5s主干网络CSP-Darknet53。同时,为减少图像中复杂背景的干扰,提升作业人员的关注度,将Transformer自注意力模块融入改进ShuffleNetV2。其次,为了使多尺度特征能够有效融合且使得推理信息能够有效传输,将Neck中FPN+PAN结构替换为BiFPN结构。接着利用改进DeepSORT对人员进行编码追踪：考虑到井下环境黑暗,照度低,无纹理性,DeepSORT难以有效提取到人员的外观信息,于是采用更深层卷积替换DeepSORT中小型残...     

基于改进YOLOv5的煤矿井下暗环境矿工安全穿戴智能识别

煤矿井下矿工安全智能识别是防止矿工受到意外伤害的重要保护措施之一。为了提高煤矿井下光线不足等暗环境下的识别准确率,提出一种基于改进YOLOv5的目标检测算法对矿工安全穿戴进行智能识别。首先,实地采集数据构建安全穿戴数据集,将其输入到弱光增强网络Zero-DCE中,提升模型的泛化能力;其次,提出C-ASPP模块,通过对ASPP改进并加入注意力机制,将其加入主干网络之中,使模型更加高效关注安全穿戴区域的特征;然后,在主干融入Transformer算法,增强模型对不同尺度目标的动态调整能力;最后,在特征融合阶段,使用双向特征融合金字塔模型,提高模型的特征提取能力和检测性能。试验结果表明：改进后的YOLOv5算法的平均检测精度提升至90.2%,较原算法提高了3个百分点,检测速度为81.2帧/s,相较于其他算法有着较高的准确度和速度,可满足井下工作区域内矿工安全穿戴识别要求。     

基于半监督学习和支持向量机的铀矿分选方法研究

为了识别可冶炼铀矿石,提高资源利用率,采用X射线透射技术,并结合半监督学习算法—ITSVM,实现对铀矿的智能分选。同时为进一步优化模型性能,引入了亮暗校正方法以解决图像噪声问题,该方法通过归一化处理,将噪声图片中的每个像素点进行映射,从而提升图像质量。通过改进的直线凹点检测与切割算法和切片方法,攻克了支持向量机对多目标分类任务的难题,该算法通过检测像素点相对于直线的位置和距离,利用约束条件判断凹点,采用最小距离切割方法获得对应的切割线,再通过切片的方法将多目标检测问题转化为多个独立的单一目标检测问题。通过综合这2种优化方法,最终建立了ITSVM铀矿分选模型。通过X射线投射技术收集到的2 000张铀矿图片对该模型进行训练测试,并与SVM和TSVM模型进行结果对比。结果表明,经过亮暗校正,模型在检测铀矿的准确性方面提升了2.9个百分点;通过使用改进的直线凹点检测与切割算法和切片方法,使ITSVM模型具备多目标检测功能,模型对多目标铀矿图片检测的准确性达到95.7%;在测试集上,ITSVM模型检测铀矿的准确性达到97.3%。相比于SVM和TSVM,ITSVM在检测铀矿的准确性和持续优化模型方...     

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...     

煤矿瓦斯可燃性气体及井下环境参数的检测

国内对瓦斯的检测以CH4检测为主,毒气的检测以CO检测为主;国外用可燃性气体的检测代替单一CH4气体的测量,毒气包括H2S的测量。文章讨论了井下环境参数检测的种类和必要性。     

井下气体的检测

<正> 地面空气进入井下后,由于煤层中含有的气体以及井下爆破产生的气体等会掺入进去,使井下气体中含有一定量的爆炸性气体(CH_4)和有毒气体(如 CO)。因此,人们对 CH_4、CO 气体特别重视,因而检测这两种气体的仪器设备也得到了迅速发展.为了提高检测技巧,用简单的手段得到较高的测定精度。现介绍在使用中     

基于轻量化PAM-M-YOLO模型的煤矸石图像检测

针对传统煤矸石检测算法中人为提取煤矸石图像特征过程复杂、检测精度低等问题,提出了一种轻量化的PAM-M-YOLO煤矸石检测模型。首先,使用MobileNetv3特征提取网络替换原模型主干网络,采用深度可分离卷积替换传统卷积进行煤矸石图像的特征提取;其次,设计PAM并联注意力模块提升目标检测网络层拼接后特征图通道和空间信息关注度;最后,基于CAM激活限制分支给模型添加先验信息,以降低模型在非关键特征上的局部坍塌。试验结果表明,轻量化PAM-M-YOLO煤矸石检测模型准确率、召回率、mAP值分别为98.7%、97.5%、98.8%,较原M-YOLO模型分别提升了3.6, 2.3, 2.0个百分点;参数量为3.8 MB,比YOLOv5模型降低了近1/2。热力图可视化效果表明,轻量化PAM-M-YOLO模型在检测过程中所关注的信息更集中于煤矸石区域,有效解决了模型在煤矸石区域的局部坍塌问题。     

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RetinaNet的煤矿井下输送带异物检测技术

受煤矿生产环境与开采条件等因素影响,煤炭中常混入煤矸石、铁器等异物,从而在井下煤炭运输过程中对输送带造成损害,导致经济损失和安全隐患。使用深度学习方法对输送带异物进行检测。在煤矿井下光照和粉尘影响下,运用HSV空间改进融合Retinex算法对图像进行增强,以RetinaNet＿Res101为基础网络,用八度卷积代替网络中的部分传统卷积层,在特征提取阶段降低特征图中低频分量冗余特征,提高细节特征提取效果,减少空间冗余,达到提升精度的同时节约计算资源提高运算速度的效果。实验结果表明,八度卷积优化RetinaNet模型在测试集平均精度为94.1%,比原始RetinaNet模型提高3.9%,同时检测速度提高了26.3%。     

行人助行器在井下辅助倾斜井巷中的设计与应用

由于高煤公司所处滕南煤田地质构造复杂,随着矿井开拓向深部延伸,各生产矿井均出现距离短、坡度大的联络巷,为解决此类巷道人员运输难题,进一步降低一线职工非生产性体力消耗,减轻职工沿途行走时间,提高幸福指数,从辅助减少职工行走体力消耗方面出发,设计加工了行人助行装置,具有较高的安全效益和社会效益.     

煤矿井下气体分离新方法

论述了常规光干涉甲烷检测仪井下气体分离方法存在的多种缺陷,提出了用 5A型沸石分子筛分离煤矿井下气体的新方法,并从理论和实验上得到验证。     

井下电机车轨道障碍物图像处理方法的智能识别技术

绿色、安全、和谐、智能、高效成为矿业可持续发展的时代要求,智能矿山的建设有助于提高产业的自动化和智能化水平.井下电机车无人驾驶是井下运输智能化无人技术应用的重要一环,轨道障碍物检测作为无人驾驶的关键技术,能够保障井下有轨运输的效率和安全.为了达到不同距离、不同位置轨道中间和两侧的人、设备、碎石的识别和预警的目的,分...     

基于深度学习的煤矿钢丝绳缺损检测方法研究

为了解决煤矿用钢丝绳缺损在线实时检测问题,进一步提高矿用钢丝绳缺损检测的灵活性及准确度,开展了图像法矿用钢丝绳缺损检测的研究。利用摄像机对钢丝绳入井前段采样,提出一种基于YOLO v5的物体表面小缺陷检测模型,实现了钢丝绳外部小缺陷的精准检测。引入迁移学习方法,进一步提升了小样本训练的模型精度。经过大量实验表明,在钢丝绳缺损检测中,该模型的平均正确率及准确率均值较修改前有明显提升,且能够保证检测速度保持在实时水平。     

基于GCA-YOLOv5s煤矸石检测技术研究

针对目前基于图像处理的煤矸石检测方法精度低、实时性差、漏检等问题,文章提出了一种基于GCA-YOLOv5s的煤矸检测算法。引入Ghost轻量化模块代替卷积操作对网络模型进行压缩提升检测速度;采用卷积块注意力对特征图进行处理,使提取的特征更加精炼,提升模型的表现力;根据数据集中目标的大小分布特征,选择合适的Anchor尺度,提升煤矸的检测精度。实验数据表明：改进后的煤矸石检测算法在实时性方面优于默认的YOLOv5s检测算法,检测速度每秒提升了10.19帧,同时对小目标也有较好的检测效果。