基于混合高斯图像窄带模型钨矿初选技术研究

针对钨矿石初选环节中人工手选作业效率低、成本消耗大等问题,提出机器视觉与图像处理技术相结合实时钨矿初选方法。通过引入GPU加速混合高斯模型进行矿石运动目标检测,提取图像前景中完整的矿石目标。结合图像信息,提出融合灰度特征与图像窄带的矿石目标识别算法,快速获取钨矿石中脉石的位置信息,为钨矿石的初步分选提供依据。试验结果表明,相比较传统人工手选作业方式,该方法极大提升矿石分选速度与精度,满足工业化实时检测识别要求。     

基于机器视觉的轴类零件识别

采用机器视觉手段进行轴类零件识别。通过采集待识别零件样本信息,利用MATLAB软件编程实现对样本的图像处理和轮廓提取,获得特征量信息。然后通过图像标定和亚像素最小二乘法进行直线拟合获得轴的边缘轨迹,完成轴的直径和同轴度识别。进行视觉识别结果和人工测量结果比较,结果表明,采用机器视觉进行轴类零件识别,相对误差为0.001,检测精度具有一定的可靠性,且检测速度快,便于实现批量化、在线实时检测,具有广阔的应用前景。     

矿井下输送带大块物体检测

研究煤矿井下输送带大块物体检测方法,实时高效地识别出运煤输送带上的异物(主要包括大块煤或煤矸石,还有锚杆),对预防输送带纵撕、维持输送带安全运行、确保煤矿企业稳定生产具有重要的社会意义和经济价值。输送带目标检测是基于机器视觉的异物识别技术,视频通过OpenCV完成图像预处理,再对图像进行灰度化操作和阈值分割,去除背景部分,将运动的大块目标物摘取出来进行标注,从而对运动目标进行准确有效的分析,大块物体检出率超过80%。     

传送带计算机礼觉检测系统的研究

介绍了单阈值和多阈值OTSU法,并对遗传算法在图像的区域分割中的应用作了详细论述,采用面向对象的方法给出了遗传算法类的定义,通过对传送带接头及非接头图像进行必要的处理和识别,应用OTSU改进的遗传算法对传送图像进行多阈值处理,实现了皮带传送带的视觉检测。图3,参6     

基于视觉导航技术人形机器人的行走和爬行研究

主要研究面向人形机器人行走和爬行的立体视觉问题。障碍检测和物体识别广泛采用图像处理和物体识别技术,数据拟合技术也应用于人形机器人的路径规划。通过实时合成高精度的物体特征检测方法能够提供精准的视觉反馈。提出了基于这些方法和机器人导航系统的立体视觉系统,并且利用人形机器人进行了仿真实验。     

基于双目视觉的煤矿带式输送机胶带异物识别方法研究

常规的煤矿带式输送机胶带异物识别方法主要使用限制对比度自适应直方图均衡化法处理识别图像,易受复杂轮廓清晰度动态变化的影响进而导致识别出现错漏。本文研究了一种基于双目视觉设计的煤矿带式输送机胶带异物识别方法。该方法利用双目视觉技术采集带式输送机胶带异物识别图像,采用SGBM算法、分水岭算法以及形态学处理方法对采集的图像进行预处理,研究了异物识别检测区域预测,设置了锚框机制且优化了识别宽度,实现了带式输送机胶带异物识别。实验结果表明,本文研究的方法取得了较好的识别效果,具有良好的应用价值,可进一步降低煤矿输送安全风险,提高煤矿安全输送效率。     

煤矿井巷环境下机器人视觉图像增强及障碍识别研究

为解决煤矿救援机器人在发生灾害后光线不足、煤尘粉尘严重等造成视觉系统中图像不清晰、画面模糊以致障碍物形状无法识别问题,通过实验模拟煤矿井下光照条件,在光照充足、低照度以及零照度3种不同光照条件下采集机器人视觉图像。采用直方图均衡化方法对图像进行增强处理,使机器人显示的图像更加清晰,通过边缘检测算法以及基于风水岭分割改进的算法对障碍物信息进行提取,最终可以得到机器人前方主障碍物的形状特征信息。     

基于双目视觉深度感知的带式输送机煤量检测方法

针对带式输送机存在煤料图像难以识别,以及煤料内部颗粒间隙非均匀随机分布导致体积难以计算的问题,提出了一种由运输煤料识别模块、运输煤料三维信息提取模块和运输煤料量计算模块3部分组成的基于双目视觉深度感知的带式输送机煤量检测方法。其中,运输煤料识别模块采用小波变换算法增强运输煤料图像,并结合K-means聚类算法分割出煤料图像;然后,运输煤料三维信息提取模块采用双目视觉方法获取煤料图像各点的深度信息,从而得到运输煤料三维点云信息;最后,运输煤料量计算模块将Delaunay算法与T-S模糊推理算法相结合,求得煤料体积,进而应用煤量计算公式实现煤量的检测。利用实际图像进行了实验研究,结果表明所提方法的有效性。     

表征煤质指标的煤粒图像颜色特征

针对煤粒表面图像的表征问题,采集了7个密度级共70幅煤粒图像,研究了煤粒图像的两个颜色空间,分析了煤粒图像RGB和HSV的6个颜色特征的一、二、三阶矩,并对其进行筛选.结果表明煤粒表面呈现深灰色并且色彩信息很少,在进行煤粒密度级判别时,可以选取亮度一阶、亮度二阶、亮度三阶、饱和度一阶和饱和度三阶这5个颜色特征,参数表征不同密度级煤粒的颜色信息,为实现机器视觉识别煤质指标提供了参考.     

矿用带式输送机故障辅助识别系统实证研究北大核心

为了防止煤炭开采运输过程中的异物对运输设备和生产设备产生损坏,结合传统的带式输送机检测系统研制了一种基于机器视觉深度学习的带式输送机故障辅助识别系统;通过图像算法库进行图像预处理,增强系统对有关信息的可检测性;使用深度学习训练得出的识别网络模型利用监控视频对异物进行识别,提高系统识别异物的准确率,有效提高运输环节的运输效率。试验结果表明:故障辅助识别系统可以保证综采工作面运输系统的正常运行。     

煤矿井下机车防撞系统设计

针对煤矿井下电机车运行的复杂环境,提出了基于机器视觉技术的图像处理方法来进行障碍物识别,详细介绍了防撞系统结构、工作原理、障碍物识别报警流程、系统主要功能特点及使用注意事项。巷道试验应用表明,该系统为井下机车防撞寻求了一种解决方案。     

数字图像处理在输送带撕裂视觉检测中的应用

针对煤炭生产中输送带易于产生纵向撕裂的背景,构建了基于数字图像处理和机器视觉技术的输送带撕裂检测系统。将数字图像处理技术应用于输送带撕裂的裂纹边缘信息的检测,对采集的裂纹图像进行预处理、边缘检测以及特征抽取。该方法具有实时动态显示输送带状况的优点,识别精度高。     

基于机器视觉的AlexNet网络煤矸石检测系统

针对传统的煤矸石检测方式成本较高、识别准确率较低、适用性较差等不足,经分析实际检测要求,设计了一种基于机器视觉和AlexNet网络的煤矸石检测系统。该系统通过工业相机来采集传送带上煤矸石图像,利用直方图均衡化和二阶微分线性算子来加强图像对比度与锐化效果,并使用高斯滤波来抑制图像噪声,进而获取更具辨识度的图像,最终运用AlexNet网络实现煤矸石的识别与定位。结果表明,该系统识别准确率达到了95.90%,准确率较高,且实现过程较为简单,适用性良好。     

基于双目视觉技术的煤矿救援机器人研究进展

针对发生煤矿事故后的环境探测和紧急救援任务,研发和使用煤矿救援机器人是提高救援效率和降低救援危险系数的关键途径,而双目视觉技术是煤矿救援机器人获取事故现场信息和实现自主避障及路径规划的前提。首先,基于双目视觉技术的实现流程,介绍了视觉测距的数学原理,归纳了目前摄像机标定领域的代表性方法,包括传统标定方法、主动视觉标定方法和自标定方法。阐述了立体视觉匹配中全局匹配算法、局部匹配算法和亚全局匹配算法的最新研究成果,并比较了3类匹配算法的优缺点。然后,在对近年来煤矿救援机器人研究文献进行分析的基础上,研究了双目视觉技术在煤矿救援机器人中的应用和发展情况。指出双目视觉技术在煤矿救援机器人领域的研究范围主要涵盖立体视觉匹配算法、模式分类与识别、视觉测量与3维重建、组合测量与定位、视觉伺服控制和基于虚拟现实技术的视觉算法仿真等方面。最后,根据煤矿非结构化环境的高动态和强干扰特点,指出煤矿救援机器人现场应用的关键是解决运动模糊和镜头污染、超广角镜头的非线性大幅畸变、弱/零照度条件等技术难题;根据煤矿救援机器人双目视觉的大视场、高精度、自适应感知等要求,提出了包括多自由度测量、多传感器信息融合、基于主动视觉的自适应感知等未来发展建议。     

基于机器视觉的运煤车车号识别技术研究

在铁路运煤装车过程中为了快速、准确地识别车号,提出一种基于机器视觉的运煤车车号识别技术。将连通区域提取与投影分割法结合,实现车号的粗定位、细分割,并对图像中的断裂字符进行二次分割,构建了基于BP神经网络的分类模型进行车号识别,提升了煤炭装车的效率和精度。     

矿井提升机钢丝绳损伤在线检测方法研究

针对矿井提升钢丝绳损伤检测的难题,提出了一种漏磁检测技术与机器视觉检测法相结合的在线检测方法,解决单一检测方法漏检或误检的问题。为了验证漏磁检测方法的有效性,对钢丝绳断丝漏磁信号进行小波降噪,提取断丝信号峰值、峰峰值和波形面积特征,用遗传算法优化的 BP 神经网络对其进行定量识别。结果表明：钢丝绳断丝定量识别的最大相对误差为 5.23%。为了验证机器视觉检测法的有效性,对钢丝绳损伤图像进行滤波、灰度等预处理,以及图像分割和边缘检测处理,实现了损伤面积的准确定量识别。     

基于机器视觉的大轴端面锈蚀检测与清洗

为解决传统清洗方式所带来的高成本、低效率、污染严重等问题,提出一种基于机器视觉的激光清洗视觉检测方法。通过灰度化、直方图均衡和中值滤波对图像进行预处理,采用灰度级形态学重建消除阴影和反射光,使用最大类间方差法及阈值分割对图像进行特征提取,使用自拟特征判断函数来完成对清洗效果的最终识别。实验结果表明,该方法能准确检测出大轴端面清洗率,单次检测时间控制在0.17 s内,满足其精度及效率要求。     

应用计算机图像识别技术研究磨矿机填料运动轨迹

磨矿机填料运动轨迹是反映磨矿工作效果的重要信息,所以,研究磨矿机的填料运动规律,对提高磨机工作效率尤显重要。本文利用摄像机拍摄磨矿机在转速为56.3 r/m in,填料充填率分别为40%、50%、55%条件下填料自转和公转的运动状态,应用计算机视觉技术对图像进行分析,得出磨矿机在同一转数,不同充填料率时填料自转和公转的运动规律。     

基于卷积神经网络和语义分割混合模型的煤岩识别系统研究

综采工作面煤岩识别是实现煤矿智能化无人开采的关键技术。目前,基于图像的煤岩识别研究主要是对煤岩进行分类识别,对煤岩复杂混合层界面的识别研究较少。因此,提出了一种基于卷积神经网络的煤岩信息识别边缘计算系统,该系统包括煤矸石智能分类单元以及煤岩层智能语义分割和视觉重构单元。在煤矸石智能分类单元,采用数据增强模块和图像显著化处理模块处理图像,获得的显著化图像经过 VGG16深度网络模型进行分类识别。试验结果表明,在自制煤矸石数据集上该模型测试准确率可达99.07%;在煤岩层语义分割和视觉重构单元,将通道注意力模块(ChannelAttention,CA)嵌入到 DeepLabv3+的主干网络中,并采用Poly自适应学习策略自动调整网络训练的学习率,构建了一种适用于煤岩层图像分割的 CA_Poly_DeepLabv3+ 网络,在自制 煤 岩 分 割 数 据 集 上 的 平 均 交 并 比 定 量 指 标 为66.81%,相较于 DeepLabv3+基准网络提高了7.74个百分点,实现了较好的界面分割识别和视觉重构。     

矿井视觉计算体系架构与关键技术

煤矿井下特别是采掘工作面空间狭窄、装备众多、工艺条件及环境复杂、隐蔽致灾隐患多，因此实现智能化无人操作一直是煤炭行业内的普遍需求。建立有效的面向煤矿井下应用的视觉计算理论是实现煤矿智能化无人开采的重要一环。矿井视觉计算的主要任务是针对矿井这一特定应用领域，研究煤矿井下环境的感知、描述、识别和理解模型与框架，以使智能装备具有通过图像或视频感知煤矿井下三维环境信息，增强煤矿井下环境感知能力。为了有效推进该理论与实践的结合发展，使其更好地服务于煤矿智能化建设，首先围绕煤矿井下视觉计算的基本概念，分析计算机视觉与矿井视觉计算的异同，总结提出煤矿井下视觉计算的组成架构体系。然后，详细介绍煤矿井下视觉计算所涉及的视觉感知与增强、特征提取与特征描述、语义学习与视觉理解、三维视觉与空间重建、感算一体与边缘智能等关键技术，并从矿井视频智能识别、预警与机器人定位、导航等方面简要介绍视觉计算在煤矿井下的典型应用案例。最后给出煤矿井下视觉计算的发展趋势和展望，重点总结分析了目前矿井视觉计算在煤矿井下应用中存在的关键技术难题和矿井增强现实/混合现实、平行智能采矿2种重要的发展方向。随着煤矿井下视觉计算理论的不断...