煤矿视频中复杂行为识别的持续学习模型探究

为更好保障矿工井下作业安全,如何提高矿井监控视频中矿工复杂行为识别准确率已成为研究热 点。通过耦合深度网络和主动学习方法构建的矿工复杂行为持续学习模型,可自动对新增样例进行标记,并持续 从视频数据中学习人体行为,从而提高识别准确率。分析在是否为主动学习和是否固定缓冲区大小 4 种实验环境 下公共数据集 KTH 和真实煤矿监控数据集 RCV 中复杂行为的识别性能,发现随着新增样例的加入,持续学习模型 框架能够不断改进每种复杂行为模型的识别性能,且最终的识别准确率相较于传统识别模型有明显提升。结果表 明持续学习行为模型能有效解决复杂行为识别过程中的概念漂移问题,且具有良好的自学习能力和鲁棒性。     

基于深度学习的井下人员不安全行为识别与预警系统研究

井下作业人员的不安全行为是矿山事故发生的主要原因之一,现有的井下监控方式仍然以人工监控为主,无法快速识别作业人员的不安全行为,导致难以实时预警。设计了一种基于深度学习的井下人员不安全行为识别与预警系统开发方案,首先制作以井下环境为背景的数据集,然后采用YOLOv4网络模型对矿工及安全帽等进行识别以判断安全帽佩戴情况,再采用Open Pose算法及ST-GCN模型对监控视频中的矿工行为进行识别,最后通过系统对不安全行为进行自动预警。结合多种深度学习和计算机开发技术开发了一种井下人员不安全行为识别与预警系统,为井下人员的安全管理提供了新的思路,对于智慧矿山建设具有参考意义。     

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YOLO的井下人员速度测量方法研究

由于井下环境复杂、背景单一、参照物不够明显的视频数据特征,较难直接通过视觉计算的标定方式实现井下运动目标的测速。论文提出一种不依赖场景标定的速度检测方法,通过自主学习的方式,智能化监测井下工作人员的作业规范。该方法首先基于YOLOv3对巡检人员进行持续的检测跟踪,在此过程中通过视频相邻帧间的目标边界框特征点,确定图像消失点;其次,利用图像消失点建立三角形模型测量实时速度;最后,利用测量出的速度趋势智能判断井下工作人员是否存在漏检行为。在煤矿数据集上的实验结果表明,该方法能够有效度量井下运动目标的速度,用于判断井下工作人员巡检时是否存在漏检行为,比标定方法更适合井下场景的应用。     

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。     

基于支持向量机的测井岩性识别在松散沉积物调查中的应用研究

砂砾质松散沉积物粒径组成复杂,钻探取心率低,导致对沉积相和相界面的判别准确度不高。本文结合岩心和测井资料,建立了松散沉积层基于支持向量机的测井数据岩性识别模型,分析了训练集样本数量对模型识别准确率的影响,并与BP神经网络模型进行了对比。结果表明,支持向量机模型的岩性识别准确率高,且对训练样本需求量低,可以有效地弥补钻孔取心率不足的问题,并降低钻探施工成本。在松散沉积物调查中,利用基于支持向量机的测井岩性识别模型自动识别沉积序列具有可行性,是实现绿色勘查的有益尝试。     

基于特征融合宽度学习系统的锌浮选过程工况识别

浮选工况是浮选操作的重要判断依据,如何准确地识别浮选工况对浮选性能的提升有重要意义。基于机器视觉方法是浮选工况识别的主流方法,通常采用大数据技术在浮选工况数据集上建立浮选表层泡沫特征与浮选工况之间的关系模型,工况识别效果与工况数据集密切相关。一旦出现数据集中未包含的新工况,难以获得满意的识别效果。为此,针对当前大部分工况识别方法自适应性不足的问题,本文以锌精选为例,提出一种基于多特征宽度学习的锌浮选工况识别方法,以增量学习方式自适应新出现的工况。首先,根据多特征的不同特性,构建基于多特征宽度学习的锌精选工况识别模型;然后,在浮选状态变化和精选槽故障导致模型识别准确率降低时,通过拓宽特征层、增强层以及输出层的方式调整网络结构以进行增量学习。实验结果表明,本文所提出的基于多特征宽度学习系统的锌浮选工况识别方法具有良好的工况自适应性能,应用价值良好。     

基于极限学习机的矿井突水水源快速识别模型

在煤矿突水灾害防治过程中,需要快速准确地识别出突水水源类型。激光诱导荧光技术具有灵敏度高和快速监测的特点,利用该技术获取水样的荧光光谱。光谱经卷积平滑预处理和主成分分析提取特征信息后,采用极限学习机算法建立多元分类学习模型。确定隐含层激励函数为Sigmoid函数,并通过交叉验证法确定最优隐含层节点个数。从训练网络的平均时间、训练和测试的平均分类准确率和标准差方面,与BP和SVM传统分类算法进行了性能比较。结果表明:在训练集和测试集上的平均分类准确率方面,该模型与传统分类模型基本一致,但该模型分类准确率的标准差最小,说明其具有较稳定的分类性能;在训练模型学习时间方面,该模型能够大幅度降低分类学习时间,说明其具备快速识别突水水源性能。     

基于大数据分析的矿区施工安全监控系统

矿区地质环境复杂，施工存在很高的安全风险，为此设计了基于大数据分析的矿区施工安全监控系统。在施工现场布设摄像头和振弦测量模块，采集可视化图像和不可视数据，通过无线网桥将大数据发送给监控中心，利用监控中心服务器实现大数据处理和分析，判断矿区施工现场是否存在风险，并通过告警装置通知给现场施工人员。结果表明，该系统的监控错误、未监控到的风险样本较少，监控性能较好，能较准确识别出矿区施工中存在的风险。     

基于稠密轨迹聚类的人体交互行为识别

由于稠密轨迹对快速不规则运动的鲁棒性较强,对视频运动信息的覆盖度较好,近年来基于稠密轨迹的人体运动表征方法已经越来越多地运用于行为识别等领域。但轨迹提取受视频噪声影响较大,采用词袋(BOW)模型分类的参数难以确定,分类算法复杂,前述方法仍有些许不足。为此,提出了一种空间金字塔稠密轨迹聚类(PDDC)的人体交互行为识别方法。在金字塔不同空间层提取人体交互运动轨迹,并对所提取轨迹进行聚类,利用时空情境特征构建行为描述符,最后通过多示例学习(MIL)对交互行为进行分类识别。在UT-Interaction与WEB-Interaction数据集上进行了测试,证明了该方法的有效性。     

基于VGG＿16网络的煤和矸石识别技术研究

针对传统选煤方法在煤矸识别上效率低、错选率高等问题,提出了视觉图像加卷积神经网络的煤和矸石识别新方法。在团队研发的煤矸分拣机器人平台上采集了煤矸图像数据并进行了扩充处理。以卷积神经网络VGG＿16为基础设计改进了模型,通过设置不同的模型参数验证了其在煤和矸石识别上的性能。结果表明,新模型能在占用很少的硬件资源下达到较高的煤矸识别率,当网络学习率设置为0.000 1和正则化系数设置为0.001时模型的性能达到最优,训练集和测试集的识别准确率分别达到了99.73%和97.58%。     

矿工不安全行为风险因素的路径研究

围绕矿工生产执行不安全行为和隐患与事故处理不安全行为的事故致因,运用定量和文献分析法,识别导致矿工不安全行为包含安全管理能力、安全作业能力、工作压力、工作氛围以及矿工不安全心理5个潜变量。通过问卷采集数据,运用STATA12.0统计分析工具和SEM方法,构建矿工不安全行为结构模型,揭示模型各路径参数及作用机理。根据各路径计算结果,为改善矿工不安全行为提出相关建议。     

基于深度卷积特征的露天矿卡车装载状况识别技术研究

针对露天矿车辆运输过程中运载量管控受人为及环境等因素干扰较大,存在轻车跑票和人为套票等不利于生产管理的问题,提出了一种基于深度卷积特征的车辆装载状况识别方法。该方法通过构建试验数据集和对卷积神经网络AlexNet模型迁移学习,完成对露天矿卡车装载状况图像深度卷积特征的提取,并基于支持向量机多分类模型,实现对卡车装载状况的自动识别,在此基础上统计露天矿车队运载工作量。试验过程中,基于同一组试验数据集分别对GoogLeNet、ResNet、SqueezeNet、DenseNet模型进行迁移学习,提取卡车装载状况图像深度卷积特征,并使用同一支持向量机多分类模型对卡车装载状况进行自动识别。结果表明,在空间资源和时间资源约束下,迁移学习后的AlexNet模型在5种卷积神经网络中总体性能表现最佳,用其提取的图像深度卷积特征在卡车装载状态识别中准确率最高。相比于传统的人工设计图像特征,该方法能够更好地完成露天矿卡车装载状况自动识别任务,试验数据集的识别准确率达到97%以上,在此基础上对露天矿车队运载工作量进行统计,可有效鉴别露天矿卡车的实际装载状况,提高露天矿卡车运载的吨公里生产效率,有效解决露天矿...     

基于K-means SMOTE和随机森林算法的陷落柱识别模型

为了克服单一地震属性在对陷落柱进行识别时出现多解性和不确定性问题以及样本数据不平衡带来的识别准确率偏移问题，构建了基于K-means SMOTE和随机森林二分类陷落柱识别模型，通过对多个地震属性进行联合分析以达到识别陷落柱的目的。以山西新元煤炭责任有限公司首采区东翼南部矿区作为研究区域，将前方解释人员通过三维地震勘探技术提取到的12种地震属性作为样本特征，并将实际揭露的陷落柱信息作为样本标签，构建地震多属性数据集；通过相关性分析和聚类分析评估以及随机森林重要性分析进行地震属性优选，最终优选相对独立的6种地震属性作为样本特征；利用K-means SMOTE算法对数据集进行平衡处理，补充得到8 992个数据，选取其中6 294个数据作为训练集，2 698个数据作为测试集；基于python语言平台搭建随机森林二分类模型，最终预测陷落柱的准确率可达到87%。通过对比3种常见机器学习分类算法，该模型识别陷落柱的准确率更高。     

安全氛围与矿工安全行为模型研究

围绕安全氛围与矿工安全行为的内涵,通过文献分析和定量分析,识别出安全氛围与矿工安全行为包含安全态度、工友行为、管理者关注度、安全监管、安全政策、安全教育、作业环境、安全遵守行为和安全参与行为9个潜变量。通过大量数据采集,运用多元统计分析工具及结构方程模型,构建安全氛围与矿工安全行为结构模型,并揭示模型作用机理。从改善安全氛围角度提出关于提高矿工安全行为的新方法,从而提升煤矿安全生产水平。     

融合残差信息轻量级网络的运煤皮带异物分类

矿井中开采出来的煤炭要经过运煤皮带的长距离运输才能到达地面。大量有关矿井中煤炭安全高效运输的研究显示,皮带在煤炭输送过程中存在大块矸石、锚杆等异物划伤、撕裂皮带和堵塞落煤口等安全隐患,预警、分选及联动控制不及时会严重影响煤炭的运输效率。为克服当前对皮带异物分类识别时存在的网络参数量大、实时性差、识别精度低等问题,提出了一种融合残差信息的轻量级网络。该网络采用残差块作为基本特征提取单元,在残差块中去除卷积块之间的激活函数。采用交叉学习机制和特征拼接的方法来融合不同尺度的特征信息,增强了特征的表现力。精简信息融合网络的结构并增加信息融合网络的数量,提高了模型的扩展性。在模型进行前向传播时,对损失函数进行阈值处理,改善了测试集损失函数升高的问题,提高了模型的泛化性。提出的轻量级分类网络模型在Cifar10数据集、Cifar100数据集和矿用数据集的分类准确率分别为94.1%,73.9%和85.1%。在矿用数据集上与ShufflenetV2,MobileNetV2,ResNet50,ResNeXt50,W-ResNet50,ResNet110等算法相比,本文提出的模型的识别准确率分别提升了4....     

基于深度神经网络的岩爆烈度分级预测

岩爆是大型地下岩土和深部资源开采工程中面临的关键问题之一。为准确可靠地预测岩爆灾害,本研究提出一种基于Dropout与改进的Adam的深度神经网络(DNN)岩爆预测模型(DA-DNN)。根据岩爆的影响因素、特点及成因,选取硐壁围岩最大切向应力、岩石单轴抗压强度、岩石单轴抗拉强度和岩石弹性能量指数构成岩爆预测指标体系。在国内外岩爆研究成果的基础上,搜集289组岩爆工程实例数据,并以此作为岩爆预测的样本数据,然后采用深度学习技术建立基于DA-DNN岩爆预测模型。DA-DNN模型避开了指标权重确定问题,完全由数据驱动,减少了人为因素影响,可实现不完全、不精确并带有噪声的有限数据集中复杂且微妙的深层关系的学习。考虑到岩爆样本数据量有限,根据深度学习领域常用的数据集划分方法,即训练集、验证集、测试集按照6∶2∶2划分。先从样本数据中随机抽取58组作为测试集(预测样本),在模型最终训练完成后,评估其泛化能力,测试其真正的预测准确率。剩余的231组样本数据作为DA-DNN模型的学习样本,在训练过程中随机采样,抽取学习样本的80%作为训练集,20%作为验证集。当训练次数(epochs)取60时,学习样...     

基于变分水平集的图像分割防堵仓技术研究

针对煤矿井下噪声高、分辨率低、照度不均的特殊环境,建立煤块图像分割模型,实现对大煤块的准确检测,预防堵仓事故发生。新模型基于变分水平集算法,对GAC(Geodesic Active Contour)和C-V(Chan and Vese)模型改进,融合轮廓和区域模型对煤块视频图像信息进行分割,通过求偏微分方程的稳态解,解决能量模型的最优解求取问题,利用半点离散化差分方法完成数值计算,有效提高计算精度、拓扑结构自适应性、抗噪能力,降低了光照敏感性。实验结果表明,新模型在煤矿井下复杂环境有良好的鲁棒性,实时性高,在减轻了矿工人力筛选大煤块负担的同时极大提高筛选准确率。