基于改进Faster R-CNN的综放煤矸混合放出状态识别方法

放煤量的智能监测技术是智能化综放开采发展的方向之一。针对厚煤层综放开采混合介质下落过程煤矸智能识别现有方法存在适用范围窄、误判率高等问题,提出一种基于实时区域卷积神经网络（Faster R-CNN）改进的CBAM Faster R-CNN煤矸混合放出状态分析识别方法。该方法以综放开采工作面煤矸石下落状态为背景,将注意力机制算法（CBAM）融入ResNet50特征提取网络,研究了注意力机制融合于ResNet50主干特征提取网络的融合优化方法,确定了以煤矸石下落状态检测为目标的最佳融合位置,增加了提取煤与矸石权重信息的能力,使得特征提取过程重点关注煤矸运动状态参量;构建了粉尘环境下综放开采煤矸混合放出状态试验平台,对高速摄像机所采集的煤矸原始运动图像进行暗通道去雾与模糊集增强预处理操作,分析识别不同工况下静态图像,定量研究了模型权重优化以及粉尘环境预处理对煤矸混合放出状态识别的影响。研究结果表明：基于CBAM Faster R-CNN模型的预处理图像识别精确率较原始图像提升了8.84%,召回率提升了6.68%;模型优化效果方面,CBAM Faster R-CNN模型平均查准率和召回率分别为...     

多尺度神经网络煤层气微地震检测研究北大核心

在煤层气勘探开发中,通过微地震监测技术掌握裂缝走向,调整采煤巷道位置、方位对安全生产具有重要意义。因此,提出一种基于多尺度卷积神经网络的微地震检测方法,较好地解决了在强干扰环境下的弱信号识别的问题。研究表明:在不同强度的噪声干扰下,本文方法的检测精确率和召回率均优于小波分析法、BP网络和卷积神经网络等方法,且具有较好的抗噪性。当信噪比大于6 dB时,模型检测召回率可达到90%以上,精确率可达到92.1%以上。通过黑龙江某地区实际煤层气微地震监测数据的验证,模型具有良好表现。     

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%。     

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。     

基于注意力机制的矿工危险行为检测算法研究

为了有效地检测和识别煤矿井下工作人员的危险行为,防止安全事故的发生,针对煤炭井下背景复杂、尺度变化大等问题,提出了一种基于注意力机制和深度学习的矿工危险动作检测算法。在YOLOv3模型的基础上,设计一种特征提取能力更强、体积更小的轻量化特征提取网络;针对原始的YOLOv3算法在小目标的检测性能较差这一问题,提出了一种基于注意力机制的特征融合模块来优化小目标的漏检和误检问题。为了评估模型的性能,采集了10 000张煤矿井下图片用于训练和测试,所提出的算法的mAP为83.1%,优于目前常用的目标检测算法;此外,算法测试速度为769 fps,是其他轻量化目标检测算法的6.6倍。试验结果证明,提出的危险行为检测算法可以应用到实际的生产环境中。     

基于Faster R-CNN的煤岩 识别与煤层定位测量

传统机器学习的煤岩识别技术大多数采用的是手工设计图像特征,并结合滑动窗口的方式对煤岩图像进行特征提取,再经过分类器进行分类和识别,存在图像特征设计难度大、耗时长、泛化性差等缺点。针对传统机器学习的这些缺点,采用了一种基于机器深度学习Faster R-CNN的煤岩识别方法。首先利用采煤机上的监控摄像机现场采集煤岩图片数据集,将图片输入到VGG16卷积神经网络,对煤岩图像特征进行提取,将提取出来的特征图经过区域建议网络(Region Proposal Network),对图像上的煤岩进行初步定位与分类,最后经过R-CNN网络精确定位分类,输出煤层边界点的像素坐标值。解算出监控摄像机内外置参数,结合理想针孔线性成像模型,将图片中所定位到的煤层边界点(煤层角点)的像素坐标值转化成矿井测量坐标值,为采煤机自动调整滚筒空间位置提供数据依据。     

基于图像深度特征学习的矿山井筒设施隐患检测方法研究

针对人工完成矿山井筒设施检测时面临成本高和安全威胁等问题，提出利用采集的井筒设施监控视频图像，采用基于图像深度特征学习的矿山井筒设施隐患检测方法对井筒设施进行隐患检测。构建包含大量正常设施图像和少量隐患图像的数据集；同时构建包含特征提取网络和分类网络的并行神经网络作为训练网络，在正常图像集、外部图像集和少量隐患图像数据集上，设计联合损失函数对网络进行训练；通过聚类策略选择具有代表性的正常图像深度特征作为特征模板，通过模板匹配实现隐患图像检测。试验结果表明，在构建的矿山井筒井架设施图像数据集上，所提算法训练的特征提取模型能有效提高图像特征的表达能力，模型的隐患检测精度可达到92%以上，为利用矿山井筒设施图像进行矿山井筒的隐患检测提供了新思路。     

基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型

粉煤灰烧失量预测是对其合理利用的前提,常规实验方法成本高,常常不能满足现场需求。针对此问题本文提出了基于卷积神经网络的电选粉煤灰颗粒图像识别与烧失量预测模型,引入了Adam算法和dropout技术对卷积神经网络进行改进,将粉煤灰颗粒图像的灰度均值、灰度方差、能量和熵值4个特征参数作为输入量,将粉煤灰烧失量的实验值作为输出量,从不同地区的电厂采集高低烧失量的两种粉煤灰进行配比后开展实验研究,基于实验样本点进行学习和训练后开展烧失量预测。综合考虑相关性和模型训练精度,选取学习率为0.010时的卷积神经网络预测模型,引入dropout技术卷积神经网络模型与实际实验数据数值偏差为0.090 7,预测的数值相关性为0.975 0,预测的误差相对较小。研究结果表明:dropout技术能够有效避免过拟合现象,与深度神经网络、长短期记忆网络和BP神经网络相比,卷积神经网络模型对粉煤灰图像具有较好的数据特征提取能力,具有广泛的应用前景。     

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。     

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。     

基于递归门控卷积和上下文注意力的煤块检测算法

针对煤矿带式输送机上煤块检测因光照不均存在的漏检与误检问题，提出一种基于门控卷积和上下文注意力机制的改进YOLOv5煤块检测算法。首先，将主干网络中残差模块替换为递归门控卷积模块，通过逐步融合特征信息，提取高阶语义特征，增强模型的特征提取能力。其次，在特征融合结构中加入GCA注意力机制，将全局上下文信息融入坐标注意力模块中，加强感兴趣区域的全局表示，增强多尺度特征融合能力，提高模型对煤块边缘特征的敏感度。最后，采用SIoU损失函数，加速网络模型的收敛。试验结果表明，改进的算法在自建煤块数据集上平均精度均值达到92.8%,召回率达到85.9%,检测速度达到38帧/s。既提高了检测精度，又满足了检测的实时性。     

基于深度卷积网络的煤泥浮选尾矿灰分检测方法研究

随着煤泥浮选自动化不断提升,浮选尾矿灰分检测存在严重滞后,无法满足生产实时要求。提出了浮选尾矿灰分检测新方法,通过多层神经网络对尾矿灰分图像进行特征提取,然后对尾矿灰分值进行回归,并与实际尾矿灰分值对照分析。实验结果表明,基于深度卷积网络的煤泥浮选尾矿灰分检测具有较好的实时性,检测精度满足生产要求。该尾矿灰分检测方法为煤泥浮选智能生产过程自动化提供帮助。     

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。     

岩石种类智能识别研究的Faster R-CNN方法

为实现岩石种类的智能化识别,对橄榄岩、玄武岩、大理岩、片麻岩、砾岩、石灰岩图像进行数据扩增处理,在Faster R-CNN深度学习目标检测框架下,采用简化VGG16为基础特征提取网络,对岩石图像进行特征提取和特征学习,进而训练成岩石种类区分识别模型。通过验证,模型对6张单类岩石图像识别均正确且分类概率均大于96%。对多类岩石混合图像区分识别效果良好,大部分分类概率超过80%且定位准确。模型能够很好地将图像特征相似、有遮挡的岩石种类区分识别出来,证明模型的鲁棒性和泛化能力较强。     

基于GSP-YOLO煤矸石检测算法研究

针对目前基于深度学习的煤矸石检测算法在图像检测速度与检测精度上不够理想的问题,提出了一种基于GSP-YOLOv5s的煤矸石检测算法。将主干网络中的卷积模块替换为Ghost卷积模块,降低了参数量;引入SE注意力模块,增强识别能力;删除20×20检测头,更加轻量化。实验结果表明：GSP-YOLOv5s算法检测的平均精度为94.6%,较YOLOv5s精度提升了0.8%;检测速度为110.3 fps,速度提升7.6%.     

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。     

基于深度神经网络的护帮板运动状态监测

针对现有液压支架护帮板状态监测方法可靠性低、量化监测能力缺乏的问题,提出了一种基于深度神经网络的非接触式护帮板运动状态监测方法。该方法通过卷积和反卷积网络实现护帮板关键点空间位置检测,然后利用前馈神经网络将护帮板关键点的空间运动轨迹转换为护帮板伸缩角度,实现护帮板状态监测的量化。研究结果表明,基于深度神经网络的护帮板关键点空间位置的平均检测误差小于2个像素,护帮板位姿角度的平均量化误差小于3°,算法处理速度大于60f/s,具有良好的监测性能。     

多模式特征增强卷积的带式输送机异物检测模型

带式输送机异物检测是矿山生产过程中的重要组成部分。针对带式输送机异物特征，笔者提出了一种多模式特征增强卷积神经网络模型，并将其应用于矿山异物检测。该模型使用一种跨级连接Darknet作为模型骨架，以减少图像信息的损失；采用空间特征提取模块，提高模型对模糊物体的特征提取能力；引入注意力融合增强模块，增强相邻特征图之间的信息，实现对多尺度和小目标地准确检测。该方法在带式输送机数据集的准确率达到了93.54%。     

基于深度学习的无人机影像建筑物自动提取

在无人机影像建筑物自动提取过程中,传统地物分类算法其精度已无法满足生产过程中的分类要求。为此,文章提出以深度学习技术结合条件随机场应用于无人机影像建筑物的自动提取方法。首先利用基于残差模块的卷积神经网络对图像进行特征提取,然后利用全卷积对图像进行反卷积,恢复图像特征。基于初步分类结果,利用条件随机场模型进行边缘细化。通过对实验结果进行分析,验证了该算法应用于无人机影像建筑物自动提取的可行性。     

基于SENet和DenseNet的充填管道磨损声音识别

针对矿山充填管道磨损缺陷检测存在的人工检测困难和检测成本高等问题,提出了一种融合SENet的密集连接卷积神经网络模型(SE_DenseNet),可实现充填管道不同磨损程度的远程快速识别。该方法首先通过完全集合经验模态分解(CEEMDAN),对与原信号相关性较高的分量进行重构;之后,使用短时傅里叶变换,形成声谱图;将声信号识别问题转化为图像识别问题;并将声谱图输入到DenseNet网络模型,通过特征重用,融合通道注意力机制SENet,增强特征信息,实现对充填管道磨损声信号的准确声音识别。结果表明:SE_DenseNet的识别准确率可达到97.368%。相比同类深层基线网络模型ResNet101和基线DenseNet121而言,该网络模型泛化能力及识别准确率有所提升,在模型参数数量上有所下降,实现更快收敛。SE_DenseNet的上述优势可被应用于类似的固液两相流输送管道无损检测领域。