基于改进YOLOv5s的护帮板异常检测方法研究

准确识别护帮板支护状态,判断护帮板是否与采煤机发生干涉,是实现煤矿安全生产的重要一环。提出了一种基于改进YOLOv5s的护帮板异常检测方法。建立了护帮板数据集hb_data2021,对YOLOv5s模型进行改进。根据基于改进YOLOv5s的护帮板状态检测结果的标签分类,判断护帮板状态是否异常。为了减小YOLOv5s模型的参数量,采用MobileNetV3 和轻量级注意力机制NAM（normalization-based attention module,标准化注意力模块）替换主干特征提取网络。为了提高护帮板检测精度,改进损失函数为α-CIoU,并进行知识蒸馏。实验结果表明：蒸馏后的网络平均精度提高了1.0%,参数量减小了33.4%,推理加速34.2%;基于改进YOLOv5s的护帮板异常检测方法效果良好,将其部署在NVIDIA Jetson Xavier平台上,可以满足实时检测视频的要求。将检测模型移植到巡检机器人的嵌入式平台上,可以实现护帮板异常检测,满足煤矿工业实际需求。     

煤矿井下设备视觉定位系统内参自适应标定方法

针对现有煤矿井下掘进设备视觉定位方法精度不足的问题,以小孔成像模型为基础,建立了相机畸变对位姿测量系统产生的误差模型,构建了基于自适应天牛须搜索算法(ABAS)的相机参数优化模型,由此提出了一种煤矿井下掘进设备视觉定位系统内参自适应标定方法。通过标定数据表明,基于ABAS算法的标定法相对于张正友标定法的平均误差减小了0.07像素,重投影误差减小了0.04。以测量检测掘进机器人偏航角为例的结果表明,基于ABAS算法的标定方法的最大定位误差为2.32°,而张正友标定法的最大定位误差为2.54°,为提高掘进设备定位精度提供了可行的解决思路。     

基于三激光点标靶的掘进机机身视觉定位技术研究

针对煤矿井下低照度、非均匀粉尘环境中掘进机机身位姿测量不稳定的问题,提出了一种以 3 个激光光斑为点特征的 掘进机机身位姿视觉测量技术。 根据激光穿透性强的特性,对防爆工业相机采集的激光标靶图像进行处理,通过光斑区域的最 小内接矩形和椭圆拟合相结合,获取 3 个激光指向仪的光斑点特征,并采用 P3P 单目视觉定位算法,通过空间坐标矩阵变换计 算出掘进机机身的空间位姿。 根据掘进机机身位姿测量实验表明,在粉尘和杂光的影响下,采用该方法获得的掘进机机身位置 信息的误差均在 30 mm 以内,姿态误差均在 0. 5°以内,且保证了在杂光、粉尘和水雾等复杂背景下激光光斑点精确提取与机身 位姿的稳定测量,基本满足巷道掘进施工精度要求。