《煤炭科学技术》“图像识别技术”研究领域 | 热文精选

首页 > 专题

《煤炭科学技术》“图像识别技术”研究领域 | 热文精选

来源：煤炭科学技术

为了协助读者了“图像识别技术”研究领域内的研究热点和前沿问题，促进学术交流与合作，编辑部根据论文在中国知网的下载、引用等指标，整理了20篇《煤炭科学技术》2022年至今刊出的“图像识别技术”研究领域最受关注论文，以飨读者。以刊期排序。

行业视野: 煤炭科学技术
类别; 90个
关键词; 97位
专家; 20篇
论文; 5250IP
点击量; 7787次
下载量

多因素光照条件下高质量煤矸图像获取方法研究

作者(Author)：曹现刚, 郝朋英, 王鹏, 刘思颖, 吴旭东, 霍小泉

摘要：针对在线选煤过程中，光照条件不足引起煤矸表面特征成像质量差，煤矸识别率低下的问题，提出一种融合光源分布、色温、光照强度等多因素条件的新型高质量煤矸图像获取方法。首先，针对煤矸流实际洗选过程中光照条件的复杂性导致的光照不均匀问题，基于九点取样法研究了不同入射角度对光照均匀度的影响，确定适用于煤流的最佳入射角度。然后，针对不同色温引起色彩还原性不同导致煤矸图像失真的问题，采用MSE、PSNR和SSIM等指标量化分析多样本单一种类煤矸图像失真情况，通过TOPSIS算法研究不同色温的光源对煤、矸石，以及混合煤矸石3种不同工况图像失真情况的影响，确定成像质量最优的色温。最后，考虑在线光照强度变化影响煤矸表面特征信息的表达，基于不同照度下煤矸表面特征响应曲线，建立曝光时间、输送带速度和环境光强的关联关系，量化表面区分度较大的照度区间，确定最佳光照条件。通过融合多因素光照条件下高质量图像获取方法建立煤矸识别系统，并对SSD和Faster-RCNN目标检测模型进行实验验证。结果表明：该方法在很大程度上提高了煤矸图像质量，煤矸识别准确率提高10.5%，为煤矸智能分选系统提供更为准确的数据支撑，对提高原煤入选率具有一定应用推广价值。

免费下载

煤炭科学技术

2023年第01期

168

195
煤矿安全生产视频AI识别关键技术研究综述

作者(Author)：程德强, 钱建生, 郭星歌, 寇旗旗, 徐飞翔, 顾军, 高亚超, 赵金升

摘要：煤矿安全生产视频分析与识别技术是保障我国煤矿智能化建设和煤炭工业高质量发展的核心技术支撑。为及时对煤矿井下安全隐患进行实时监测和预警，视频AI（Artificial Intelligence，人工智能）识别关键技术已经成为煤矿安全生产领域的研究热点。阐述了我国煤矿智能化建设过程中安全监测与监控的发展现状，分析了当前矿井视频监控与安全隐患识别预警存在的效率低、响应慢、效果差等问题，结合计算机视觉、边缘计算、大数据处理、云服务、智能终端等先进技术手段、进行了煤矿安全生产视频AI 识别的顶层设计，提出了煤矿“人−机−环”全域视频AI 感知的“云−边−端”协同计算系统架构，构建了视频识别端节点传感器、边缘计算设备、视频识别场景云服务应用体系，明确了智能识别与预警联动控制响应机制，打通了“云−边−端”信息交互感知与联动控制数据链，实现了数据共享联动和预警协同。同时，围绕矿山“人−机−环”全域AI 视觉信息智能感知和全息泛化景象平台的构建，梳理了矿井安全隐患视觉感知及识别预警的技术处理流程，归纳了AI 识别过程中的各类预处理−增强−重建−检测−识别方法的优点和缺点，明确了煤矿安全生产视频AI 识别关键技术发展的主流方向和趋势。其次，结合王家岭煤矿、鲍店煤矿等代表性矿井的应用案例，示范展示了煤矿安全生产过程中实际典型应用场景等方面的最新进展和应用效果。最后，针对煤矿安全生产视频AI 识别关键技术的特点，总结了现有煤矿安全生产视频AI 识别系统存在技术理论薄弱、智能终端规格不一且应用场景混乱、数据兼容性及联动闭环能力较差、数据库安全性较弱、评价机制不统一、应用标准不完善等问题，指明了未来的发展方向是加强对视频AI 识别关键技术及理论的研究，建立健全智能终端硬件规格及适用体系，构建标准统一、机制完善、实时互联、动态预测、协同控制、安全可靠的煤矿信息多维度主动感知新模式和工业互联网应用平台，逐步形成全矿井全息泛化的高精度智能感知场，实现对井下“人−机−环”全域视频信息的精准感知和危险源协同管控。

免费下载

煤炭科学技术

2023年第02期

316

640
基于声谱图和SVM的煤矿瓦斯和煤尘爆炸识别方法

作者(Author)：孙继平, 余星辰, 王云泉

摘要：为提高煤矿瓦斯和煤尘爆炸感知准确率，提出了基于声谱图和SVM 的煤矿瓦斯和煤尘爆炸感知方法：在煤矿井下重点监测区域安装矿用拾音器；实时监测煤矿井下设备工作声音及环境音；将采集到的声音提取由MFCC 构成的声谱图，通过计算声谱图的灰度共生矩阵得到0°、45°、90°、135°的能量、熵、对比度、相关性，分别求其均值和标准差作为声谱图图像纹理特征，构成该声音的特征量，输入到SVM 中建立煤矿瓦斯和煤尘爆炸声音识别模型；对待测声音同样提取其MFCC声谱图图像纹理特征，输入到训练好的识别模型中进行声音识别分类；并进行了试验验证。首先，提取了采掘工作面设备运行、瓦斯和煤尘爆炸等不同声音的MFCC 特征值，分析了不同声音的MFCC 特征值分布情况；提取不同声音的MFCC 声谱图，分析了不同声音的声谱图的特征参数：能量、熵、对比度、相关性的均值和标准差，可见通过提取MFCC 声谱图的灰度共生矩阵特征参数构成的特征量可有效表征声音信号；其次，将待测声音输入建立的识别模型中，完成识别分类。结果表明：所提方法的识别率达到95%，整体识别性能高于其他算法；最后，通过贝叶斯参数优化试验结果可知，优化后的SVM 识别模型的召回率、识别率分别提高10%、3%，优于优化前的识别模型，能够满足煤矿瓦斯和煤尘爆炸感知和报警需求。

免费下载

煤炭科学技术

2023年第02期

201

171
矿井视觉计算体系架构与关键技术

作者(Author)：程健, 李昊, 马昆, 刘斌, 孙大智, 马永壮, 殷罡, 王广福, 李和平

摘要：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突破和完善，矿井视觉计算在煤矿智能化发展中必将发挥越来越重要的作用。

免费下载

煤炭科学技术

2023年第09期

195

141
改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法

作者(Author)：邵小强, 李鑫, 杨涛, 杨永德, 刘士博, 原泽文

摘要：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中小型残差网络来强化DeepSORT的外观信息提取能力。最后通过公开行人数据集及自建井下人员检测及跟踪数据集对本文改进算法进行验证，结果表明：改进的检测模型相比于原YOLOv5s模型平均检测精度提高了5.2%，参数量减少了41%，速度提升了21%；改进YOLOv5s-DeepSORT的井下人员跟踪方法精度达到了89.17%，速度达到了67FPS，可以有效部署于井下巡检机器人实现作业人员的实时检测及跟踪。

免费下载

煤炭科学技术

2023年第10期

145

92
基于图像识别的矿山相似材料试验模型变形信息提取

作者(Author)：汤伏全, 柴成富, 郭千慧子, 武金辉

摘要：相似材料模型试验是研究矿山开采沉陷及损害的重要手段，试验中获取高精度的模型变形信息至关重要，现有的多种模型变形测量方法在数据采集精度和效率方面仍存在一定的局限性。以陕北某矿的多煤层循环开采与充填开采为模型开展相似材料模拟试验，利用非量测相机近距离拍摄模型得到高分辨率的序列图像，通过图像畸变纠正、自动拼接及特征识别，高精度获取相似材料模型的变形量。首先分析模型测点标志和相机参数对变形测量精度的影响，确定最佳的模型拍摄方案，即使用非量测相机距离模型1.5～2.0 m处进行正射拍照，形成横向重叠度大于55%，竖向重叠度大于30%的图像序列；进一步利用双线性插值方法对所得到的图像进行畸变校正处理，运用全自动稳健的图像拼接算法，使用Harris角点检测算子进行特征点提取，利用RANSAC算法对伪匹配点进行分类处理，通过颜色插值法对接边处进行颜色过渡与平滑等一系列自动处理，从而对图像序列进行拼接，所生成的模型全景图像分辨率较常规的固定相机姿态一次拍摄模型全景的图像提高约10倍。图像处理过程中以测点标志为训练网络，基于Faster R-CNN算法加入置信度，通过选取合适的滑动模板进行区域分析，显著提高了测点标志的识别速率和准确率。结果表明，模型试验中测点坐标提取的精度优于0.027 mm，相当于实地测量精度5.4 mm，完全满足矿山相似材料模型试验要求。通过制作比例尺1∶200的试验模型，模拟分析了多煤层循环开采引起的上覆岩层变形破坏特征，地表最大下沉量达−18.937 mm；在采空区充填情况下，覆岩下部发生微弱变形，地表下沉不超过2 mm。试验结果为矿山相似材料模型试验数据的高效、精准采集提供了有效的技术手段。

免费下载

煤炭科学技术

2023年第11期

208

93
基于TW-RN优化CNN的煤矸识别方法研究

作者(Author)：郭永存, 王希, 何磊, 刘普壮

摘要：针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台,采用CCD（Charge Couplect Device)工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发,提出一种迁移权重和简化神经元(Transfer Weight-Reduce Neurons, TW-RN)模型优化方法改进预训练卷积神经网络（Convolutional Neural Network,CNN)模型,构建了改进后的Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50四种煤矸识别模型。依托扩充后的煤和矸石数据集,仿真对比了4种模型在不同优化器类型、学习率设置方式下的训练结果,确定了每种模型的最佳优化器类型和学习率设置方式。以测试准确率、F1分数、模型内存大小、训练时间4种评估参数为基准,定量评价改进前后每种模型的性能,确定了基于TW-RN优化CNN的最佳煤矸识别网络模型。结果表明:基于TW-RN改进的4种煤矸识别模型的识别准确率均得到了有效提高,且模型训练时间、内存大小均显著降低。煤矸识别率与模型复杂度的关系呈非正相关,相比改进后的Im_VGG16、Im_VGG19和Im_ResNet50深度识别模型, TW-RN方法改进的浅层Im_AlexNet模型性能得到显著提升,其识别精度提高了2.149个百分点,达97.461%,占用内存降低了190 MB,单张图像的识别时间节省了0.788 ms。

免费下载

煤炭科学技术

2022年第01期

442

892
面向煤矸分拣机器人的煤矸识别定位系统研究

作者(Author)：曹现刚, 刘思颖, 王鹏, 许罡, 吴旭东

摘要：随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要。依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统。根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集。基于迁移学习的改进AlexNet网络和RPN网络获取煤矸混合特征图像样本的分类信息和像素坐标,通过相机标定方法获得像素坐标在相机坐标系中的位置坐标。构建煤矸分拣机器人分布式控制系统的局域网络,实现识别定位系统与主控系统的实时煤矸检测信息交互。基于煤矸识别定位系统对煤矸图像的检测模型进行测试,试验结果表明,煤矸识别定位系统的识别模型检测准确率可达90.17%,煤矸目标最大定位误差9.45 mm,系统响应测试时间低于350 ms,满足煤矿复杂分选的基本要求。该煤矸识别模型对煤矸混合特征图像具有较好的检测结果,为煤矸图像识别方法应用于煤矿智能化分选发展提供了研究基础。

免费下载

煤炭科学技术

2022年第01期

438

1230

推荐专家

杨涛

推荐专题

亮点论文

推荐企业

《煤炭科学技术》“图像识别技术”研究领域 | 热文精选

煤问提

煤传媒

煤视界

科技创新50强

会员中心