基于改进U-net的少样本煤岩界面图像分割方法

煤岩图像语义分割技术是煤岩界面识别的重要研究方向,现有的语义分割模型通常依赖于大样本数据集进行训练,然而目前已标注的煤岩图像数据样本难以获取,并且缺乏公开数据集。针对以上问题,提出了一种基于改进U-net模型的样本煤岩界面图像分割模型。将裁剪后具有更强特征提取能力且结构上更为简单的VGG16替换U-net的原始骨干特征提取网络,提升对图像信息的特征提取能力并获得更快的训练速度,在U-net网络的跳跃连接和解码器上采样部分引入注意力机制模块,对提取的特征层进行处理,提升模型对煤岩界面图像关键特征的提取能力,提高分割精度。使用迁移学习方法对改进的模型进行预训练,提高模型泛化能力同时避免过拟合,使模型更适用于小样本数据集训练。通过使用自制的煤岩界面数据集对所改进的网络模型性能进行验证,并将该模型与经典Unet、DeepLabv3+、PspNet、HrNet网络模型进行了对比。试验结果表明:在同样使用由125幅煤岩界面图片构建的小样本数据集进行训练的情况下,所提改进模型相较于经典U-net模型在分割精确度和检测效率方面都有显著提升,模型精确度提高了1.84%,平均交并比提高了5.34%,类别平均像素准确率提高了0.48%,检测速度增幅为5.3%。同时,与其他网络模型相比,所提改进模型在小样本煤岩界面图像的语义分割中优势显著,表明所提改进思路的有效性。

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero_DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks,FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的YOLOX模型相比,其精度分别提高了0.64百分点、0.84百分点、1百分点、1.29百分点和0.76百分点,速度分别提高了0.5帧/s、0.4帧/s、0.3帧/s、0.2帧/s和0.4帧/s。所提出的方法能实现地下煤矿井下无人电机车轨道障碍物的快速准确检测,并为地下矿运输设备的智能化升级及安全运行提供理论支撑。

基于CSSA-BPNN模型的胶结充填体动态抗压强度预测

充填采矿法二步骤回采时胶结充填体稳定性受爆破扰动而降低。为快速准确地获得充填体动态抗压强度,利用分离式霍普金森压杆(SHPB)进行了40组不同应变率的单轴冲击实验,以灰砂比、充填体密度、养护龄期和平均应变率作为输入参数,充填体动态抗压强度作为输出参数,建立了一种基于Logistic混沌麻雀搜索算法(CSSA)优化BP神经网络(BPNN)的预测模型,并与传统BPNN和麻雀搜索算法优化的BPNN进行了对比分析。结果表明:CSSA-BPNN模型的平均相对误差为4.11%,预测值与实测值之间拟合的相关系数均在0.96以上,模型预测精度高。CSSA-BPNN模型的均方根误差为0.395 0 MPa,平均绝对误差为0.359 2 MPa,决定系数为0.995 2,均优于另外两种预测模型。实现了对充填体动态抗压强度的准确预测,可大幅减小物理实验量,为矿山胶结充填体的强度设计提供了一种新方法。

金属矿山高浓度充填管道磨损规律与防控技术

金属矿高浓度充填能有效消除尾矿库和采空区危害,但充填管道磨损问题也成为制约充填效率的因素之一。基于对管道磨损类型的划分,从颗粒性质、料浆性质、料浆—管壁接触条件、管材性质和管道所处外部环境5个方面综述了充填管道磨损的影响因素;基于理论分析和现场实测归纳了5种不同形式充填管道的磨损规律,以此总结了充填管道磨损的防控技术。现有研究结果表明,不满管流时,充填管道最主要的磨损形式是冲蚀磨损,料浆流速的影响最显著;满管流时,磨蚀和腐蚀对管道磨损起重要作用,料浆浓度的影响最显著。垂直管道中,料浆—空气交界面处磨损最严重,提高满管率并采用等倍线设计可有效控制其磨损。水平直管和倾斜直管底部磨损最严重,水平弯管的底部和垂直弯管外侧为易磨部位。使用新型管道结构和耐磨管材,提高料浆均质性,优化充填骨料级配,改进充填作业制度,全面监测管网压力,革新管道磨损数据获取手段,采用数值模拟技术深入揭示管道磨损规律等措施,可直接或间接对充填管道磨损防控起到积极作用。研究结果可为矿山充填管道磨损控制提供指导。

基于前馈补偿LQR与PID的矿井无轨胶轮车横纵向控制研究

无人驾驶技术是实现无轨胶轮车井下安全、智能、高效运输的重要方案之一,为了提高无人驾驶过程中的轨迹跟踪精度,提出了基于前馈补偿的横向线性二次型调节器(Linear Quadratic Regulator,LQR)与纵向比例积分微分(Proportion Integration Derivative,PID)位移速度调节器相结合的控制策略,实现车辆的横纵向协调控制。通过建立考虑轮胎侧偏特性的2自由度无轨胶轮车动力学模型和跟踪误差模型,并采用井下无轨胶轮车实车参数建立其电机模型,得到车辆的驱动制动输出。利用Carsim和Matlab/Simulink搭建联合仿真环境,分别在井下双车道工况、单车道工况与颠簸路面工况下进行了轨迹跟踪仿真验证。结果表明:在3种工况下车辆轨迹跟踪过程中的最大横向误差仅为5 cm,最大纵向误差仅为10 cm,速度误差控制在1 m/s以内,航向误差范围为±0.1 rad,前轮偏转角变化平稳未出现抖动现象。为验证控制器在井下实际环境下的跟踪性能,使用实验室小车于陕西某井下巷道进行了现场试验验证,结果表明:井下实际巷道下试验结果误差仍在合理范围内,解决了车辆运行过程中的速度和路径的时变问题,反映出该控制器具有较高的精度和较好的稳定性。

基于多特征融合的露天矿区道路负障碍检测

随着智慧矿山概念的逐步落实,智能化、无人化逐渐在矿区落实,露天矿卡车无人驾驶日益成为矿山智能化建设的主要内容,为解决露天矿区复杂多变的道路因坑洼、塌陷等路面小部分下陷出现的非规则负障碍而导致矿区无人车、重载卡车侧翻等安全难题,提升矿区安全驾驶系数,提出一种多特征融合的露天矿区道路负障碍检测方法。该方法使用BiFPN特征融合模块,提高小型负障碍检测权重占比;引入空间和通道双注意力机制提高对负障碍边缘的特征提取和特征融合能力,从而提高对道路小尺度负障碍的检测精度;采用SIoU Loss作为模型边界框损失函数并使用K-means++方法优化Anchor以提高负障碍检测模型的收敛速度和边界框定位效果,并基于遗传算法优化超参数让模型更贴合矿区场景,最终实现对矿区道路负障碍的快速精准识别。实验表明该检测模型能快速准确识别复杂背景下露天矿区道路负障碍目标,对道路负障碍目标的检测精度、召回率、平均精确度均值分别达到了96.9%、89.9%、95.3%,且该模型大小仅有12.7 MB。对比其他主流检测网络,该网络模型更适合复杂环境下露天矿区非结构化道路行驶安全需求,且该检测模型的鲁棒性好,可适配于多种情况的露天矿区,为实际环境复杂多变的露天矿区非结构化道路负向障碍检测提供了可行的方法,为露天矿无人卡车安全生产运输提供安全预警。

基于Bayes算法与数值模拟的缓倾斜破碎薄矿体采矿方法优选

为实现某锰矿顶板破碎低品位缓倾斜薄矿体安全高效经济开采,首先根据开采条件设计出5种技术可行的采矿方法,然后基于贝叶斯(Bayes)和蒙特卡洛(Monte Carlo)方法建立涵盖技术和经济共17项评价指标的采矿方法优选体系进行采矿方法优选。研究结果表明,浅孔进路V型掏槽后退/前进采矿法、中深孔进路V型掏槽/平行抛掷采矿法和浅孔接钎头斜向掏槽采矿法的综合得分依次为0.524、0.193、0.214、0.228和0.221,浅孔进路V型掏槽后退采矿法最优。最后采用MIDAS数值模拟对优选出的采矿方法的4种不同跨度采场的稳定性进行分析,其采场跨度12 m时可在采场稳定性和矿石回收率之间取得较好平衡。综合考虑技术、经济和安全指标的采矿方法及采场结构参数优化思路,可为该矿山选出安全高效采矿方案,并可供类似矿山参考借鉴。

基于MISSA-CNN-BiLSTM模型的尾矿坝位移预测

为应对尾矿坝位移预测所面临的复杂情况和精度要求,提出一种基于多算法耦合的尾矿坝位移动态预测模型。首先,基于时间序列分解模型将累计位移分为趋势项和周期项,利用高斯回归时间序列预测模型预测趋势项位移;然后,运用不同Copula函数研究诱发因素与周期项位移的整体相关性,鉴于周期项位移影响因素多样性与强非线性的特点,采用多策略融合的改进麻雀搜索算法改进麻雀搜索算法(MISSA)-卷积神经网络(CNN)-双向长短期记忆(BiLSTM)模型预测周期项位移;最后,将高斯回归趋势项位移预测值和MISSA-CNN-BiLSTM周期项位移预测值叠加。结果表明:尾矿坝累积位移预测值与实测值基本一致,预测结果相关性系数R为0.996,均方根误差(RMSE)为0.13 mm,建立的MISSA-CNN-BiLSTM多算法耦合模型预测精度较高,且能较好地预测尾矿坝位移的阶跃型变化。

毛细驱动诱发的尾矿强度劣化演化规律及机制

为了研究毛细作用对尾矿坝工程性质的影响规律及机制,以陕西某铜矿尾矿为研究对象,通过直剪试验对自然含水状态下、毛细饱和状态下、重力饱和状态下堆积坝外坡和沉积滩面不同距离处的尾矿进行力学性质测试。结果表明:尾矿黏聚力随粒径减小逐渐增大,内摩擦角随粒径减小逐渐减小,二者共同作用影响其抗剪强度;随含水率的增大,尾矿强度逐渐下降;浸润线以上毛细饱和带中尾矿含水率与浸润线以下尾矿含水率相等;基于以上研究结果,引入毛细饱和带概念,提出了基于毛细作用影响的尾矿坝真实浸润线的概念与计算方法,修正了浸润线高度计算公式。

基于改进ConvNeXt网络的矿物图像智能识别

矿物识别是地质研究的重要工作,但是如何准确识别矿物仍然是一项重要的挑战。针对矿物形态特征,提出了一种利用迁移学习策略并引入通道注意力的改进ConvNeXt网络矿物图像智能识别模型。首先,利用ImageNet数据集上已预训练的ConvNeXt网络模型,运用迁移学习的方式,加载到矿物识别模型中;其次,在ConvNeXt网络的基础上,以ConvNeXt块之后与注意力机制相结合的方式,进一步提升其特征融合能力;最后,以26类矿物的矿石图像为研究对象,总计34576张图像,以6∶2∶2比例划分训练集、验证集与测试集,模型在实验训练过程中与VGG19、GoogLeNet、ResNet50、ResNeXt50和ConvNeXt网络相比,收敛速度明显加快。实验结果表明,矿物智能识别模型在准确率、精确率和召回率上分别达到98.58%、98.62%和98.73%,而消融实验证明本文提出的优化方法有助于提升模型性能,同时,通过对不同模型矿物图像特征图的可视化对比分析,验证了本文提出的矿物识别模型对于矿物特征的准确提取,进一步证明了模型的有效性,提高了矿物识别的准确率。

热湿环境下矿工注意力对应急决策影响的脑电研究

为探讨不同热湿环境下矿工注意力对应急决策的影响,模拟了4种不同工况环境,召集了11名被试,运用认知神经科学方法共进行了44次脑电图记录。结果表明,体感温度在26~36℃被试可以保持较高的注意力水平,能够针对突发事件迅速且正确地做出决策。随着温湿度的升高,α波的平均功率不断增加,β波在工况三达到峰值后减小,脑地形图中β波在工况三占比最大;注意力水平(P(SMR+Middleβ)/P(θ))随温湿度的增加而降低,工况三时注意力水平最高,工况四时与其相比降低了69.6%。相关性分析显示,温湿度与任务完成时间存在高度正相关关系。对热湿环境下矿工的应急决策研究能够为深井采矿工人的安全和保护提供参考,降低决策失误造成的损失,为煤矿企业的安全管理工作提供科学依据。

基于脑电数据的不同噪声工况下矿工注意力研究

为探究噪声因素对矿工大脑认知的负面影响,通过设计脑电(EEG)试验,结合山东富全矿山实地采集的噪声数据,开展在不同噪声工况(30、50、70、90 dB)下的矿工注意力研究。将采集到的EEG信号利用小波包变换进行特征提取,选取θ/β的值作为注意力特征值,并结合Stroop试验进一步验证分析结果。结果表明:β波在能量占比图中始终占据主导地位,在脑地形图中于工况2时达到峰值;注意力特征值(θ/β)呈现出整体增大趋势,试验进行到40 min时,工况4较工况2的值增长46.19%,表明在噪声为50 dB时矿工的注意力达到最佳,90 dB时注意力的衰减性显著增强;Stroop试验显示工况2用时最短且正确个数最多,在工况4时可靠度仅为78.8%。

融合心电特征提取的矿工疲劳状态识别

疲劳引起的人为失误是事故的主要原因。为准确识别矿工疲劳状态,降低作业风险,利用麻雀搜索算法(Sparrow Search Algorithm,SSA)优化反向传播(Back Propagation,BP)神经网络,构建疲劳识别模型。首先,通过模拟日常作业进行疲劳诱发试验,将OpenBCI Cyton开发套板作为心电信号的采集装置;其次,借助MATLAB对所采集心电信号(Electrocardiogram,ECG)数据进行预处理,基于疲劳等级形成初始样本数据集;进而利用Pan-Tompkins算法进行特征提取;最后,针对特征间皮尔逊相关系数进行假设检验,从而获得优选指标并用于模型训练,经疲劳识别模型得出结果。结果表明,与传统BP神经网络、支持向量机(Support Vector Machines,SVM)、遗传算法(Genetic Algorithm,GA)优化BP神经网络相比,模型准确率分别提高6.25百分点、22.92百分点、2.78百分点,从而为企业作业人员休息制度的制定及完善提供了理论依据。研究结果对于相关便携式精神状态监测硬件研发具有参考价值。

“双碳”背景下露天矿智能化建设新模式的技术路径

随着智能化开采技术的不断发展,矿山开采模式需要不断革新,目前我国露天矿智能化建设存在不少问题亟待解决,传统的采矿设计和工艺已不能适应无人驾驶、新能源等智能装备的发展,“双碳”背景下对原有的生产模式和装备提出了新的挑战。通过回顾露天矿智能化建设的现状,重点围绕“双碳”背景下露天矿低碳智能开采转型升级问题,探索了一种低碳、连续、高效、安全的露天矿智能化建设新模式——CDEC采矿模式。该模式内涵包含4个方面,即清洁能源开发及碳封存与利用(Carbon)、露天矿开采设计的新理念(Design)、新能源智能装备定制化方案(Equipment)以及露天矿无人连续生产工艺(Continuous)。随后分别从构建多能互补的可再生能源系统、探索露天矿山低碳连续生产工艺、开发碳封存与生态碳汇技术体系3个方面探讨了该模式的技术路径。最终实现“可再生能源利用+新能源装备+碳封存与利用”的绿色能源供给利用方式,形成“移动缓冲装载机(可选)+无人驾驶+破碎系统+皮带运输或升降装置”的无人连续生产工艺,为“双碳”背景下露天矿智能化建设提供指导。

基于CNN-aGRU融合模型的尾矿坝浸润线预测方法

为预防尾矿库溃坝安全事故,关联分析在线监测数据的深度,提出将卷积神经网络(CNN)与门控循环单元(GRU)融合的尾矿库浸润线安全态势预测方法,以掌握坝体的稳定性状况与安全发展态势。该方法综合考虑尾矿库监测数据复杂非线性和时序关联性等特点,利用一维卷积神经网络(1D CNN)模型获取多源数据的局部关联特征和空间特征,并利用GRU模型获取浸润线数据的时序特征,采用自适应矩估计权重衰减优化算法(AdamW)优化模型梯度的自适应性,提高预测模型泛化能力和预测精度,并以河南洛阳某金属露天钼矿尾矿坝进行试验验证。试验结果表明:对比传统BP神经网络、长短期记忆网络(LSTM)、GRU等预测模型,该预测模型在平均绝对百分比误差(MAPE)、平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、R 2几项关键指标上,分别达到0.01391562、0.005432、0.000045、0.006702、0.998334,实现对浸润线变化态势快速精准预测。

融合Swin Transformer与CNN的露天矿车前障碍物智能检测算法

随着金属露天矿开采深度不断加大,道路运输条件愈发复杂,无人矿车行驶在道路上面临着各种障碍物的安全隐患,因此对无人矿卡障碍物智能检测提出了更高要求。提出了一种融合Swin Transformer与CNN的露天矿车前障碍物智能检测方法,障碍物检测模型需要建立长期依赖关系来处理不断增加的图像数据,Swin Transformer可以关注全局语义信息,有利于长期建模。将Swin Transformer融入YOLOX模型的骨干特征提取网络中,充分利用多头注意力机制,对图像特征进行预处理,在加强特征提取网络中加入CBAM注意力机制模块,使模型在后续的特征提取中能够提取更多的表征信息。该模型使用的数据集均来自实地矿山,并采用数据增强方式进行预处理。经过实地矿山数据对比验证试验,结果表明:该方法能够有效识别背景复杂的金属露天矿区非结构化道路障碍物,检测精度达到91.57%m AP,检测速度达到56.86 fps,具有较好的小目标和多尺度目标检测性能,可以满足无人矿卡在金属露天矿区的高精度检测要求。

基于点渲染的多分支融合露天矿爆堆块体精细分割方法

现代矿产开采中,爆破成本控制占据整个矿产开采的成本控制的很大一部分,这使得爆破效果的控制在整个矿产开采流程中至关重要,而爆破效果的控制与爆破参数直接关联,这需要采集现场真实的数据来指导爆破参数的优化。为解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题,基于爆破参数优化的需要,提出了深度学习框架下的爆堆块体精细分割方法(Point+S Deeplabv3+)。首先模型在骨干网络特征提取部分引入多分支可分离注意力机制,学习不同通道间的权重特征并融合,改善了提取特征时跨通道交互缺乏的问题;在解码阶段,运用点渲染模块,通过迭代选取点在不同尺度特征图的特征,逐步对每个点对应的低级语义特征和高级语义特征进行拼接,解决了上采样时大量丢失语义信息、边缘及小目标分割精度降低的问题;最后使用动态学习率调整策略,加快模型的收敛速度。实验结果表明,基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%,对比主流的语义分割网络,如FCN、UNet、PSPnet和Deeplabv3+相比,基于Point+S Deeplabv3+的模型MPA和MIoU分别提升了3.04%、4.44%、2.79%、1.52%和2.95%、4.36%、3.17%、1.88%,具有更好的综合性能,特别对于边缘和小目标的分割效果有明显改进。因此,基于Point+S Deeplabv3+的分割模型为在爆破现场环境下的爆破参数优化数据采集提供了实时便利、可靠的理论依据。

基于红外图像的矿石传送带托辊异常检测

为了解决传统的传送带托辊异常检测方法效率低、实时性差等问题,提出一种基于红外图像识别的托辊异常检测模型。通过现场采集并使用标签平滑和Mosaic数据增强处理对托辊红外图像数据集进行扩充,降低模型的训练成本。在特征提取模块提出使用GhostNet骨干特征提取网络,能够有效地降低特征提取所需成本。在特征融合模块,提出使用SPP-Net模块优化PaNet特征融合网络,增加模型的感受野。通过深度可分离卷积块简化模型结构,降低模型的计算量和参数量,并通过LeakyReLU激活函数提高模型的学习能力。试验结果表明:该检测模型能够有效识别托辊异常。在实际检测中,该方法在托辊检测中平均准确率达到94.9%,检测速度达到39.2 FPS,为矿山传送带托辊的准确高效巡检提供了保障。

基于改进HMM纠偏算法的露天矿车辆高精度定位方法

针对露天矿区复杂路网背景下容易出现车辆定位偏差,严重影响生产车辆路径规划和智能调度的问题,提出了一种基于改进隐马尔可夫模型的露天矿车辆高精度定位纠偏方法。通过对构建的露天矿复杂路网地图进行路段裁剪处理以及对矿车定位轨迹数据清洗、密度稀疏化和分段处理等,建立缓冲区搜索轨迹候选路段点,从而提高复杂路网下矿车定位纠偏效率;通过计算矿车定位观测概率和转移概率建立定位纠偏HMM优化模型,并结合Viterbi算法计算最优纠偏结果,实现对露天矿车的高精度定位纠偏。研究结果表明,该方法纠偏效果优于原始HMM定位纠偏方法,纠偏准确率可达到89.2%,平均纠偏时间仅需0.055 s,能够实现对复杂背景下露天矿车辆定位坐标的有效纠偏。

基于改进Mask R-CNN的露天矿边坡裂隙智能检测算法

为了预防因露天矿边坡表面恶化而产生节理、裂隙或断裂等破坏边坡完整性所引发的安全事故,同时解决传统图像处理算法以及经典的深度学习模型直接应用于露天矿边坡裂隙检测效果不甚理想的问题,提出了一种基于改进的Mask R-CNN的露天矿边坡裂隙智能检测算法,运用了Mask R-CNN在目标检测、语义分割以及目标定位方面的集成性特点,改进了其在掩膜分支的边缘不清晰以及误检等缺点,构建了一种针对露天矿边坡裂隙图像的检测分割框架。该方法在掩膜分割分支引入了空洞卷积神经网络以及分类分割迭代上采样操作,能够解决边坡裂隙分割边缘粗糙的问题,实验结果表明,与传统的裂隙分割算法相比,该算法具有更高的识别精度以及更好的分割效果。