煤矿运输皮带故障检测的机器学习方法

为了能够及时对煤矿运输皮带的故障进行检测,文章研究一种用于煤矿运输皮带机故障检测的机器学习方法。在对皮带故障检测图像特点分析的基础上,以基于ShuffleNet V2改进的YOLOv5网络建立了煤矿运输皮带的故障检测网络。针对因工作环境导致的图像质量问题,在网络前部加入了图像预处理模块。同时,为了减小模型体积,提高检测速度和效率,对加强特征提取模块和多尺度特征融合模块进行了改进。实验结果表明,煤矿运输皮带故障检测网络的mAP值达到0.896,实现了较高的检测精度;同时检测速度可达32.2帧/秒,满足工业现场对实时检测的需求。

基于FocalLoss的煤矿井下人员安全视觉监测方法

监测矿井工作人员违规进入或误入煤矿井下危险区域是煤矿安全管理的重要内容,对工作人员违规进入或是误入危险区域的行为及时监测和报警是减少事故的重要手段。针对煤矿井下危险区域的监测,提出一种基于FocalLoss的人工智能方法,实现对进入危险区域的人员及时报警。经过实验测试与分析,这种方法对人员检测的平均精度达到95.6%,检测速度达到9.9 f/s,优于对比算法,具有较高的准确性和实时性。