基于轻量级CNN的井下视觉识别策略

传统机器视觉对于井下巷道场景识别精度偏低,而深度学习网络往往参数巨大,文章提出一种基于轻量级卷积神经网络(convolutional neural networks,CNN)的井下视觉识别策略。首先利用基于回归方法的Light SSD(Single Shot MultiBox Detector)模型检测大类物体,然后利用卷积神经网络识别小类目标,最后将网络进行压缩移植到嵌入式平台。实验结果表明,该文方法相比已有典型网络,井下场景检测准确率提高了20%,在准确率基本不变的情况下,检测速度提高了1倍,目标识别网络模型参数减小近50倍,更适合嵌入式终端的应用。

基于视觉显著性的煤矿井下关键目标对象实时感知研究

随着煤矿智能化技术发展,井下关键设备目标对象视觉感知应用需求日益增强。井下复杂场景,特别是生产工况综采工作面,人员及设备目标频繁交错呈现。基于监控视觉画面实时检测、提取人员及关键设备目标对象,对实现井下关键设备目标对象智能监控,生产场景智能感知与安全生产管理意义重大,因此需要研究井下关键目标对象实时感知方法。基于视觉注意机制的显著目标检测和分割是复杂场景关键目标对象感知的有效方法之一,但是显著性检测和目标分割过程计算复杂度高、耗时长,难以达到工程应用的实时性要求。基于此,在分析图像视觉特征的基础上,特别是煤矿井下图像视觉特征,提出一种基于随机采样区域对比度计算的实时显著性检测方法,引入随机采样策略对原图像像素进行采样后利用Efficient Graph-based Segmentation方法将图像分割为若干区域,然后计算区域对比度获得区域显著性,实现了实时显著性检测;在显著性区域或者目标分割过程中,提出一种自适应的前景背景阈值迭代方法,基于Shared Sample Matting方法实现显著目标的实时分割提取。基于公共数据集进行试验分析,结果表明,该方法不仅提高了显著性目标的检测分割精度,而且达到30 FPS左右的显著目标检测、分割实时处理效率。同时,将该方法应用于煤矿井下复杂场景中关键设备目标对象的实时感知,效果良好,满足工程应用需求。

煤矿5G智能化应用实践关键技术研究

基于山西新元煤矿5G技术智能化应用背景,通过剖析当前煤矿智能化对于4G与WiFi通信技术各项性能的发展需求,提出了煤矿5G智能化应用场景及设计内容;从智能化建设顶层设计体系出发,搭建矿用5G网络、部署组织架构,研究提出适用于井下精准协调控制、综采工作面设备智能监测与集中控制、系统运行状态回传和井下透明可视化巡检的技术方案,以实现井上井下协同作业、综采工作面智能化和机器人智能巡检。研究成果在新元煤矿31004和3411工作面进行应用,应用结果表明,技术方案的实施显著提高了煤矿经济效益,有助于推动实现煤矿井下少(无)人化作业。