基于U-MobileNet网络的煤矿刮板输送机故障检测方法研究

目前,基于传统图像方式的刮板机故障检测方法得到了广泛应用,然而由于实际生产过程中刮板形态多变,同时存在着被输送物质附着等会对检测结果带来较大干扰,影响检测的准确度。针对当前传统图像检测无法准确识别刮板的问题,提出了一种基于图像增强与深度网络结合的方法来准确识别刮板轮廓。首先,利用自适应直方图均衡的图像增强方法增加刮板与背景之间的对比度,提高刮板可区分度;然后,利用U-MobileNet深度网络对刮板进行轮廓分割,根据轮廓计算刮板的倾斜角度,给出故障报警。根据实验结果,本文方法分割准确度在87.32%,在单张图片的推理时间为81 ms,可以有效分割出刮板轮廓,提升检测准确度。

一种基于深度网络的胶带煤流粒度估计方法

虽然基于机器学习的粒度估计方法在矿物领域得到了广泛应用,然而由于煤炭的物理特性,造成其在图像中边缘信息不足,难以检测。因此当前胶带煤流的粒度估计仍然采用人工方式进行。针对人工巡检效率低,无客观量化标准的现状,提出一种旨在平衡光照分布的图像增强方法,并构造SSD-ResNet50深度网络用于检测胶带中块状煤,估计煤流粒度。首先,利用一种非线性自适应直方图均衡化与改进中值滤波的图像增强方法增强胶带上物料之间的区分度,提高暗区煤块的可分辨性。然后,提出SSD-ResNet50深度网络结构对块状物料进行检测,评估块状物料的粒度信息。根据实验结果,该方法检测准确度高达88.65%,单张图片的推理时间为160 ms。可以有效实时估计胶带煤流粒度的组成信息,提升巡检效率,达到自动估计胶带煤流粒度的目的。