基于云计算架构解决煤矿检测系统信息采集关键问题

煤矿检测系统信息采集是指短时间内进行大量检测信息抽样,对于系统性能有多种要求,而这些要求在系统架构时往往是相互矛盾的。云计算是一组提供特定服务的服务器群集,这些服务器组成的集群能够大大提高资源的服务效率和利用率,同时避免夸节点划分应用程序所带来的低效率和复杂性。采用云计算和云存储技术,将系统构架于GAE平台上,能够很好地解决煤矿检测系统信息采集的关键问题。

煤矿检测检验员在煤矿检测相关法律法规中如何自我保护

煤矿检测检验员在煤矿生产中发挥着极其重要的作用,关系着煤矿安全生产的重大问题。随着国家对煤矿检测相关法律的逐渐完善,煤矿检测检验员如何对煤矿安全进行正确认识,从而加强自身安全的保护成为每一个煤矿检测检验员都值得深思和考虑的问题。笔者将根据自身在煤矿检测中的经验来重点谈谈煤矿检测员在工作中遇到的问题,以及如何运用相关煤矿检测法律法规进行规范的自我保护。

基于注意力和重构特征融合的轻量级煤矿安全帽检测方法

针对当前的工人安全帽检测算法模型参数量较大、推理交互时间较长、错检和漏检率较高等问题,提出了一种基于注意力和重构特征融合的轻量级煤矿工人安全帽实时检测方法MS-YOLO。为了在不影响检测精度的前提下压缩模型的大小并提升检测的速度,采用轻量级网络MobileNeXt作为MS-YOLO算法的主干网络;重构了特征路径融合网络PANet,在网络中添加了新的尺度输入、ULSAM-4注意力模块和深度可分离卷积;为了加快模型收敛速度并提高预测框的回归精度,提出了一种新的损失函数CLIoU loss;该研究还建立了一个面向矿井场景的安全帽检测数据集以适用于其特殊的工况环境。通过在标准数据集和自建数据集上进行实验测试,结果表明,MS-YOLO模型不仅保持了较高的检测精度,还具有实时性好、模型轻量化的优点。

基于改进YOLOv8的煤矿火灾检测算法

为了解决煤矿火灾检测算法模型参数量较大、推理交互时间较长、错检和漏检率较高等问题,提出了一种YOLOv8-VPC深度学习模型的煤矿火灾检测算法。用VanillaNet替换主干网络,降低模型的复杂度,减小模型的计算量;加入ParNet机制,降低计算复杂度;在Neck区域加入上采样操作CARAFE,提高融合特征的质量,提高检测性能;提出GIoU为损失函数,加入了一个ground truth和预测框,提升了预测框和检测的准确率。为了验证算法的可行性,选取收集到的火灾烟雾数据集,进行训练和验证。结果表明:对比YOLOv8n模型,YOLOv8-VPC算法的平均精度均值(mAP)@0.5提高了13.9%,参数量保持不变,且对物体的检测效果更好。

煤矿井瓦斯检测系统精度提升技术

为提升煤矿井瓦斯检测系统精度,本研究通过实验设计、数据收集与处理、实验数据分析以及模型构建,探讨煤矿井瓦斯检测系统在不同浓度级别下的性能表现。

基于改进YOLOv8的煤矿输送带异物目标检测方法研究

现有煤矿输送带异物目标检测方法所提出的网络结构复杂,而且选煤厂入煤工段和矿井运输工段的输送带光照强度低,存在粉尘等微小颗粒物的干扰,检测精度和检测效率均难以满足实际工况要求。为解决上述问题,文章构建了融合轻量化网络的改进YOLOv8检测算法——YOLOv8-MobileNetV1。该模型以YOLOv8为基础,将传统的C2F卷积层替换为轻量化网络MobileNetV1来减少模型的参数量;将传统的空间金字塔池化层修改为大核金字塔池化层,以进一步提升模型的性能和泛化能力;同时融合CVH注意力机制模块来提高网络深层次信息的提取能力,从而提高煤矿输送带运输过程中的异物识别精度和检测效率。为验证该模型的有效性,自行构建了选煤厂和矿井输送带运输过程中常见异物(大块和锚杆)的数据集,并按照8∶1∶1的比例随机划分为训练集、验证集和测试集,从检测精度和检测效率两方面进行评价。实验结果表明:YOLOv8-MobileNetV1算法的大块和锚杆的目标检测精度为81.30%和89.46%,平均检测精度达到了85.38%,帧率为83.5 fps。相较于传统的目标检测算法,YOLOv8-MobileNetV1算法提高了煤矿输送带异物目标检测精度和检测效率,满足了实际工况所需的准确性和时效性,为煤矿安全生产做出了保障。

改进YOLOv5s的煤矿烟火检测算法

针对传统的煤矿烟火检测存在检测时间长、误检率高等特点,提出了一种基于改进YOLOv5s的煤矿烟火检测算法。为了弥补后续改进带来的参数量和计算量等问题,使用GhostNet重构YOLOv5s的颈部,使得网络更加轻量化;为了解决小目标检测问题,提出了全局上下文特征提取模块BoT3(bottleneck transformer),该模块可以为小目标提供全局上下文信息,帮助模型更好地预测小目标。同时,在每个检测头位置加入SA(shuffle attention)注意力机制,使模型更聚焦小目标信息,抑制噪声的干扰;将边界框回归损失函数CIoU替换为SIoU,提高回归精度,加速模型的收敛。实验结果表明,改进之后的YOLOv5s参数量、计算量更小,精度更高,能够满足煤矿烟火检测要求。

低浓度煤矿瓦斯检测系统设计与仿真

煤矿瓦斯检测已成为煤矿安全生产过程中最重要的项目之一,传统的煤矿瓦斯检测仪存在功耗高、体积大、可靠性不高等问题,本文提出一种基于催化燃烧原理的低浓度煤矿瓦斯检测系统设计方案。该方案以STC89C52RC单片机为核心控制芯片,采用Keil uVision为系统编程软件,8 bit高精度ADC0808为采集芯片,LCD1602为液晶显示模块。通过Proteus软件进行检测系统仿真,结果表明:检测电路实现了低浓度瓦斯的检测,减小了设备体积,提高了可靠性,降低了成本,达到了预期目的,具有一定的实用价值。

基于改进YOLOv5的煤矿井下目标检测研究

针对煤矿井下环境多利用红外相机感知周边环境温度成像,但形成的图像存在纹理信息少、噪声多、图像模糊等问题,该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进,首先使用PP-LCNet作为主干网络,用于加强CPU端的推理速度;其次取消Focus模块,使用shuffle_block模块替代C3模块,在去除冗余操作的同时减少了计算量;最后优化Anchor同时引入Hswish作为激活函数。实验结果表明,Ucm-YOLOv5比YOLOv5的模型参数量减少了41%,模型缩小了86%,该算法在煤矿井下具有更高的检测精度,同时在CPU端的检测速度达到实时检测标准,满足煤矿井下目标检测的工作要求。

基于Web的煤矿安全检测监控及管理系统设计

煤炭是我国的主要能源资源,在经济发展中占据着重要的地位。当前,我国的煤矿安全监控系统有很多种,但是都不具有开放性和相互操作的功能。文章主要从基于Web的煤矿安全监测监控系统出发,探索其操作原则及管理系统。

基于深度学习的煤矿井下低光照人脸检测方法

煤矿井下光线昏暗、人工光源干扰等造成监控系统采集到的人脸图像对比度低、人脸特征模糊,传统人脸检测算法应用于煤矿井下时会出现误检、漏检。针对上述问题,提出了一种基于深度学习的煤矿井下低光照人脸检测方法。采用基于无监督学习的生成对抗网络(GAN)对煤矿井下低光照图像进行对比度增强,使用自调整注意力引导的U-Net作为生成器,利用双判别器对全局和局部信息进行引导,并使用自特征保留损失函数来指导训练过程和维护图像中人脸的纹理结构,强化人脸特征,避免出现曝光、人脸细节信息丢失等现象,得到较为清晰的人脸图像;利用RetinaFace人脸检测框架对增强后的人脸特征进行检测,其采用特征金字塔结构和单阶段检测模式对人脸图像进行检测,在基本不增加计算量的同时,提高对小尺度人脸检测的能力。在公开低光照人脸数据集DARK FACE和自建煤矿井下人脸数据集上的实验结果表明,该方法提高了图像对比度,清晰地恢复了图像中的人脸特征,在准确率、召回率、平均精度方面均表现较好,有效提高了煤矿井下人脸检测精度。

基于图像融合和改进CornerNet-Squeeze的煤矿井下行人检测方法

在煤矿井下无人驾驶和安防监控等领域,对行人目标的检测至关重要,但受井下光线昏暗、光照不均、背景复杂、行人目标小且密集等特殊工况环境的影响,图像中的行人目标存在边缘细节特征少、信噪比低、与背景相似度高等问题,难以有效识别遮挡多尺度下的行人目标。针对上述问题,提出了一种基于图像融合和改进CornerNet-Squeeze的煤矿井下行人目标检测方法。采用双尺度图像融合(TIF)算法将红外相机和深度相机采集的图像进行像素级融合,再进行形态学处理,减少背景干扰。在CornerNet-Squeeze网络基础上,将八度卷积(OctConv)引入沙漏型主干网络,处理图像特征中高低频信息,增强图像边缘特征,提高多尺度行人检测能力。实验结果表明:①在深度图像、红外图像、融合图像3种数据集上,改进CornerNet-Squeeze模型在保持原算法实时性的同时,有效提升了井下行人检测精度。②采用融合图像数据集训练的模型检测精度较红外图像和深度图像数据集训练的模型高,可见融合图像能充分发挥深度图像和红外图像的优势,有助于提高模型检测精度。③在不同程度遮挡和多尺度行人目标6种场景下,改进CornerNet-Squeeze训练的模型的行人漏检率最低。④与YOLOv4相比,在COCO2014行人数据集上改进CornerNet-Squeeze算法的平均精度提高了1.1%,检测速度提高了6.7%。⑤改进CornerNet-Squeeze能够有效检测出图像中远处小目标,对小目标的检测能力提升明显。

基于改进Transformer的井下人员检测算法

针对现有井下人员检测算法的特定后处理步骤,如锚点生成和非极大抑制,导致训练过程复杂的情况,提出了一种基于改进Transformer的检测方法,旨在提高井下作业人员检测的准确性。算法以Detection Transformer为基础检测框架,将主干网络ResNet替代为轻量级的Swin Transformer网络;同时向输入序列中添加可学习的检测块,并采用一种重新配置的注意力模块;以更好地处理多尺度特征的融合,使用轻量级的无编码颈部结构,减少计算开销。通过采集不同工作场景监控视频并制作数据集进行实验,结果表明,提出的方法在自建井下人员检测数据集上表现出色,平均检测准确度达到97.8%,优于其他井下人员检测网络,此外检测速度达到32帧/s。

大地电磁法在煤矿地质检测中的应用研究

为解决现有测试方法检测结果误差较大的问题,提出大地电磁法在煤矿地质检测中的应用研究。首先充分考虑了客观环境的电磁干扰分布规律,选择AMTC-30磁传感器为采集装置,按照“十”字形方式,在电磁干扰较小的区域和时间段进行数据采集,然后结合滤波频率对单一测点数据采集时间进行适应性调节,最后以麦克斯韦方程组为基础,根据不同地质构成在介电常数、磁导率和介质电导率方面表现出的差异,结合谐变因子实现对地质结构分布的检测。实验测试表明:设计方法对不同地质构成分布的检测结果与实际结果误差较小,应用效果较佳。

煤矿安全检测仪器仪表的应用

由于我国的煤矿多深藏于地下且瓦斯浓度较高,这对于煤矿生产企业而言,会大幅增加危险系数。在煤矿开采过程中,这种高危环境不仅会威胁到煤矿从业人员的生命安全,同时可能还需应对各种突发状况。从近几年煤矿发生的安全事故来看,导致安全事故的原因多是因为相关工作人员不能严格按照相关规范、正确操作井下设备而导致的,这就要求相关部门和煤矿生产企业必须高度重视煤矿安全检测仪器仪表的应用问题。基于以上情况,文章首先分析了现阶段我国煤矿安全检测仪器仪表的生产及运行情况,并在此基础上讨论了煤矿安全检测仪器仪表的应用,以供同行参考。

煤矿安全检测仪器仪表运用分析

仪器仪表在开发自动化技术(尤其是煤矿开采),监控施工环境以及保护人员安全的过程中发挥着重要作用。在本文中,我们将通过调查和分析仪器仪表技术运用,主要研究煤矿安全仪器仪表技术的不足,然后详细解释仪器仪表发展趋势。

基于人耳听觉模型的煤矿顶板敲击声音信号特征提取

介绍了人耳听觉模型,详细分析了基底膜振动模型、内毛细胞模型和耳蜗核数学模型,并给出了听觉谱特征向量提取过程。在此基础上,提出了基于人耳听觉模型的煤矿顶板敲击声音信号特征提取方法。分别利用人耳听觉模型和小波包对煤矿顶板敲击声音信号进行特征提取,再用支持向量机分类器对目标特征进行分类识别。实验结果表明,对于采用人耳听觉模型提取的特征,正确识别率在95%以上,说明基于人耳听觉模型的煤矿顶板敲击声音信号特征提取方法有利于提高煤矿顶板检测的准确率。

煤矿机电设备中自动化技术的应用

本文探讨了自动化技术的特点,分析了自动化技术的应用优势,结合这些内容,分析了自动化设备在不同煤炭开采机械中的应用,希望通过对这些内容的分析,能够为煤矿开采和运行稳定性提供一定帮助。

基于物联网的可融合性煤矿监控系统研究

在我国的各种能源使用情况中,煤炭依然是重中之重,可以占到能源消费总量的70%左右。同时煤矿开采行业较为危险,经常发生事故,很可能会造成大范围的人员伤亡,我国一直强调对于煤矿开采和运输要有严格的监测监控系统。但是在操作过程中,由于目前的技术问题和各地区不同的要求标准,煤矿监控系统存在严重的漏洞。在此背景之下,煤炭行业开始试图与物联网技术相结合,通过信息的收集与互通,以智能手段进行信息分析,判断煤矿开采和运输过程中可能出现的危险,并及时给予解决方案。

煤矿安全中的非分光红外气体传感器研究

非分光红外气体传感器是以不同气体分子为基础的一种具有选择性吸收特性的近红外光谱。此种传感器可对瓦斯等可燃气体、污染物等实施监测、对非分光红外气体传感器在煤矿安全中发挥的作用进行分析,为煤矿开采企业的安全生产提供帮助。