基于全卷积神经网络的输送带撕裂检测方法

针对现有输送带撕裂检测方法存在井下可见光成像质量差、缺少撕裂物理尺寸测量手段、泛化能力差等问题,提出了一种基于全卷积神经网络的输送带撕裂检测方法。该方法基于线结构光成像原理采集图像,可有效解决煤矿井下光照条件差的问题;采用改进最大值法进行线激光条纹检测,可有效排除条纹断点,精确提取条纹,并拟合出缺失点;选用全卷积神经网络中的U-net网络对线激光条纹进行撕裂分割,将撕裂检测问题转换成语义分割问题,并通过降维对U-net网络进行优化,从而减少参数量和计算量;将分割结果反投影回原始图像,利用线结构光标定数据完成撕裂物理尺寸测量。实验结果表明:改进最大值法可有效处理线激光条纹断点区域,无误检和漏检,性能优于Steger法和灰度重心法;U-net网络收敛速度快于SegNet和FCNs网络,迭代的稳定性较强,评价指标最优,U-net4网络性能优于U-net3和U-net5。在验证集上的检测结果表明,撕裂检测的召回率为96.09%,精确率为96.85%。在实验平台的测量结果表明,撕裂物理尺寸测量的最大相对误差为-13.04%。

改进YOLOv4的输送带纵向撕裂检测

输送带纵向撕裂检测是煤矿安全生产的重要问题之一.针对矿用输送带纵向撕裂检测存在因数据量不足、损伤形态多样化、极致宽高比而导致的检测精度不足、存在误检与漏检等问题,本文提出一种改进YOLOv4的输送带纵向撕裂检测算法.首先,通过数据增强的方式扩充现有数据,构建输送带纵向撕裂数据集.其次,在主干网络之中添加可变形卷积,增强模型对多样化损伤形态的特征提取能力.最后,在特征融合阶段,引入跨阶段局部网络(CSPNet)结构,提升模型对极致宽高比的纵向撕裂检测性能,进一步降低模型的漏检与误检.实验结果表明,输送带纵向撕裂检测准确率达到92.5%, F1分数达到93.1%,基本满足输送带纵向撕裂检测要求.

基于多模态的输送带撕裂大模型算法设计

AI矿山大模型是一种基于人工智能的矿山智能化解决方案,利用大数据、深度学习、机器学习等技术,可以帮助矿山企业提高生产效率和安全性。在输送带撕裂检测方面,基于AI矿山大模型设计了基于Transformer处理多模态数据的一种网络结构,提出了DETR-Audio模型,将视频和音频的多模态数据拼接、融合,采用DERT模型对视频进行编码,利用短时傅里叶变换对音频信号进行时频谱分析,再对两者的特征向量进行拼接、融合,最后传入解码器进行融合解码。该模型经过3 000张煤矿矿井下输送带的图片以及相应的音频数据训练和测试后,表现良好,比单独使用视频或音频信息的模型具有更高的检测准确度和鲁棒性。

基于改进高斯混合模型的矿用输送带纵向撕裂检测方法

提出一种红外图像特征与改进高斯混合模型(Gaussian Mixture Model,GMM)相结合的矿用输送带纵向撕裂在线检测方法。设计了一种自适应混合中值滤波技术;针对高斯混合模型初始化易错的缺点,采用加权可选择模糊C-均值改善这一问题,把红外图像特征参数作为改进的GMM聚类的特征向量进行聚类分析,实现了矿用输送带纵向撕裂识别。试验结果表明:检测方法对输送带纵向撕裂检测的正确检测率可达99%。