基于X光的钢丝绳芯输送带检测系统传输控制器的研究

在研究了基于X光的钢丝绳芯输送带检测系统的基础上,提出了传输控制器的设计方案.采用ARM9芯片S3C2440作为主控芯片设计了传输控制器硬件电路,并移植嵌入式Linux操作系统,基于TCP协议,采用C语言编写了软件程序,实现了检测系统高速X光探测器的电源和X射线源的电源及出束控制,以及数据的存储和传输功能.

基于改进YOLOv8的煤矿输送带异物检测

现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。

基于结构光线扫描的输送带撕裂在线检测系统研究

为了对输送带是否存在撕裂的情况进行在线监测,从而保证系统能够正常工作,设计了一种基于结构光的线扫描系统。该系统包括线阵激光器、CCD图像传感器、中控模块、FPGA处理模块等。根据输送带的运动规律设置了线阵激光器扫描角度和距离,从而获得了输送带撕裂图像的最佳获取位置,通过算法给出了快速撕裂位置与程度解算识别结果。实验对10m长输送带中包含两处撕裂进行检测,检出率98%,撕裂精度分析达5.0mm。可见,本系统可实现对在线输送系统的实时检测,具有一定的实用价值。

基于对抗修复网络的输送带表面缺陷检测

针对输送带缺陷数据获取和标注困难、输送带工作场景中的不稳定因素和数据波动导致基于深度学习的输送带缺陷检测方法精度低的问题,提出了一种基于对抗修复网络的输送带表面缺陷检测模型。该模型主要由自编码器结构的生成器和马尔可夫判别器组成。在训练阶段,将模拟的输送带表面缺陷图像输入生成器,得到无模拟缺陷的重构图像,提升模型对未知缺陷的泛化能力;将原始无损输送带图像、重构图像和模拟的输送带表面缺陷图像输入马尔可夫判别器,通过残差块获得特征图,提高模型对于微小缺陷的检测能力。在检测阶段,将待测图像输入训练完的生成器得到重构图像,再通过训练完的马尔可夫判别器提取待测图像与重构图像的特征图,根据待测图像与重构图像特征图之间的均方误差和待测图像特征图最大值,计算异常分数并与设定的阈值进行比较,从而判断待测图像是否存在缺陷。实验结果表明,该模型的接收操作特征曲线下面积(ROC-AUC)达0.999,精确率-召回率曲线下面积(PR-AUC)达0.997,单张图像检测时间为13.51 ms,能准确定位不同类型缺陷位置。

基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测

针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物检测。该模型在高效层聚合网络(ELAN)模块中添加特征拼接单元,形成阶梯ELAN(Stair−ELAN)模块,将不同层级的低维特征与高维特征进行融合,加强了特征层级间的直接联系,提升了信息捕获能力,增强了模型对不同尺度目标和复杂场景的适应性;针对检测头引入阶梯特征融合(Stair−fusion),形成阶梯检测头(Stair−head)模块,通过逐层融合不同分辨率的检测头特征,增强了中低分辨率检测头的特征表达能力,实现了特征信息的互补。实验结果表明:Stair−YOLOv7−tiny模型在输送带异物开源数据集CUMT−BelT上的检测效果优于CBAM−YOLOv5,YOLOv7−tiny及其轻量化模型,准确率、平均精度均值、召回率和精确率分别达98.5%,81.0%,82.2%和88.4%,检测速度为192.3帧/s;在某矿井下输送带监控视频分析中,Stair−YOLOv7−tiny模型未出现漏检或误检,实现了输送带异物的准确检测。

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。

基于改进YOLOv4的输送带损伤检测方法

针对现有输送带损伤检测方法检测精度低、检测速度慢且缺少对面积较小损伤检测的问题,提出了一种基于改进YOLOv4的输送带损伤检测方法。该方法以YOLOv4为基础,对PANet路径融合网络部分进行改进,增加与浅层特征层的融合,将原3个尺度的特征层融合增加到4个尺度,提高模型对输送带损伤的特征提取能力,提高检测精度;将PANet部分每个特征层融合后的卷积次数由5次减少到3次,减少计算量,提高检测速度;对输送带损伤图像进行标注,并输入改进的YOLOv4模型进行训练和测试。实验结果表明,基于改进YOLOv4的输送带损伤检测方法损失收敛速度快,模型训练效果好;基于改进YOLOv4的输送带损伤检测方法对输送带撕裂、表面磨损和表面缺陷检测的平均精度均值达96.86%,检测速度达20.66帧/s,与YOLOv4,YOLOv3和Faster-RCNN相比,平均精度均值分别提升了1.4%,6.35%,2.16%,检测速度分别提升了2.39,2.34,15.25帧/s;与YOLOv4相比,基于改进YOLOv4的输送带损伤检测方法检测精度更高,对面积较小损伤的检测效果更好。

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%。

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%。

矿用带式输送机安全性能检测仪设计

针对现有矿用带式输送机安全性能检测装置检测类型单一、数据处理和复杂功能实现能力有限等问题,采用LabVIEW虚拟仪器技术,设计了一种基于PXI总线的矿用带式输送机安全性能检测仪,阐述了该检测仪对于带式输送机带速及启动/制动加速度、电动机功率及转速、温度、运行环境、制动盘偏摆量、闸瓦间隙、液压油压力等参数的检测原理及相应传感器选型和设置,介绍了该检测仪的软硬件设计方案。测试结果表明,该检测仪能够实现带式输送机主要性能参数的实时检测,且具有较高的准确度。

矿坝输送带实时图像探伤方法

长期工作在艰苦的环境下,钢丝绳芯输送带易发生断裂故障,对运输生产造成影响。提出一种基于模糊聚类算法的图像识别方法对输送带的损伤与接头进行检测,据背景差分法与阈值分割,分离出输送带前景、背景视频图像得到目标。利用Sobel算子检测得到损伤与接头处边缘关系,消除冗余信息,最后用模糊聚类算法对图像分类,从而对输送带是否有损伤作出判断。实验结果用以验证算法的有效性。

基于双目视觉的选煤厂用胶带输送机表面异物检测

目前所采用的选煤厂用胶带输送机表面异物检测方法在实际应用时,由于选煤厂内外因素影响,导致对于不同类别的异物识别和分类精度低。针对该问题,提出一种基于双目视觉的选煤厂用胶带输送机表面异物检测方法。设计了基于双目视觉的输送带异物检测装置,将摄像机与工业相机组合成双目视觉系统,系统采集图像后,利用中值滤波算法对图像进行去噪,获取稳定的图像信息。采用YOLOv3进行异物识别预测,计算边界框和锚框数值信息,并根据上述数值信息调整计算定位准确度,实现异物检测。实验结果表明:与传统的基于Mask_R-CN的检测方法相比,提出的方法对胶带输送机表面异物的识别筛选准确率超过96.2%,分类准确率超过97.6%。

基于改进YOLOv3的带式输送机巷道火灾检测方法

随着煤矿电气化和机械化程度的提高,矿用输送带的使用在提供高效巷道运输的同时也带来了火灾隐患。针对现有火灾检测模型存在准确率低和对小火焰识别差的问题,提出一种改进的YOLOv3火灾检测算法模型。首先,为了解决火灾数据正负样本数量分布不均衡的问题,选用Focal Loss函数作为此改进模型的损失函数;其次,融合多尺度特征和注意力机制,对原始YOLOv3网络模型中的特征提取结构进行改进,通过减少卷积后处理的火焰特征缩小和边缘信息丢失,使得检测精度进一步提高;最终,经多次训练学习验证,改进后的输送带火焰检测模型平均精度93.81%,较原始YOLOv3模型提升了3.25%。

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。

智能化矿用摄像仪测试方法中约束条件的研究

矿用摄像仪智能化发展迅速,普通的智能化摄像仪的测试方案中缺少与井下特殊环境相关的关键条件。针对这个问题,进行智能化矿用摄像仪测试方法中约束条件的研究。首先,介绍智能化矿用摄像仪的软件、硬件功能,对其分别进行矿井约束条件下的测试及分析研究。软件功能测试结果表明:环境照度及距离(约束条件)对纵撕检测功能的测试结果均存在较大影响,距离(约束条件)对井下人脸识别功能的测试结果存在较大影响。硬件功能方面,分析其与约束条件的相关性,结合产品防爆性能进行综合评价后得到测试关注点。最后,通过加入矿井约束条件及关注点,优化智能化矿用摄像仪的测试方法。根据实例结果表明:可提高检验有效性与可靠性。该研究对建立矿用摄像仪智能化评测标准和矿用摄像仪设计等提供有效的参考。