基于Coordinate Attention和空洞卷积的异物识别

在我国工厂的工业化生产中,带式运输机占有重要的地位,但是在其运输物料的过程中,常有木板、金属管、大型金属片等混入物料中,从而对带式运输机的传送带造成损毁,引起巨大的经济损失.为了检测出传送带上的不规则异物,设计了一种新的异物检测方法.针对传统异物检测方法中存在的对于图像特征提取能力不足以及网络感受野相对较小的问题,我们提出了一种基于coordinate attention和空洞卷积的单阶段异物识别方法.首先,网络利用coordinate attention机制,使网络更加关注图像的空间信息,并对图像中的重要特征进行了增强,增强了网络的性能;其次,在网络提取多尺度特征的部分,将原网络的静态卷积变为空洞卷积,有效减少了常规卷积造成的信息损失;除此之外,我们还使用了新的损失函数,进一步提高了网络的性能.实验结果证明,我们提出的网络能有效识别出传送带上的异物,较好地完成异物检测任务.

基于TDConv与统一注意力检测头的异物检测算法

针对矿井输送带在输送煤流的过程中,大块煤矸石和锚杆存在不同尺寸和形状,图像特征信息难以提取,传统目标检测算法检测效果不理想的问题,提出一种基于TDConv与统一注意力检测头的异物检测算法。该算法通过设计并行卷积的组合方式形成TDConv卷积模块,能有效保持图像特征原有信息,帮助更深的卷积层提取有效细节信息;在检测头部分加入统一注意力模块,有效提取和识别不同尺寸物体、不同空间位置之间的特征信息;基于煤矿井下不同场景的输送带制作了10万张矿用异物数据集(MFID),为矿井煤流输送过程中异物检测的深入研究和实际应用提供资源支持。实验结果表明,该算法在矿用数据集MFID上的平均精度均值(mAP)与YOLOv5目标检测算法相比提升了2.1%;在具备高精度检测能力的同时,能有效减少异物检测网络模型参数量,使网络结构更加轻量化,适用于煤矿井下边缘计算设备。

煤矿带式输送机监控系统的应用分析

煤矿带式输送机对于井下煤炭运输起着十分重要的作用。然而,在运行过程中,由于一些不可控的因素,带式输送机会发生各种故障。为了保证带式输送机的安全运行,需要建立带式输送机监控系统。介绍了煤矿带式输送机监控系统的功能,重点分析了带式输送机智能监控系统的建设和应用,主要包括智能煤流调速系统和智能异物识别系统,可以为煤矿带式输送机的安全高效运行提供一定的参考。

基于SE-YOLOv5模型皮带异物检测算法研究

以某煤矿1305智能工作面皮带异物识别为工程背景,为了解决井下皮带运输机因废弃锚杆、大块煤等异物而导致的皮带撕裂甚至损伤停机等问题,亟需开展皮带异物智能检测研究。本文提出了SE-YOLOv5皮带异物智能检测方法,该方法以YOLOv5目标检测技术为基础模型,加入SE通道注意力机制进行优化,并对学习率、图像输入批大小、权重衰减等模型参数调整,对构建的数据集进行训练检测,将检测结果与Faster-RCNN、YOLOv3、CenterNet、YOLOv5等模型进行对比。研究结果表明:SE-YOLOv5模型预测结果得到较大提升,对锚杆的预测精度达0.98,对大块煤的预测精度达0.88,召回率(Recall)为0.91,各个检测目标平均精度的平均值(mAP)为0.912,单张识别速度为0.037s;此外,对处于低照度、高粉尘浓度等环境下的数据集仍有较高的识别率,说明SE-YOLOv5模型检测精度高、速度快、鲁棒性强,可以满足复杂环境下皮带异物识别的要求。煤矿皮带异物检测是煤矿安全和生产效率的关键组成部分,采用现代化的检测技术有助于提高系统生产效率,保障设备安全,降低维护成本。

基于AI+3D技术的智能皮带分析和预警系统应用研究

根据煤炭行业智能化建设需求,本文以神东煤炭保德煤矿为研究区,以推进矿井建设“5G+工业互联网”无人化矿井关键技术研发与工程为背景,通过对保德煤矿主运输系统皮带现有设备进行自主化智能改造设计,现场应用实践证明,该智能皮带系统提高了保德煤矿主运输系统的安全性和效率,基本实现主运系统的智能化和无人化。该系统采用先进的边缘计算技术,通过云边协同、管控一体化策略,实现了高效的数据处理和智能决策支持,系统能够精确测量煤流体积、识别煤流中的异物和大块煤、监测皮带的跑偏情况。通过此系统,保德煤矿在主运输系统方面展示了煤炭行业智能化的新模式,现场应用证明了该系统的实际应用价值,可有效推动行业安全生产和高效管理的进步。

基于检索任务和改进ResNet的机场跑道异物目标识别方法

针对机场跑道异物(FOD)普遍存在目标尺度差异大、小目标占比大且同种材质目标形态不统一等特性,提出一种基于检索任务和改进ResNet的FOD目标识别方法。首先,在网络训练阶段通过训练得到特征提取网络,将训练集中的样本数据输入特征提取网络,得到样本特征库;其次,在测试阶段,将测试样本输入特征提取网络,获取测试样本特征向量,计算测试样本特征向量与样本特征库中特征向量的距离;最后,将距离最近的样本类型赋予该测试样本。所提方法采用的检索任务思想在出现新类型目标时,无需重新训练网络模型,大幅地节约了人力和物力成本。另外,所提方法将ResNet50作为特征提取网络,并在此基础上增加多尺度特征提取模块(MSM)、通道注意力模块(CAM)和特征融合模块。实验结果表明,与Faster-RCNN和YOLO-V5-n方法相比,所提方法的平均识别率分别提高了2.44和0.18个百分点,能在实际应用中实现更精确的FOD识别。

基于目标检测与图像识别融合的轨道异物检测系统研究

铁路运输安全非常重要,轨道上的异物可能引发事故,造成损失。为了提高检测过程的效率,引入了一种创新的检测框架来跟踪外来物体,利用目标检测和图像识别方法的协同作用。利用YOLOv5的深度学习技术,自动、准确地识别轨道外物体。YOLOv5结合图像识别技术,便具备了较强的异物分类能力。系统通过多尺度特征图识别不同大小的异物,采用数据增强技术,显著增强了模型跨不同场景的泛化能力和稳定性。YOLOv5的适应性框架可以很容易地配置模型,以满足各种特定需求。经过图像数据预处理和训练,系统可以自动提取关键信息,实现准确检测。实验表明,改进后的系统在检测精度和实时性上均优于传统方法,为铁路安全管理提供了一种高效可靠的技术。未来的研究将探索先进的模型结构和多模态数据,结合迁移学习,以提高系统性能。

高速铁路无砟轨道车载检测图像异物识别方法

针对高速铁路实际运营中易出现的无砟轨道异物问题,提出一种高速铁路无砟轨道异物图像识别方法。该方法基于改进的DeepLab无砟轨道异物语义分割模型,利用该模型对轨道图像的分割结果,可准确获取异物的像素级信息。为提高异物检出率和精确率,在模型的主干网络中引入通道注意力机制,用于关联图像上下文信息,实现模型对待识别区域的加权约束。在此基础上,针对无砟轨道异常检测中样本类别分布不平衡影响模型的问题,对模型的损失函数进行类别分配占比均衡的改进。试验结果表明,该方法可在像素级别上实现对于多种类型无砟轨道异物的识别,在测试集上检测精确率达到90%,检出率保持在95%以上。

高速铁路线路环境异物入侵视频检测系统研制

针对智能高铁2.0体系中智能装备建设要求,研制了高速铁路线路环境视频检测系统;该系统采用高实时、双模态补偿技术进行动态成像,克服了高速运行条件下的运动模糊及开放式场景下的环境光干扰问题;基于Faster-RCNN和YOLO v8模型开发了异物入侵智能识别算法,实现了基于高速动车组平台的列车运行环境状态异常在线检测;研发了线路环境视频动态检测应用软件,实现了列车运行环境异常的动态实时监测和异常数据管理;试验验证表明,系统可满足最高450 km/h运行条件下的线路环境高清成像和异物入侵检测,缺陷检出率≥90%。

基于RT-DETR改进的皮带运输机异物识别方法

凭借兼顾检测精度与速度的特点,YOLO近年来已成为煤炭等工业领域目标检测模型的佼佼者。然而,YOLO的检测性能受到置信度阈值和非极大值抑制阈值等超参数设定的影响。因此,本研究提出了一种基于改进的RT-D ETR带式输送机非煤异物检测模型。该模型无需置信度过滤和非极大值抑制,从而提升了检测精度。此外,针对RT-DETR参数量较大、难以在计算资源有限的边缘设备上部署的问题,我们设计了一种EMA-Faster Net骨干网络,并将颈部网络的AIFI模块替换为LPE-AIFI模块。最后,我们采用TensorRT进行加速,并将模型部署到Jetson Orin Nano边缘计算设备上。实验结果表明,改进后的RT-DETR模型与具有相似参数量的YOLOv8s相比,其召回率高出5.6%,平均类别精度高出4.3%;经TensorRT加速后,模型帧率可达26.4 FPS,满足了实时监测的要求。

煤矿带式输送机胶带异物识别技术研究

在煤矿生产中,带式输送机是一种关键的物料运输设备,用于在矿区内部输送煤炭及其他材料。然而,输送过程中常会出现金属块、石块等异物混入,可能会导致设备损坏、运输效率下降甚至安全事故发生。因此,研究能够有效识别并处理这些异物的技术,对保障煤矿生产的安全和连续性至关重要。文章介绍煤矿带式输送机的基本工作原理、输送带异物的常见类型和来源,继而分析当前异物识别技术的局限性,阐述新型异物识别技术,包括数据采集与预处理、特征提取技术、模式识别与机器学习应用等。

煤矿带式输送机异常状态视频AI识别技术研究

传统的带式输送机异常状态识别采用人工巡检或机械综合保护系统进行检测,人工巡检劳动强度大、效率低、难以准确发现故障等,机械综合保护系统易造成误判,识别效果不佳,已无法满足煤炭行业智能化需求。随着机器视觉、深度学习和工业以太网技术发展,视频AI技术成为煤矿带式输送机异常状态智能识别的研究热点。分析了采用视频AI技术识别煤矿带式输送机输送带跑偏、托辊故障、人员入侵、人员不安全行为、堆煤及异物等异常状态的研究现状,指出目前煤矿带式输送机异常状态视频AI识别技术存在视频图像数据集构建耗时长、异常状态识别精度不高、视频信息传输延时大3个主要问题。针对视频图像数据集构建耗时长问题,提出加强基于半监督、无监督及小样本学习的视频AI识别算法研究、基于生成模型等方式扩充数据集的解决思路;针对异常状态识别精度不高问题,提出加强数据去模糊方法研究、利用生成对抗网络等算法均衡正负样本和改进AI识别算法的解决思路;针对视频信息传输延时大问题,提出构建“云−边−端”协同的带式输送机异常状态视频AI识别系统架构,合理部署高带宽、低延时的网络通信系统的解决思路。从高性能视频AI识别算法,高带宽、低延时视频通信技术,“云−边−端”高效协同的视频AI识别系统和健全视频AI识别技术标准4个方面展望了带式输送机异常状态视频AI识别技术的发展趋势。

基于深度学习的铁路异物侵限检测模型

为保障铁路运营安全,防范行人、家畜、野生动物等侵入铁路线路,提出基于深度学习的铁路异物侵入界限(简称:侵限)检测模型。针对铁路异物侵限的图像数据(简称:数据)集缺乏且难以采集的现实情况,通过多种途径自建铁路场景专用的异物侵限数据集,并引入多种数据增强技术,对数据集进行扩增,既增强了样本的多样性、又能有效避免训练阶段过拟合现象的发生;针对铁路场景的特殊性,对YOLO(You Only Look Once)v5深度学习模型结构进行一些适应性改进,将其作为铁路异物侵限检测模型,在自制数据集样本上进行训练和测试。测试结果表明,该模型的检测准确率达到88%以上,能够用于铁路现场对异物侵限的检测。

数智化系统在黑炭沟监装站的应用

为有效降低煤炭装车站台人员现场巡场、监装的作业安全风险,黑炭沟监装站进行了数智化升级改造,增加了异物检测,煤温实时监测、车号识别、重车偏载超载预警等功能,装配了车载移动汽车采样机,降低了工人的劳动强度,实现了上煤、装车、采样的全过程监测。改造后,机械化采样进一步提高样品代表性,装车端煤炭数质量管理方面转型成功。全链条数智可视化的应用,提高了散装站台的管理水平,降本增效效果显著,具有较高的推广意义。

基于深度学习的轨道表面异物识别方法

针对现有异物识别方法存在识别精度低、成本高的问题,提出一种基于深度学习的视觉感知方法,对车辆在轨道表面上垂直投影区域的异物进行识别。首先,采用编码与解码框架构建车辆在轨道表面上垂直投影区域的语义分割模型,利用轻量级主干网络MobileNet v3作为特征编码器,并基于LR-ASPP解码器实现特征融合以提升分割精度;其次,从2个方面对YOLOX-s检测模型进行优化,利用深度可分离卷积作为残差单元的特征提取算子,并充分利用算子的高效性降低模型的复杂度,同时在尽可能不影响模型推理耗时的情况下,嵌入通道注意力机制以对特征进行加权处理;最后,基于自建图像数据集对识别方法进行精度验证。结果表明:所提语义分割模型平均交并比(Mean Intersection over Union,MIoU)达到了91.4%,单次推理耗时约为8.7 ms,能够有效地分割检测区域;所提检测模型平均精度(mean Average Precision,mAP)达到了81.07%,单次推理耗时约为10.8 ms。所提方法是深度学习技术在异物侵限方面的有效探索,可应用于多种实际场景,如检测入侵异物和划定危险区域等,对于提高铁路安全和效率具有现实意义。

基于相邻帧差法的输电线路异物目标检测研究

针对输电线路异物目标检测时存在因目标区域阈值设定不准确导致准确率低的问题,提出一种基于相邻帧差法的输电线路异物目标检测方法。首先,针对输电线路异物提取问题进行分析。然后,以相邻帧差法为基础,采用仿射聚类算法进行优化聚类,从而实现实际目标像素的精确提取。最后,利用试验证明所提方法的先进性。试验结果表明,所提检测方法可使像素提取的准确率提升30%左右、异物识别的准确率提升23.48%。所提检测方法将相邻帧差法与仿射聚类法相结合,对输电线路电线周围异物目标特征提取过程进行创新,完成了异物目标的识别及检测。该研究提升了输电线路在线监测的有效性,为后续输电线路异物检测、异物预警提供了参考。

煤矿带式输送机分拣机器人异物识别与定位系统设计

机器视觉已在煤矿带式输送机分拣机器人目标检测与识别方面具有一定的理论基础,但目前煤矿带式输送机分拣机器人目标识别主要针对煤矸石识别,对造成输送带穿透、撕裂等的异物目标识别的研究较少,且在目标异物精确定位方面的研究也较少。针对上述问题,设计了一种基于机器视觉的煤矿带式输送机分拣机器人异物识别与定位系统,可对输送带上存在的不同类型和不同形状的异物进行识别与定位。采用双目视觉实时获取输送带上异物图像信息,并对图像进行预处理,基于Canny算子进行图像信息增强,通过灰度拉伸方法改进图像边缘信息,突出煤矿带式输送机上异物的边缘特征;利用形态学方法提取异物形状特征,建立异物图像特征样本库,通过图像特征匹配的方式解算出异物存在区域,实现异物类型的检测、分类与识别;在异物类型成功识别的基础上,以目标异物边缘特征值为基础,建立目标异物的感兴趣区域(ROI),构建相机、输送带与目标异物坐标转换关系,利用多目标质心快速计算方法求取目标异物质心坐标,实现对目标异物的定位。系统样机实验结果表明:煤矿带式输送机分拣机器人异物识别与定位系统异物识别率不受尺寸、材质和颜色等因素影响,能够实现输送带目标异物图像的采集、处理、特征提取、识别和位置定位,识别率为92.5%以上,目标异物位置定位平均误差为3%左右。

基于机器视觉的异性纤维检测系统

异性纤维杂质检测技术是近几年来国内外研究的热点,给出了基于机器视觉的异性纤维检测系统框架,并对系统各个模块关键技术进行了阐述.为了有效清除异性纤维,提出了一种彩色聚色分割方法用于检测皮棉中的异性纤维.实验结果表明,此方法可以有效的检测皮棉中的异性纤维.

基于改进 YOLOv7 的煤矿带式输送机异物识别

带式输送机煤流中会掺杂锚杆、角铁、木条、矸石、大块煤等异物,易导致输送带撕裂、转接处堵塞甚至断带。针对带式输送机巡检机器人难以在井下光照不均及带式输送机高速运行环境中高效、准确识别异物及模型部署不便等问题,以及YOLOv7模型对目标特征提取能力高,但识别速度较慢的特点,提出了一种基于改进YOLOv7的煤矿带式输送机异物识别方法。运用限制对比度自适应直方图均衡化方法对采集的带式输送机监控图像进行增强,提高图像中物体轮廓的清晰度;对YOLOv7模型进行改进,通过在主干提取网络引入轻量化无参注意力机制,提高模型对图像复杂背景的抗干扰能力和对异物特征的提取能力,同时引入深度可分离卷积代替主干特征提取网络中的普通卷积,提高异物识别速度;使用TensorRT引擎将训练后的改进YOLOv7模型进行转换并部署在NVIDIA Jetson Xavier NX上,实现了模型的加速。对煤矿井下分辨率为1920×1080的带式输送机监控视频进行识别,实验结果表明:改进YOLOv7模型的识别效果优于YOLOv5L和YOLOv7模型,识别精确率达92.8%,识别速度为25.64帧/s,满足精确、高效识别带式输送机异物的要求。

基于改进胶囊网络的电力线巡线异物检测

针对电力线巡线异物检测使用的传统卷积神经网络空间辨识度较差、训练样本需求过多的问题,提出一种改进胶囊网络模型。使用数据灰度化、三维块匹配滤波算法预处理巡线数据集。提出自适应贡献池化降低数据信息丢失量,异物数据深度信息提取单元提取主要特征来滤除冗余信息、减少数据数量以改善模型性能,改进异物识别主胶囊层和动态路由结构以适应电力线巡线异物检测的二分类情况。对自适应贡献池化和最大池化,无池化、传统结构胶囊网络和改进胶囊网络,改进胶囊网络和AlexNet、GoogLeNet分别进行异物识别对比实验和改进胶囊网络的空间辨识度性能进行测试实验。实验结果表明,在3700张小训练样本条件下,经20次训练后,自适应贡献池化比最大池化的改进胶囊网络平均准确率提高2.7%,改进胶囊网络比无池化、传统结构胶囊网络平均准确率提高3.6%,改进胶囊网络比AlexNet、GoogLeNet的平均准确率分别提高21.9%和12.6%,且改进胶囊网络在大小、角度不同的测试数据中仍具有高于91%的平均准确率。改进胶囊网络在空间辨识度复杂、少训练样本情况下仍具有较高的异物识别能力,实现了高效率、高准确率的自动化无人巡线异物检测。