Research on personnel re-recognition method in coal mine underground based on improved metric learning
-
摘要: 传统基于度量学习的煤矿井下行人重识别方法中，由于度量学习忽略正负样本绝对距离，造成损失函数梯度消失或梯度弥散，导致井下人员位置信息识别精度不高。针对该问题，提出了一种基于改进度量学习的煤矿井下行人重识别方法。首先，采用基于手工设计特征的井下人员特征提取方法，对颜色空间、纹理空间等特征进行手动加工提炼，丰富特征维度。然后，采用欧氏距离对人员高维特征进行相似性计算。最后，提出一种改进的三重损失函数，通过在传统三重损失函数中加入自适应权重，增加有效样本的权重，解决了由于忽略正负样本绝对距离导致的梯度消失或梯度弥散问题。将传统识别方法与基于改进度量学习的煤矿井下行人重识别方法进行了累积匹配特征曲线验证、识别速率验证，结果表明：① 基于改进度量学习的煤矿井下行人重识别方法在相似样本个数为50左右时，样本匹配概率达100%。② 在2种不同标定大小图像的推理耗时上，基于改进度量学习的煤矿井下行人重识别方法较传统重识别方法分别减少了44，68 ms。③ 基于改进度量学习的煤矿井下行人重识别方法在舍弃行人头脚部分图像后表现更好，在相似样本个数为42左右时，样本匹配概率达100%。Abstract: In the traditional personnel re-recognition method in coal mine underground based on metric learning, because metric learning ignores the absolute distance between positive and negative samples, the gradient of the loss function disappears or disperses. This results in low recognition precision of underground personnel position information. In order to solve this problem, a personnel re-recognition method in coal mine underground based on improved metric learning is proposed. Firstly, a feature extraction method for underground personnel based on manual design features is adopted to manually process and extract features such as color space and texture space, enriching the feature dimensions. Secondly, Euclidean distance is used to calculate the similarity of high-dimensional features of personnel. Finally, an improved triple loss function is proposed. Adding adaptive weights to the traditional triple loss function increases the weight of effective samples. It solves the problem of gradient disappearance or dispersion caused by ignoring the absolute distance between positive and negative samples. The traditional recognition method is compared with the personnel re-recognition method in coal mine underground based on improved metric learning for cumulative matching feature curve verification and recognition rate verification. The results show the following points. ① The personnel re-recognition method in coal mine underground based on improved metric learning has a sample matching probability of 100% when the number of similar samples is around 50. ② The personnel re-recognition method in coal mine underground based on improved metric learning reduces the inference time of two different calibration size images by 44 ms and 68 ms, respectively, compared to traditional re-recognition methods. ③ The personnel re-recognition method in coal mine underground based on improved metric learning performs better after discarding the images of personnel heads and feet. It has a sample matching probability of 100% when the number of similar samples is around 42.
-
0. 引言
矿井通风系统是煤矿安全生产的核心要素，通过输送新鲜空气、排出有害气体与粉尘，维持井下安全作业环境[1]。要实现上述作用，必须保证矿井内各用风地点风量时刻满足需风量要求。但随着采掘推进，巷道结构不断变化，导致实际风量与需风量之间出现偏差，引发有害气体和粉尘聚集，影响矿井安全生产，因此亟需精准分风方案以保证安全生产。
许多学者在矿井通风系统分风方案设计方面进行了大量研究。文献[2]使用基于贪婪搜索策略改进的差分进化算法（Differential Evolution Algorithm，DEA）来求解通风网络非线性优化模型，获得了一种可靠风量调节方案。文献[3]基于差分灰狼算法（Differential Evolution Algorithm-Grey Wolf Optimizer，DE−GWO）提出了一种通过分支风量期望值来选择不同调节分支的智能应急调风方案。文献[4-5]提出了一种智能应急调风方案，采用改进后的差分灰狼算法对目标分支风量进行寻优，以满足某一用风分支的期望风量，提高了系统的稳定性与可靠性。文献[6]将禁忌搜索算法与改进粒子群算法相结合，求解通风网络最小功耗问题，解决了井下用风需求多变与通风机能耗高的问题。文献[7]利用自适应混沌粒子群算法求解通风网络模型，获得通风总功率最低的风量调节方案。文献[8]采用文化粒子群优化算法对通风系统总功率进行优化求解，以获得最经济的调风方案。文献[9]将通风机最小功耗和目标用风分支最大需风量作为目标函数，利用改进粒子群优化算法进行求解，在保证通风机功耗最小的前提下，增大用风分支风量。文献[10]提出了一种多策略融合的麻雀搜索算法，引入了Tent混沌映射初始化、自适应参数控制、可变螺旋搜索及柯西−高斯变异扰动的改进策略，弥补了算法在迭代后期种群多样性降低的问题。文献[11]针对混合型通风网络优化模型求解难题，提出了基于遗传算法的两步法风流调节优化算法，以最小支撑树算法计算余树弦风阻调节值，通过逐次迭代法获取风量最优解。文献[12]以通风机功率最小为目标，建立了矿井通风系统网络优化的无约束数学模型，并利用改进的乌燕鸥优化算法（modified Sooty Tern Optimization Algorithm，mSTOA）进行模型求解。当前，虽已通过算法实现矿井通风系统分风方案设计，但现有算法普遍存在收敛速度慢、易陷入局部最优的缺陷。同时，获得的分风方案并没有考虑所涉及巷道是否具有可调节性，导致部分调节措施在实际施工中难以落实，显著增加施工成本。
针对上述问题，本文提出基于吸引−排斥算法（Attraction–Repulsion Optimization Algorithm，AROA）的精准分风方法。通过该方法生成的方案以功耗最小为优化目标，通过调节通风机及通风设施，运用全局搜索与局部优化策略，实现通风机能耗的合理分配，提升通风系统运行效率，最终达到降低煤矿运营成本的目的。
1. 矿井通风系统数学模型
矿井通风网络包含D条分支、J个节点和K个独立回路，风量调节需满足回路风压平衡和风量平衡定律。以通风机总功率最小作为优化目标，建立矿井通风系统数学模型，求解合适的分风方案。
$$ \min W=\sum_{i=1}^D H_i Q_i $$ (1) $$ \text { s.t. } \sum_i^D l_{i j} Q_i=0\quad j=1,2, \cdots, J $$ (2) $$ \sum_{i=1}^D b_{i k}\left(H_i+\Delta H_i-P_k\right)=0\quad k=1,2, \cdots, K $$ (3) $$ H_i=R_i Q_i^2 $$ (4) $$ \Delta H_{i \min } \leq \Delta H_i \leq \Delta H_{i \max }\quad i=1,2, \cdots, D $$ (5) $$ Q_{i \min } \leq Q_i \leq Q_{i \max }\quad i=1,2, \cdots, D $$ (6) 式中：W为通风机总功率；Hi为第i条分支的风压；Qi为第i条分支风量；lij为由第i条分支、第j个节点构成关联矩阵的元素；bik为由第i条分支、第k个独立回路构成回路矩阵的元素；ΔHi为第i条分支的调节风压；Pk为回路第k个独立的自然风压；Ri为第i条分支的风阻；ΔHimax，ΔHimin分别为第i条分支风压调节上下限；Qimax，Qimin分别为第i条分支风量调节上下限。
在煤矿实际应用中，部分通风分支风量已知，其余则待定，此类矿井通风网络被称为“按需分风网络”。矿井通风系统数字模型的决策变量不仅包含调节风压ΔHi，还包括部分分支的风量Qi，此时该类数学模型求解问题归属于非线性约束优化问题，由于其高度的复杂性和非线性特征，目前尚无通用且可靠的求解算法。即便部分算法能够获取最优通风方案，随着模型中决策变量与约束条件数量的增加，算法的计算效率将呈指数级下降，从而降低了解决实际工程问题的效率与可行性。
AROA利用排斥机制维持种群多样性，有效避免局部最优，适用于离散与连续等多类型优化问题。结合精准分风思想，AROA可预先锁定可调节巷道，既免除人工确认环节以降低时间与人力成本，又通过减少模型变量提升寻优效率，相比传统算法，其求解的分风方案更契合矿井实际生产需求。
2. AROA原理
AROA借鉴自然界中吸引与排斥行为之间的动态平衡，构建了解的更新机制，并结合局部搜索算子和记忆更新策略，提升算法在全局探索与局部开发之间的平衡能力。
AROA将搜索个体视为候选解，其位置表示当前解的状态。在迭代过程中，每个候选解根据自身适应度、邻域内其他解的质量及当前最优解的引导作用，不断调整自身位置。适应度更优的个体对其他个体形成吸引作用，而较差的个体则产生排斥效应，从而引导解向更优区域集中，避免陷入局部最优。候选解的相互作用及其位置更新机制如图1所示[13]。
![]()
图 1 候选解的相互作用及其位置更新机制Figure 1. Interaction of candidate solutions and their position update mechanisms中心候选解（紫色圆圈）的位置根据其邻域内更好解（绿色箭头）和更差解（红色箭头）的位置和适应度信息进行更新。解之间的距离（由箭头可视化）可视为指向更新候选解合力向量。
1） 候选解的确定。候选解的更新由其邻域中个体的适应度及空间关系所驱动，其合力向量为
$$ \boldsymbol{n}_{\textit{z}}=\frac{1}{{\mathrm{O}}} \sum_{g=1}^{\mathrm{O}} c \left(x_g-x_{\textit{z}}\right) m_{{\textit{z}}, g}, m_{{\textit{z}}, \max } s\left(f_{\textit{z}}, f_g\right) $$ (7) $$ I\left(m_{{\textit{z}}, g}, m_{{\textit{z}}, \max }\right)=1-\frac{m_{{\textit{z}}, g}}{m_{{\textit{z}}, \max }} $$ (8) 式中：nz为第z个候选解在其邻域内受到其他个体吸引−排斥的合力向量；O为种群中候选解的个数；c为步长，用来控制移动的大小；xg，xz分别为第g（g≠z）个与第z个候选解；mz,g为第z个候选解与第g个候选解之间的距离；mz,max为第z个候选解与所有候选解中最远候选解之间的距离；s（fz, fg）为吸引或排斥函数，fz，fg分别为第z个和第g个候选解的适应度，若fg < fz则为+1，表示吸引，反之为−1，表示排斥；I（mz,g, mz,max）为衡量第g个候选解对第z个候选解的影响强度，其输出为[0,1]，其中0表示对邻近候选解无影响，1表示对邻近候选解施加最大影响。
2） 最优解的吸引机制。除邻域影响外，候选解还会受到当前全局最优解的吸引作用。为避免前期过度集中导致多样性降低，AROA通过动态调节吸引强度控制最优解的引导能力[14-15]。
$$ \boldsymbol{e}_{\textit{z}}= \begin{cases}c h \left(x_{\text {best }}-x_{\textit{z}}\right) & r_1 \geq q_1 \\ c h \left(a_1 \odot x_{b e s t}-x_{\textit{z}}\right) & r_1< q_1\end{cases} $$ (9) 式中：ez为候选解xz在本轮迭代中受到当前最优候选解xbest吸引所产生的引导向量；h为平衡全局搜索与局部搜索的算子；r1为[0,1]内的随机数；q1为触发概率，用于控制当前候选解是否接受最优解的引导作用，该机制可避免算法在早期过度集中于当前最优解，增强搜索多样性，降低陷入局部最优的风险；a1为[0,1]内的随机数；$\odot $为乘法运算符号。
3） 局部搜索算子设计。AROA通过3个随机局部搜索算子更新位置：第1个算子yB受布朗运动启发，模拟小粒子步长[16-17]；第2个算子ytri基于三角函数构造的周期性扰动方式，通过概率选择机制引导解更新；第3个算子yR是完全随机生成的新位置，用于扩展种群多样性。
$$ y_{\textit{z}}= \left\{ \begin{array}{l}y_{\mathrm{B}}\quad r_3>0.5 \dfrac{t}{t_{\max }}+0.25,\;r_2<q_2 \\ y_{{\mathrm{t r i}}}\quad r_3 \leq 0.5 \dfrac{t}{t_{\max }}+0.25,\; r_2<q_2 \\ y_{\mathrm{R}}\quad r_2 \geq q_2\end{array}\right. $$ (10) 式中：yz为当前迭代中第z个候选解经过某种局部搜索扰动后生成的新位置；r2和r3为 [0,1]内随机生成的数字；t为当前迭代的次数；tmax为最大迭代次数；q2为触发概率，用于控制当前是否选择执行某一个扰动方式。
4） 解的更新与记忆策略。候选解的最终位置更新综合邻域个体对候选解的影响、最优解的引导及局部搜索结果。
$$ x_{\textit{z}}(t)=x_{\textit{z}}(t-1)+{\boldsymbol{n}}_{\textit{z}}+{\boldsymbol{e}}_{\textit{z}}+y_{\textit{z}} $$ (11) 式中xz（t）和xz（t−1）分别为当前迭代和前一次迭代中的候选解。
为进一步提高稳定性与收敛效率，AROA引入2类基于群体行为的操作算子：一类用于扩展搜索空间、增加种群差异性；另一类则保存解的历史状态，在适应度未改进的情况下回退至先前较优解，从而提升整体鲁棒性与收敛稳定性。
$$ x_{\text{z}}=\left\{\begin{array}{l}x_{\text{z}}+c_f\left\{\boldsymbol{u}_4\odot\left[\boldsymbol{v}_4\odot\left(x_{\max}-x_{\text{min }}\right)+x_{\text{min }}\right]\right\} \\ x_{\text{z}}+\left[q_{\mathrm{f}}\left(1-r_4\right)+r_4\right]\left(x_{r_5}-x_{r_6}\right)\end{array}\right. $$ (12) $$ x_{\textit{z}}(t)= \begin{cases}x_{\textit{z}}(t) & w\left(x_{\textit{z}}(t)\right)<w\left(x_{\textit{z}}(t-1)\right) \\ x_{\textit{z}}(t-1) & w\left(x_{\textit{z}}(t)\right) \geq w\left(x_{\textit{z}}(t-1)\right)\end{cases} $$ (13) 式中：$ {c}_{f} $为当前最优解对其他解的影响程度；u4为二元向量，表示是否执行该扰动操作的控制开关；v4为随机生成的向量，用于计算候选解的变化方向；qf为向量u4的扰动触发概率；r4为[0,1]内的随机数；r5和r6为随机选择的个体编号；xmin和xmax为候选解搜索边界；w（·）为适应度函数。
3. AROR性能测试
为验证AROA在解决复杂优化问题中的性能，本文选取遗传算法（Genetic Algorithm, GA）[19]、模拟退火−改进粒子群算法（Simulated Annealing-Improved Particle Swarm Optimization, SA−IPSO）[20]及单调盆地跳跃算法（Monotonic Basin Hopping, MBH）[21]作为对比算法，开展性能评估。以Ackley函数为仿真目标函数（该函数为典型的多峰函数，具有多个局部极小值，且全局最优解为0），从收敛速度、全局搜索能力、解的稳定性及避开局部最优解的能力等方面，对AROA进行评估。GA是一种成熟的全局优化算法，具有较强的全局搜索能力，已经被学者广泛应用于处理复杂优化问题。SA−IPSO结合了模拟退火和入侵性杂草优化的优点，在平衡局部和全局搜索方面具有独特优势，特别是在复杂约束和多峰问题中表现出较好的性能。MBH则受仿生学启发，模拟蛾子接近光源的行为，展现了强大的全局优化能力和较好的收敛性。4种算法的种群规模均为30，为消除算法随机特性的影响，各算法对每个函数的测试均运行50次，以其平均值作为优化结果，迭代次数为1 000。4种算法求解得到的平均最优解曲线、算法收敛曲线、算法执行时间和最优解分布分别如图2—图5所示。
由图2可看出，AROA在约410次迭代后达到稳定，显著早于MBH算法的480次。AROA在收敛速度与稳定性上显著优于其余3种算法，表现出更高的收敛效率与更小的解波动。由图3可看出，AROA仅需约50次迭代就能完成函数求解，并在410次迭代后趋于稳定；相比之下，MBH大约需100次迭代才能完成函数求解，并在580次迭代后进入稳定状态；SA−IPSO虽在约100次迭代可完成求解，但其后期一直存在波动，在800次迭代后趋于稳定；而GA在此次求解中未能找到最优解。由此可见，AROA不仅收敛速度更快，而且在收敛后展现出更高的稳定性。由图4可看出，AROA的运行时间为0.25 s，虽然AROA运行时间略高于MBH，但其最优解分布更集中，寻优稳定性更强，提升了全局收敛概率。由图5可看出，AROA每次运算所得的解更接近全局最优解，且分布更为集中，体现出更强的寻优精度与收敛效果。
4. 基于AROA的精准分风方案验证
4.1 精准分风分支选择
为验证基于AROA的精准控风方法的可行性，利用辽宁工程技术大学IMVS软件构建矿井通风系统仿真模型进行实例分析。矿井通风网络拓扑结构如图6所示，基本参数见表1。
表 1 矿井通风网络基本参数Table 1. Basic parameters of mine ventilation network分支编号 始节点 末节点 风阻/
（kg·m−7）风量/
（m3∙s−1）风窗面积/m2 是否可调节 e1 5 6 0.13 16 1.37 是 e5 16 17 0.11 100 — 是 e6 7 8 0.13 80 — 是 e14 9 16 0.14 25 1.5 是 e15 13 14 0.08 8 0.68 是 e16 12 15 0.09 3 0.23 是 e22 4 6 0.02 19.28 1.45 是 e23 3 7 1.81 12.72 1.03 是 图6中，分支e1，e5，e6，e14，e15，e16，e22，e23具有可调节性；分支e1为备用面，需风量为16 m3/s；分支e2，e3，e4为3个工作面分支，需风量为32 m3/s。
4.2 精准分风方案结果分析
可调节分支的风量和风压调节范围确定后，利用AROA分别对这些可调节分支进行精准控风。设置AROA适应度函数评估次数为30 000次；GA种群规模为50，交叉概率为0.7，变异概率为0.3；SA−IPSO种群规模为50，学习因子为1.78，波动周期为120，最大惯性权值为0.8，最小惯性权值为0.4，最大限制速度为2，初始违反约束公差为0.25，0.50，0.75，约束公差最大迭代次数为250，违反约束的粒子数为65，演化系数为−0.6，温度退火参数为0.9，开始温度为1 000 ℃；MBH最大外部循环次数为3，最大内部循环次数为5。4种算法都进行1 000次迭代，利用Python进行编程求解，可调节巷道精准分风，结果见表2，解算得到的通风机功率及节能率见表3，左右翼通风机功率变化趋势分别如图7与图8所示。
表 2 巷道精准分风方案结果统计Table 2. Statistics of precision wind allocation scheme for roadways分支编号 GA算法 SA−IPSO算法 MBH算法 AROA算法 风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2风量/
（m3∙s−1）调节
阻力/Pa风窗
面积/m2e1 16.00 169 1.49 16.00 169 1.49 16 169 1.39 16 169 1.49 e14 20.00 349 1.30 12.00 385 0.74 8 396 0.49 6 400 0.36 e15 8.00 198 0.69 8.00 169 1.49 8 198 0.69 8 198 0.69 e16 3.00 296 0.21 3.00 296 0.21 3 296 0.21 3 296 0.21 e22 11.48 209 0.96 4.41 211 0.37 2 211 0.17 2 211 0.17 表 3 各算法运行效果比较Table 3. Comparison of algorithm performance算法 左翼通风 右翼通风机 节能率/% 功率/kW 风量/（m3·s−1） 风压/Pa 功率/kW 风量/（m3·s−1） 风压/Pa GA 131.72 75 1405 188.22 95 1585 — SA−IPSO 114.07 67 1362 167.21 87 1532 13.05 MBH 103.70 62 1338 154.21 83 1490 5.17 AROA 97.95 60 1306 146.62 81 1457 23.56 由表2可看出，4种算法通过调节巷道设施阻力、改变风窗面积，在满足需风量的同时减少通风机输出风量，从而降低通风机功率，达到节能的目的。从表3可看出，算法降低功耗的能力为AROA>SA−IPSO>MBH>GA，AROA的节能率较GA，SA−IPSO，MBH分别提高了23.56%，13.05%，5.17%。左翼通风机功率从131.72 kW降至97.95 kW，降幅25.6%；右翼通风机功率从188.22 kW降至146.62 kW，降幅达22.1%。
从图7和图8可看出，AROA在进行精准分风方案决策时能够更早地达到最优解，并且扰动更小。
5. 实际应用
为了验证基于AROA的精准控风算法在实际应用中的可行性，以山西兰花煤炭实业集团有限公司唐安煤矿为例进行实例分析。以煤矿井下通风网络拓扑结构为参照并进行适当的简化处理，得到通风网络拓扑结构如图9所示。调节参数见表4，分支e24，e98为备用面，需风量为15 m3/s。分支e35，e41为工作面，需风量为25 m3/s。
表 4 唐安煤矿通风网络调节参数Table 4. Adjustment parameters for the ventilation network of Tang'an Coal Mine分支编号 始节点 末节点 风阻/
（kg·m−7）风量/
（m3∙s−1）风窗面积/m2 是否可调节 e7 6 7 0.75 19.88 3.05 是 e8 7 8 0.04 3.76 0.15 是 e22 25 50 0.01 1.77 0.06 是 e30 59 14 0.64 21.88 0.86 是 e40 24 21 0.30 10.40 1.53 是 e46 31 21 0.01 0.20 0.03 是 e49 32 10 0.08 5.91 0.37 是 e51 33 50 0.20 5.09 0.15 是 e59 40 41 0.04 3.34 0.22 是 e62 35 41 0.01 0.27 0.05 是 e66 44 45 0.58 21.16 1.80 是 e68 30 81 0.01 0.20 0.02 是 e69 81 13 0.28 14.00 0.52 是 e70 29 59 0.01 0.20 0.01 是 e83 47 48 0.01 1.69 1.36 是 e85 77 78 0.01 1.71 0.23 是 e86 78 74 0.06 5.01 0.18 是 e88 79 80 0.04 3.68 0.13 是 e95 75 73 0.01 0.20 0.04 是 e97 61 66 0.94 8.37 1.17 是 e108 66 65 0.03 2.20 0.41 是 e112 52 51 0.28 8.71 2.33 是 e115 65 72 2.78 18.57 0.60 是 e117 69 70 0.06 4.31 0.15 是 e118 68 71 0.25 6.68 0.23 是 e121 72 73 2.34 15.40 0.54 是 e124 34 42 0.01 0.20 0.01 是 e127 85 — 30.83 188.35 — 是 使用基于AROA的精准控风方法进行计算得到精准分风方案，见表5。可看出基于AROA的精准控风方法通过调节通风设施所在的巷道，在满足最低风量要求的前提下，实现了显著的节能效果。优化后的通风机风量为167.30 m³/s，较调节前的188.35 m³/s降低了11.2%；同时，通风机风压从2 286.54 Pa降至2 045.04 Pa，降幅达10.1%；功率从538.33 kW降至426.89 kW，降低了20.7%。这一结果表明，该算法有效降低了矿井的通风能耗。
表 5 唐安煤矿精准分风方案结果统计Table 5. Statistics of precision wind allocation scheme for Tang’an Coal Mine分支
编号风量/
（m3∙s−1）调节阻
力/Pa风窗面
积/m2分支
编号风量/
（m3∙s−1）调节阻
力/Pa风窗面
积/m2e7 2.85 302 0.19 e83 2.27 4 1.22 e8 4.72 699 0.21 e85 13.42 26 2.08 e22 0.62 1367 0.02 e86 14.58 1076 0.52 e30 18.03 928 0.68 e88 2.40 1111 0.09 e40 8.32 41 1.46 e95 3.75 289 0.26 e46 2.7 69 0.38 e97 3.69 1513 0.11 e49 2.34 507 0.12 e108 1.56 34 0.31 e51 2.95 1332 0.10 e112 3.23 15 0.95 e59 2.70 459 0.15 e115 16.56 1353 0.51 e62 3.75 444 0.21 e117 3.51 1362 0.11 e66 — — — e118 1.74 1360 0.06 e68 2.22 192 0.19 e121 7.30 1073 0.26 e69 15.70 944 0.59 e124 2.70 992 0.11 e70 2.25 208 0.18 e127 167.30 — — 6. 结论
1） 基于精准分风思想，经变量筛选，将27条分支压缩至8条，计算量减少约70%，显著降低了计算复杂度。
2） AROA通过三阶段动态优化策略实现全局寻优。在Ackley函数测试中，该算法平均收敛迭代次数仅为412，较GA减少了40%；最优解标准差为0.17，较MBH降低了62%；解分布范围缩至0.25，较MBH减少了75%。尽管运行时间略长于MBH，但AROA在收敛效率、稳定性及解集中程度上均展现出显著优势，综合性能优于对比算法。
3） 基于AROA的精准分风方案在实例分析中取得显著节能效果：左翼通风机功率从131.72 kW降至97.95 kW，降幅达25.6%；右翼通风机功率从188.22 kW降至146.62 kW，降幅达22.1%；总节能率达23.56%。其中e14风窗面积由1.50 m²调节至0.36 m²，调节幅度达76%，效果尤为显著。
4） 以唐安煤矿为例，采用基于AROA的精准分风方案，使通风机风压降低了10.1%，通风机风量降低了11.2%，功率降低了20.7%，有效降低了通风能耗。
-
![]()
图 3 传统与自适应的三重损失函数的函数曲线
Figure 3. Function curves of traditional and an adaptive trip loss function
![]()
图 5 基于传统度量学习与改进度量学习的行人重识别效率
Figure 5. Rerecognition efficiency under traditional heavy recognition and adaptive metric learning
![]()
图 6 舍弃头脚部信息后得出的自适应的三重损失下重识别效率
Figure 6. Heavy identification efficiency of adaptive metric learning after discarding head and feet information
表 1 手工设计特征指标
Table 1 Manual design feature indicators
特征类型 特征指标 颜色空间 HSV(Hue, Saturation, Value)，RGB(Red, Green, Blue)，Lab(Lab color space) 纹理空间 LBP(Local Binary Pattern, 局部二值模式)，加博尔滤波器 局部特征 尺度不变特征转换，方向梯度直方图 专用特征 对称局部特征累加，局部特征的集成，局部最大重现特征、显著特征匹配 
下载: 导出CSV
表 2 传统与改进的度量学习的行人重识别推理耗时
Table 2 The time cost between traditional rerecognition and adaptive metric learning
推理方法 测试图大小 测试图张数 测试次数 推理平均耗时/ms 基于传统度量学习
的行人重识别方法224×224 600 1000 248 基于改进度量学习
的行人重识别方法224×224 600 204 基于传统度量学习
的行人重识别方法640×640 400 413 基于改进度量学习
的行人重识别方法640×640 400 345
下载: 导出CSV
-
[1] 王国法,赵国瑞,任怀伟. 智慧煤矿与智能化开采关键核心技术分析[J]. 煤炭学报,2019,44(1):34-41. WANG Guofa,ZHAO Guorui,REN Huaiwei. Analysis on key technologies of intelligent coal mine and intelligent mining[J]. Journal of China Coal Society,2019,44(1):34-41.
[2] 孙继平. 煤矿智能化与矿用5G[J]. 工矿自动化,2020,46(8):1-7. SUN Jiping. Coal mine intelligence and mine-used 5G[J]. Industry and Mine Automation,2020,46(8):1-7.
[3] 张华,李靖锋,魏红磊,等. 基于智能视频识别技术的智能化煤矿安全管理研究与应用[J]. 工矿自动化,2021,47(增刊1):10-13. ZHANG Hua,LI Jingfeng,WEI Honglei,et al. Research and application of intelligent coal mine safety management based on intelligent video recognition technology[J]. Industry and Mine Automation,2021,47(S1):10-13.
[4] 张立亚. 矿山智能视频分析与预警系统研究[J]. 工矿自动化,2017,43(11):16-20. ZHANG Liya. Research on intelligent video analysis and early warning system for mine[J]. Industry and Mine Automation,2017,43(11):16-20.
[5] GHEISSARI N, SEBASTIAN T. B, HARTLEY R. Person reidentification using spatiotemporal appearance[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR）, New York, 2006: 1528-1535.
[6] GRAY D, BRENNAN S, TAO H. Evaluating appearance models for recognition reacquisition and tracking[C]. IEEE International Workshop on Performance Evaluation for Tracking and Surveillance （PETS）, Rio de Janeiro, 2007: 123-127.
[7] 苏荻翔,王帮海,叶子成. 融合多聚类信息的无监督行人重识别算法[J]. 计算机工程与应用,2022,58(18):195-204. SU Dixiang,WANG Banghai,YE Zicheng. Unsupervised person re-identification algorithm by fusing multi-cluster information[J]. Computer Engineering and Applications,2022,58(18):195-204.
[8] YE Mang,LAN Xiangyuan,WANG Zheng,et al. Bi-directional center-constrained top-ranking for visible thermal person re-identification[J]. IEEE Transactions on Information Forensics and Security,2019,15:407-419.
[9] QIN Danfeng, GAMMETER S, BOSSARD L, et al. Hello neighbor: accurate object retrieval with k-reciprocal nearest neighbors[C]. CVPR 2011, Colorado Spings, 2011: 777-784.
[10] 周智恒,刘楷怡,黄俊楚,等. 一种基于等距度量学习策略的行人重识别改进算法[J]. 电子与信息学报,2019,41(2):477-483. ZHOU Zhiheng,LIU Kaiyi,HUANG Junchu,et al. Improved metric learning algorithm for person re-identification based on equidistance[J]. Journal of Electronics & Information Technology,2019,41(2):477-483.
[11] 章东平,徐丽园. 距离度量学习的摄像网络中行人重识别[J]. 中国计量大学学报,2016,27(4):424-428,434. ZHANG Dongping,XU Liyuan. Human re-identification over camera networks by using distance metric learning[J]. Journal of China University of Metrology,2016,27(4):424-428,434.
[12] 刘浩,刘海滨,孙宇,等. 煤矿井下员工不安全行为智能识别系统[J]. 煤炭学报,2021,46(增刊2):1159-1169. LIU Hao,LIU Haibin,SUN Yu,et al. Intelligent recognition system of unsafe behavior of underground coal miners[J]. Journal of China Coal Society,2021,46(S2):1159-1169.
[13] 苏伟根. 基于图度量学习的行人重识别算法研究[D]. 广州: 广东工业大学, 2021. SU Weigen. Research on graph metric learning fo person re-identification[D]. Guangzhou: Guangdong University of Technology, 2021.
[14] 董映宇. 基于特征融合与度量学习的行人重识别研究[D]. 马鞍山: 安徽工业大学, 2020. DONG Yingyu. Research on pedestrian re-identification in based on fusion feature and metric learning[D]. Ma'anshan: Anhui University of Technology, 2020.
[15] MCPHERSON M,SMITH-LOVIN L,COOK J M. Birds of a feather:homophily in social networks[J]. Annual Review of Sociology,2001,27(1):415-444. DOI: 10.1146/annurev.soc.27.1.415
[16] 陈伟,任鹏,田子建,等. 基于注意力机制的无监督矿井人员跟踪[J]. 煤炭学报,2021,46(增刊1):601-608. DOI: 10.13225/j.cnki.jccs.2020.1348 CHEN Wei,REN Peng,TIAN Zijian,et al. Unsupervised mine personnel tracking based on attention mechanism[J]. Journal of China Coal Society,2021,46(S1):601-608. DOI: 10.13225/j.cnki.jccs.2020.1348
[17] 宋婉茹,赵晴晴,陈昌红,等. 行人重识别研究综述[J]. 智能系统学报,2017,12(6):770-780. SONG Wanru,ZHAO Qingqing,CHEN Changhong,et al. Survey on pedestrian re-identification research[J]. CAAI Transactions on Intelligent Systems,2017,12(6):770-780.
[18] MIGNON A, JURIE F. PCCA: a new approach for distance learning from sparsepairwise constraints[C]. IEEE Conference on Computer Vision and Pattern Recognition, Providence, 2012: 2666-2672.
[19] 张立亚,孟庆勇,杨坤. 基于维纳滤波的矿井监控图像的复原技术[J]. 煤矿安全,2019,50(1):129-132. ZHANG Liya,MENG Qingyong,YANG Kun. Recovery technology of mine monitoring image based on wiener filtering[J]. Safety in Coal Mines,2019,50(1):129-132.
[20] 张立亚,郝博南,孟庆勇,等. 基于HSV空间改进融合Retinex算法的井下图像增强方法[J]. 煤炭学报,2020,45(增刊1):532-540. ZHANG Liya,HAO Bonan,MENG Qingyong,et al. Method of image enhancement in coal mine based on improved retex fusion algorithm in HSV space[J]. Journal of China Coal Society,2020,45(S1):532-540.
[21] 丁宗元. 基于度量学习的行人重识别若干算法研究[D]. 常州: 常州大学, 2018. DING Zongyuan. Research on several algorithms of person re-identification based on metric learning[D]. Changzhou: Changzhou University, 2018.
[22] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. IEEE Conference on Computer Vision and Pattern Recognition, Columbus, 2013: 580-587.
[23] 王金. 基于度量学习的行人重识别方法研究[D]. 武汉: 华中科技大学, 2017. WANG Jin. Research on person re-identification method based on metric learning[D]. Wuhan: Huazhong University of Science and Technology, 2017.
[24] TAO Dapeng,JIN Lianwen,WANG Yongfei,et al. Person reidentification by minimum classification error-based KISS metric learning[J]. IEEE Transactionson Cybernetics,2015,45(2):242-252. DOI: 10.1109/TCYB.2014.2323992
-
期刊类型引用(40)
1. 王立涛，邱黎明，韦梦菡，宋大钊，苟仁涛，刘琳，钟时强，谢天逸. 基于DBO-VMD滤波的煤岩爆破电磁信号时-频特征. 工程科学学报. 2025(03): 441-453 . 
百度学术
2. 孙康，刘强，邱黎明，李振雷，王超杰，孙谦，刘海瑞，王立涛. 煤样受载破坏电阻率-应力-损伤耦合规律及机制研究. 工矿自动化. 2025(02): 155-162 . 本站查看
3. 何志龙，孙谦，宋大钊. 安顺煤矿煤岩电磁辐射测试技术研究. 山东煤炭科技. 2024(02): 103-108 . 百度学术
4. 杨科，范超尘，刘静波，吴劲松，池小楼，张杰. 极复杂条件煤层智能化开采安全保障体系及关键技术. 矿业研究与开发. 2024(03): 164-170 . 百度学术
5. 郭明功，李延河，宋大钊，杨港，邱黎明，杨乘. 深部极近距离煤层群开采底抽巷层位布置研究. 煤矿安全. 2024(03): 155-165 . 百度学术
6. 宋大钊，童永军，邱黎明，韦梦菡，王满，郭明功. 花岗岩劈裂破坏电磁-震动有效信号重构与混沌特征. 煤炭学报. 2024(03): 1375-1387 . 百度学术
7. 王峰，刘强，邱黎明，刘勇，徐九洲，郭明功，马涛，张国雷. 不同变异系数煤层应力场与瓦斯场规律的数值模拟研究. 西安科技大学学报. 2024(02): 268-278 . 百度学术
8. 李宇杰，刘小鹏. 煤矿开采瓦斯突出致灾机制与治理技术研究进展. 采矿技术. 2024(06): 159-166 . 百度学术
9. 张志刚，张庆华，刘军. 我国煤与瓦斯突出及复合动力灾害预警系统研究进展及展望. 煤炭学报. 2024(S2): 911-923 . 百度学术
10. 郭欢欢，邱黎明，刘强，杨乘. 薄煤层开采覆岩“三带”可视化探测方法研究. 煤矿安全. 2023(08): 73-80 . 百度学术
11. 梁运培，郑梦浩，李全贵，毛树人，栗小雨，李建波，周俊江. 我国煤与瓦斯突出预测与预警研究现状. 煤炭学报. 2023(08): 2976-2994 . 百度学术
12. 陈强，刘祥洁，廖石宝. 基于GA-BP的煤矿瓦斯监控系统“大数干扰”信号辨识. 机电工程技术. 2023(12): 204-206+272 . 百度学术
13. 张楠，徐九洲，邱黎明. 突出薄煤层中间巷掩护掘进消突技术研究. 工矿自动化. 2022(03): 40-46 . 本站查看
14. 郭欢欢，胡家喻，邱黎明. 突出煤层孤岛工作面多场演化规律及瓦斯灾害防治技术. 西安科技大学学报. 2022(02): 227-236 . 百度学术
15. 戚昱. 基于物联网的瓦斯突出预警监测系统设计. 煤炭技术. 2022(05): 226-228 . 百度学术
16. 田茂林. 矿用激光甲烷传感器的设计及应用研究. 内蒙古石油化工. 2022(04): 20-22 . 百度学术
17. 程肖禾，宋大钊，邱黎明，王洪磊，王安虎. 含气体突出煤岩纵波波速与应力耦合关系研究. 煤矿安全. 2021(01): 36-41 . 百度学术
18. 胡旭东，郝建新. 塔山煤矿上覆煤层遗留煤柱水力致裂卸压技术应用实践. 山东煤炭科技. 2021(01): 161-164 . 百度学术
19. 李杰，邱黎明，殷山，刘洋，童永军. 煤岩膨胀破裂应变及声发射特征实验研究. 工矿自动化. 2021(02): 63-69+74 . 本站查看
20. 袁亮. 煤矿典型动力灾害风险判识及监控预警技术“十三五”研究进展. 矿业科学学报. 2021(01): 1-8 . 百度学术
21. 衡献伟，李青松，付金磊，左金芳. 贵州煤炭工业科技创新进展及“十四五”时期发展方向. 中国煤炭. 2021(05): 13-19 . 百度学术
22. 宋大钊，何学秋，邱黎明，赵英杰，程肖禾，王安虎. 区域和局部突出危险性动态实时监测预警技术研究. 煤炭科学技术. 2021(05): 110-119 . 百度学术
23. 刘强，邱黎明，祖自银，罗卫东，韦善阳，程肖禾，殷山. 含裂隙煤样受载破坏过程视电阻分布特征. 西安科技大学学报. 2021(04): 731-738 . 百度学术
24. 郭海峰，宋大钊，何学秋，娄全，邱黎明. 冲击倾向性煤不同损伤程度声发射分形特征研究. 煤炭科学技术. 2021(09): 38-46 . 百度学术
25. 刘彦武. 基于智能通风的火灾和瓦斯突出灾变管控系统探讨. 山西焦煤科技. 2021(08): 47-52 . 百度学术
26. 肖钰哲，邱黎明，田向辉，周超，刘洋. 煤受载破坏声电信号波形持续时间特征研究. 煤矿安全. 2021(11): 63-68 . 百度学术
27. 陈凯，戴英健，张丽娟，李小龙. 基于煤与瓦斯突出声电实时监测预警系统的应用研究. 科技视界. 2021(34): 159-161 . 百度学术
28. 唐巨鹏，任凌冉，潘一山，孙胜杰. 深部煤与瓦斯突出孕育全过程声发射前兆信号变化规律研究. 实验力学. 2021(06): 827-837 . 百度学术
29. 刘明，曹民远，吴玉海，李波. 屯宝煤矿逆断层破碎带巷道变形控制研究. 工矿自动化. 2020(04): 98-103 . 本站查看
30. 王伟象，宋大钊，何学秋，邱黎明，娄全，郭海峰. 煤微表面形貌和电势特征及其对电磁辐射的影响. 西安科技大学学报. 2020(03): 424-433 . 百度学术
31. 刘洋，邱黎明，娄全，韦梦菡，殷山，李鹏鹏，程肖禾. 岩石受载破坏过程声电信号时频特征研究. 工矿自动化. 2020(06): 87-91 . 本站查看
32. 宁小亮. 基于多源信息融合的煤与瓦斯突出动态预警模型. 矿业安全与环保. 2020(03): 1-5+16 . 百度学术
33. 宁小亮. 基于大数据的煤与瓦斯突出预警技术. 矿业安全与环保. 2020(04): 51-56 . 百度学术
34. 刘明，曹民远，李波. 综放工作面煤柱周围应力分布特征研究. 工矿自动化. 2020(10): 104-108+113 . 本站查看
35. 王恩元，李忠辉，李德行，刘晓斐，李金铎. 电磁辐射监测技术装备在煤与瓦斯突出监测预警中的应用. 煤矿安全. 2020(10): 46-51 . 百度学术
36. 曹康，李忠辉，余得胜，周明，张酉年，夏善奎. 掘进工作面煤与瓦斯突出前兆特征及综合预警研究. 煤炭科学技术. 2020(11): 147-152 . 百度学术
37. 张庆华，马国龙. 我国煤矿重大灾害预警技术现状及智能化发展展望. 智能矿山. 2020(01): 52-62 . 百度学术
38. 王璐. 煤矿安全监控系统中无线激光甲烷传感器的研究与设计. 煤炭技术. 2019(08): 154-158 . 百度学术
39. 宁小亮. 煤与瓦斯突出预警技术研究现状及发展趋势. 工矿自动化. 2019(08): 25-31+37 . 本站查看
40. 徐剑坤，习丹阳，余鑫. 煤单轴破坏同步声电场响应规律试验研究. 煤矿安全. 2019(10): 54-57 . 百度学术
其他类型引用(13)
计量
- 文章访问数: 1480
- HTML全文浏览量: 91
- PDF下载量: 50
- 被引次数: 53
