新一代信息技术赋能煤矿装备数智化转型升级

金智新; 闫志蕊; 王宏伟; 李正龙; 史凌凯

doi:10.13272/j.issn.1671-251x.18123

新一代信息技术赋能煤矿装备数智化转型升级

金智新^{1, 2,},
闫志蕊^{1, 3, ,},
王宏伟^{1, 3, 4},
李正龙^{1, 3},
史凌凯^{1, 2}

1.
太原理工大学山西省煤矿智能装备工程研究中心, 山西太原　030024
2.
太原理工大学安全与应急管理工程学院, 山西太原　030024
3.
太原理工大学机械与运载工程学院, 山西太原　030024
4.
山西焦煤集团有限责任公司博士后工作站, 山西太原　030024

基金项目: 中国工程院咨询研究项目（2022SX2，2021SX3）；山西省科技计划揭榜招标资助项目（20201101005）；山西省基础研究计划资助项目（202203021212275）。

详细信息

作者简介:
金智新（1959—），男，辽宁锦州人，教授级高级工程师，中国工程院院士，博士，主要研究方向为煤炭智能开采技术与煤矿安全工程管理，E-mail：jinzhixin@tyut.edu.cn

通讯作者:
闫志蕊（1993—），女，山西吕梁人，博士研究生，主要研究方向为煤矿机电智能化控制技术，E-mail：mjlayue29@163.com

中图分类号: TD67
计量
- 文章访问数: 1169
- HTML全文浏览量: 75
- PDF下载量: 123
出版历程
- 收稿日期: 2023-05-14
- 修回日期: 2023-06-05
- 网络出版日期: 2023-06-18
- 刊出日期: 2023-06-24

The new generation of information technology empowers the digital and intelligent transformation and upgrading of coal mining equipment

JIN Zhixin^{1, 2,},
YAN Zhirui^{1, 3, ,},
WANG Hongwei^{1, 3, 4},
LI Zhenglong^{1, 3},
SHI Lingkai^{1, 2}

1.
Center of Shanxi Engineering Research for Coal Mine Intelligent Equipment, Taiyuan University of Technology, Taiyuan 030024, China
2.
College of Safety and Emergency Management Engineering, Taiyuan University of Technology, Taiyuan 030024, China
3.
College of Mechanical and Vehicle Engineering, Taiyuan University of Technology, Taiyuan 030024, China
4.
Postdoctoral Workstation, Shanxi Coking Coal Group Co., Ltd., Taiyuan 030024, China

摘要

摘要: 当前，煤矿智能化建设正处于初级向中高级智能化过渡探索期，现有智能装备自主创新能力尚需加强，核心技术“卡脖子”，井下复杂赋存条件下可靠性问题突出，如何利用新一代信息技术，纵深推动煤矿装备数智化转型升级，以数字化、智能化推动煤炭安全高效绿色开采具有重要意义。回顾了我国煤炭开采技术与装备智能化发展的演进过程，分析了煤炭开采各阶段的生产特征，认为煤矿智能化彻底改变了煤炭生产方式，生产要素以智能装备、智能化系统和复合型技术人才为主，从本质上提升了煤矿安全高效生产水平，助推煤矿实现减人增安提效。其中智能煤矿装备是煤矿智能化的核心要素，面对未来煤矿装备数智化转型发展的需求，探索了新一代信息技术与煤矿装备融合发展的路径，即以装备为智能化载体，通过新一代信息技术赋予装备智能感知与分析、智能判断与推理、智能决策与控制、智能诊断与学习的类人化智能化能力，并构建了物联网、5G、大数据、云计算、人工智能技术赋能煤矿装备智能感知、智能传输、智能分析、智能计算和智能决策的系统架构。深入分析了煤矿装备数智化发展过程中存在的理论、技术和人才难题，提出了煤矿装备数智化发展的建议：夯实基础是第一要务，须构建煤矿装备智能化顶层设计理论体系，加强关键核心技术攻关，加快新型基础设施建设，夯实煤矿智能化发展根基；煤矿装备智能化技术与煤矿特殊应用场景协同耦合发展，贴近煤矿井下现场需求，形成煤矿专用场景智能化技术，探索装备数智融合创新模式；智能技术与绿色开采技术相互融合促进，打造数字化、智能化、绿色化装备，开发煤炭智能高效低碳开采新模式，促进煤炭生产节能降耗；建立健全煤矿智能化人才培养体系，培养多学科交叉复合型人才，为煤矿智能化建设增强人才储备力量。
- 煤矿智能化 /
- 新一代信息技术 /
- 煤炭开采 /
- 煤矿装备 /
- 数智化 /
- 顶层设计 /
- 协同耦合
Abstract: Currently, the intelligent construction of coal mines is in a transitional exploration period from primary to intermediate and advanced intelligence. The independent innovation capability of existing intelligent equipment still needs to be strengthened. The core technologies are bottleneck problems. The reliability problem under complex underground storage conditions is prominent. It is of great significance to use the new generation of information technology to promote the digital transformation and upgrading of coal mine equipment, and to promote safe, efficient, and green coal mining through digitization and intelligence. This paper reviews the evolution process of intelligent development of coal mining technology and equipment in China. This paper analyzes the production characteristics of each stage of coal mining. It is considered that the coal mine intelligence has completely changed the coal production mode. The production factors are mainly intelligent equipment, intelligent systems, and compound technical talents. They have essentially improved the level of safe and efficient production of coal mines, and helped the coal mines to reduce personnel, increase safety and improve efficiency. Among them, intelligent coal mine equipment is the core element of coal mine intelligence. Considering the demand for the digital and intelligent transformation and development of future coal mine equipment, we have explored the path of integrating the new generation of information technology and coal mine equipment. It uses equipment as an intelligent carrier. It endows the equipment with humanized intelligent capabilities such as intelligent perception and analysis, intelligent judgment and reasoning, intelligent decision-making and control, intelligent diagnosis and learning through the new generation of information technology. The system architecture of the Internet of things, 5G, big data, cloud computing, and artificial intelligence technology enabling intelligent perception, intelligent transmission, intelligent analysis, intelligent computing and intelligent decision-making of coal mine equipment has been constructed. The paper analyzes the theoretical, technical, and talent challenges in the development of digital intelligence in coal mining equipment. The paper proposes suggestions for the development of digital intelligence in coal mining equipment. Consolidating the foundation is the priority. It is necessary to build a top-level design theoretical system for intelligent coal mining equipment, strengthen key core technology research, accelerate the construction of new infrastructure, and consolidate the foundation of intelligent coal mining development. The intelligent technology for coal mining equipment and special application scenarios in coal mines develop in collaboration and coupling. It is suggested to meet the on-site needs of coal mines, form the intelligent technology for coal mine specific scenarios, and explore innovative models of equipment digital intelligence integration. The intelligent technology and green mining technology integrate and develop. It is suggested to create digital, intelligent, and green equipment. It is suggested to develop new models of intelligent, efficient, and low-carbon coal mining, and promote energy conservation and consumption reduction in coal production. It is suggested to establish a sound system for cultivating intelligent talents in coal mines, cultivate interdisciplinary and composite talents, and enhance talent reserves for the construction of intelligent coal mines.
- coal mine intelligence /
- new generation information technology /
- coal mining /
- coal mine equipment /
- digital intelligence /
- top level design /
- collaboration and coupling

HTML全文

0. 引言

矿井环境中依靠人工照明，监控图像亮度和对比度往往均较低，部分图像亮度分布不均，近光源处较亮，远光源处较暗。因此，矿井图像增强对实现矿井智能视频监控非常重要^[1]。当前常用的矿井图像增强方法主要有直方图均衡化^[2]、基于Retinex理论方法^[3]、基于同态滤波方法^[4]、基于小波分析方法^[5]等。直方图均衡化往往导致局部图像欠增强和过增强问题。对此，S. F. Tan等^[6]对图像直方图进行阈值分割，再分别进行直方图均衡化处理；D. Singh等^[7]提出双平台直方图均衡化方法，在进行直方图均衡化之前，以阈值调整频次较小和较大的灰度级，具有较好的鲁棒性，但会产生部分颜色失真。在基于Retinex理论方法方面，Guo Xiaojie等^[8]采用三通道的最大值对光照图像进行估计，然后采用结构先验对估计值进行优化，以增强图像亮度和对比度，但效果仍有待提升；李晓宇等^[9]针对Retinex算法存在的色彩失真和光晕模糊问题，采用自适应快速引导滤波将图像分解为照度分量和反射分量，采用Sigmoid函数对照度分量进行均衡化，对反射分量进行非线性拉伸，但在亮区产生过增强问题^[10]。基于同态滤波方法对暗区的亮度提升不够，且图像细节容易丢失。对此，邵小强等^[11]将经同态高通滤波和同态低通滤波的矿井图像加权融合，并采用对比度受限的直方图均衡化校正图像亮度。龚云等^[12]针对同态滤波涉及参数较多、难以适用于不同矿井图像的问题，提出基于单一参数同态滤波的井下图像增强方法，对图像的亮度分量进行自适应Gamma校正，提高同态滤波对高光区和阴影区的适用性。基于小波分析方法具有多分辨率分析能力，但对边缘保持和细节增强缺乏鲁棒性。对此，唐守锋等^[13]将小波变换与基于多尺度引导滤波的Retinex算法结合，对图像的高频分量进行小波阈值去噪，对低频分量进行非线性校正以提升亮度。

为了在有效提升矿井图像亮度和对比度的同时，避免图像欠增强和过增强，本文在上述研究基础上，提出了基于多尺度局部直方图均衡化的矿井图像增强方法：将矿井低照度图像由RGB颜色空间转换到HSI颜色空间，采用双边滤波将亮度分量分解为光照图像和反射图像，对光照图像进行多尺度分块并分别进行局部直方图均衡化，对反射图像进行方向梯度增强。实验结果验证了该方法的有效性和实用性。

1. 矿井图像增强方法

基于多尺度局部直方图均衡化的矿井图像增强流程如图1所示。将矿井低照度RGB图像转换到HSI颜色空间，得到色调分量、饱和度分量和亮度分量；采用双边滤波对亮度分量进行Retinex分解，得到光照图像和反射图像；对光照图像进行多尺度划分，并对划分出的各图像块分别进行直方图均衡化；采用方向梯度算子对反射图像进行边缘提取，并将提取到的边缘图像与反射图像融合；将增强后的光照图像和反射图像进行Retinex反变换，得到增强后的亮度分量，并将其联合色调分量和饱和度分量转换至RGB颜色空间，生成最终的增强图像。

图 1 基于多尺度局部直方图均衡化的矿井图像增强流程

Figure 1. Flow of mine image enhancement based on multi-scale local histogram equalization

下载: 全尺寸图片幻灯片

1.1 颜色空间转换与Retinex分解

HSI颜色空间中的亮度分量与色彩信息（色调分量和饱和度分量）相互独立，对亮度分量的处理不会影响颜色成分，因此将矿井RGB图像转换至HSI颜色空间更适于图像处理^[14]。二者转换公式为^[15]

$$ I = \frac{{R + G{\text{ + }}B}}{3} $$

(1)

$$ S = 1 - \frac{{3\min (R,G,B)}}{{R + G{\text{ + }}B}} $$

(2)

$$ H = \left\{ \begin{gathered} \theta \;\;\;\;\;\;\;\;\;\;\;\;\,G \geqslant B \\ 2{\text{π}} - \theta \;\;\;\;G < B \\ \end{gathered} \right. $$

(3)

$$ \theta = \arccos \frac{{R - G + (R - B)}}{{2\sqrt {{{(R - G)}^2} + (R - B)(G - B)} }} $$

(4)

式中：I，S，H分别为HSI颜色空间的亮度、饱和度、色调分量；R，G，B分别为RGB颜色空间的红、绿、蓝三原色分量。

Retinex理论认为，图像颜色不受光照条件的影响，而取决于物体对光照的反射特性，因此，可将图像看作是光照与物体对光照的反射相互作用的结果^[16]，即

$$ {{I}}={{L}} {{F}} $$

(5)

式中：L为光照图像；F为反射图像。

为了简化计算和方便提取反射图像F，将式(5)转换到对数域，即

$$ {\rm{ln}}{{I}}={\rm{ln}}{{L}}+{\rm{ln}}{{F}} $$

(6)

光照图像L可用滤波器f进行估计：

$$ {{L}}={{f}}({{I}}) $$

(7)

对式(6)进行恒等变换，得到反射图像：

$$ {{F}}={\rm{exp}}({\rm{ln}}{{I}}－{\rm{ln}}{{L}}) $$

(8)

传统的Retinex算法采用高斯滤波估计光照图像，但高斯滤波的各向同性难以表示图像的边缘信息。双边滤波能自动识别图像的平滑区域和细节区域，能更有效地保持图像的纹理边缘信息，使后续的图像增强效果更优。令g_i为亮度分量图像中像素i的灰度，N_i(d)为以像素i为中心、大小为d×d的邻域，则双边滤波定义为^[17]

$$ f_{\rm{B}}({g_i}) = \dfrac{{\displaystyle \sum\limits_{j \in {N_i}(d)} {W(i,j){g_j}} }}{{\displaystyle \sum\limits_{j \in {N_i}(d)} {W(i,j)} }} $$

(9)

式中W(i，j)为加权系数，由基于空间邻近测度的权值和基于像素相似测度的权值组成。

$$ W(i,j) = \exp \left( { - \frac{{D_{i,j}^2}}{{2\sigma _{\rm{ d}}^2}} - \frac{{|{g_i} - {g_j}{|^2}}}{{2\sigma _{\rm{ r}}^2}}} \right) $$

(10)

式中：D_i，j为像素i和像素j的空间距离；σ_d，σ_r分别为邻域像素在空间距离上的标准差和在灰度上的标准差。

高斯滤波与双边滤波效果对比如图2所示。可看出高斯滤波能平滑图像的边缘，而双边滤波能自动识别平滑区域和细节区域，实现平滑区域平滑处理和细节区域边缘保持的双重目标。

图 2 高斯滤波与双边滤波效果

Figure 2. Effect of Gaussian filtering and Bilateral filtering

下载: 全尺寸图片幻灯片

1.2 多尺度局部直方图均衡化

直接对图像进行直方图均衡化会合并部分频次较小的灰度级，而过度放大频次较大的灰度级，导致图像欠增强和过增强现象^[18]。因此，提出多尺度局部直方图均衡化方法，对光照图像进行2^2k (k为分解尺度)等分，然后分别进行直方图均衡化。参考文献[19]中多尺度小波分解思想，采用小、中、大3个尺度对图像进行划分，即k=2，1，0，分别代表小、中、大尺度。这3个尺度足以表达图像的局部与全局特征，尺度过多，对增强效果的提升很微小，但会指数级地增加计算复杂度，尺度过少则不足以表达图像的细微特征。

假设光照图像为n位图像，共有2ⁿ个灰度级，多尺度局部直方图均衡化方法步骤如下。

1）对光照图像L进行2⁴等分，得到图像块L_1t(t=1，2，…，2⁴)，对L_1t进行直方图均衡化。

获取图像块L_1t的直方图：

$$ {{h}}_{1t} =\{{{{h}}_{1t }(r) | {{h}}_{1t}(r)={\rm{sum}}({{L}}_{1t} { ＝}r), r=0,1, \cdots, 2^{n}-1} \} $$

(11)

式中sum(L_1t＝r)为统计图像块L_1t中灰度级为r的像素频次。

对直方图h_1t进行归一化和均衡化：

$$ h_{1t}'= {{h}}_{1t}/{\rm{sum}}({{h}}_{1t}) $$

(12)

$$\begin{split} s_{1t} = & \{{s_{1t}(r) | s_{1t}(0)=h_{1t}'(0), s_{1t}(r)= s_{1t}(r-1)}+ h_{1t}'(r), \\& r =1, 2, \cdots , 2^{n}-1 \} \end{split} $$

(13)

式中：$ h_{1t}' $为L_1t的直方图归一化结果；s_1t为L_1t的直方图均衡化结果。

根据s_1t进行灰度级映射，得到增强图像块：

$$ {{L}}_{1t}'={\rm{round}}(s_{1t}(r)×(2^{n}-1)) \quad r=0,1, \cdots ,2^{n}-1 $$

(14)

式中round（·）为四舍五入取整函数。

2）将上述增强的光照图像进行2²等分，得到图像块L_2t(t=1，2，3，4)，对L_2t进行直方图均衡化。

获取图像块L_2t的直方图：

$$ {{h}}_{2t}=\{{{{h}}_{2t}(r) | {{h}}_{2t}(r)={\rm{sum}}(L_{2t}＝r), r=0,1 ,\cdots ,2^{n}-1}\} $$

(15)

对直方图h_2t进行归一化和均衡化，得

$$ h_{2t}'= {{h}}_{2t}/{\rm{sum}}({{h}}_{2t}) $$

(16)

$$ \begin{split} {{s}}_{2t}= &\{{{s}}_{2t}(r) | {{s}}_{2t}(0)={{h}}_{2t}'(0), {{s}}_{2t}(r)= s_{2t}(r-1)+{{h}}_{2t}'(r), \\& r=1, 2, \cdots , 2^{n}-1 \} \end{split} $$

(17)

式中：$ h_{2t}' $为L_2t的直方图归一化结果；s_1t为L_2t的直方图均衡化结果。

根据s_2t进行灰度级映射，得到增强图像块：

$$ L_{2t}'={\rm{round}}(s_{2t}(r)×(2^{n}－1))\quad r=0,1, \cdots ,2^{n}-1 $$

(18)

3）对上述局部直方图均衡化的光照图像进行全局直方图均衡化，得到多尺度局部直方图均衡化的增强光照图像L_e。

对图像进行上述逐尺度的直方图均衡化操作，能够保护频次较小的灰度级不被合并，且对其进行灰度级空间的拉伸，同时对频次较大的灰度级进行控制，避免产生过增强和噪声放大。

1.3 方向梯度增强

井下光照不足，导致图像照度低，且部分暗处的细节信息不能正常获取。为了进一步提升图像对比度，丰富图像的纹理细节，提出8方向梯度算子，如图3所示，可基本识别和表示图像中所有的纹理方向。

图 3 方向梯度算子

Figure 3. Directional gradient operators

下载: 全尺寸图片幻灯片

分别用8个方向的梯度算子提取反射图像F的方向梯度，然后求其均值梯度，并与反射图像F融合，得到细节增强的反射图像F_e。

$$ {F_{\rm{e}}} = F + \frac{1}{8}\sum\limits_{m = 1}^8 {F \otimes {O_m}} $$

(19)

式中：$ \otimes $为卷积运算符号；O_m为方向梯度算子，m=1，2，…，8，分别代表0，45，90，135，180，225，270，315°方向。

将经多尺度局部直方图均衡化的光照图像L_e和经方向梯度增强的反射图像F_e转换到对数域并进行Retinex反变换，得到增强的亮度分量I_e。

$$ {I_{\rm{e}}} = \exp (\ln {L_{\rm{e}}} + \ln {F_{\rm{e}}}) $$

(20)

将I_e与色调分量H、饱和度分量S转换至RGB颜色空间，得到增强矿井图像。

2. 实验与结果分析

为了验证本文方法的有效性和实用性，采用本文方法对矿井图像进行增强，并与文献[6]、文献[8]、文献[12]和文献[13]方法进行对比。实验硬件为Intel(R) Core(TM) i9−10900 CPU和16 GiB内存，软件为Windows 10和Matlab 2021a。以煤矿井下实际监控图像（图4）为素材，根据增强图像的视觉效果（亮度、对比度和清晰度）进行主观评价，以信息熵^[20]和平均梯度^[21]为指标进行客观评价。

图 4 矿井低照度图像

Figure 4. Mine low-light images

下载: 全尺寸图片幻灯片

$$ e{\text{ = }} - \sum\limits_{J = 0}^{255} {{P_J}\ln {P_J}} $$

(21)

$$ {A_{{\rm{g}}}} = \frac{1}{{3{l_1}{l_2}}}\sum\limits_{c \in \{ R,G,B\} }^{} {\sqrt {\frac{{A_{c,x}^2 + A_{c,y}^2}}{2}} } $$

(22)

式中：e为图像的信息熵；P_J为像素取值为J的概率；A_g为图像的平均梯度；l₁，l₂分别为图像的高度和宽度；A_c,x，A_c,y分别为通道图像c在x方向（水平方向）和y方向（垂直方向）的梯度。

信息熵度量图像的有效信息量，信息熵越大，表示图像的细节信息越丰富；平均梯度度量图像的局部灰度变化，平均梯度越大，表示局部灰度变化越大，图像的对比度越高。

2.1 主观评价

不同方法对矿井低照度图像的增强效果如图5所示。可看出各方法均能在一定程度上改善矿井图像的视觉效果，提升图像的亮度、对比度和清晰度。文献[6]方法对直方图均衡化进行了改进，但经该方法增强的图像强光部分仍产生过增强现象，部分暗处的细节信息未能清晰显示。经文献[8]方法增强的图像亮度不足，隐藏于暗处的部分细节信息未正常显示，同时出现颜色失真，色彩偏淡。文献[12]方法的图像增强效果相对较好，图像保真度较高，但个别区域的光照分布依然不均。经文献[13]方法增强的图像亮度较暗，对比度稍低，部分细节出现轻微的模糊现象。而本文方法一方面借助HSI颜色空间的颜色信息与亮度分量的独立性来保持图像颜色信息不变，另一方面通过小、中、大3个尺度的局部直方图均衡化提升图像亮度和对比度，通过方向梯度增强图像细节信息，使得增强图像亮度充足，避免了过增强问题，且隐藏于暗处的图像信息得以正常显示，对比度较高，细节信息较丰富。

图 5 不同方法对矿井低照度图像的增强效果

Figure 5. Enhancement effect of mine low-light images by different methods

下载: 全尺寸图片幻灯片

2.2 客观评价

经不同方法增强的矿井低照度图像信息熵和平均梯度分别见表1和表2。

表 1 增强图像的信息熵

Table 1. Information entropy of enhanced images

图像	经不同方法增强的图像信息熵
图像	未增强	文献[6] 方法	文献[8] 方法	文献[12] 方法	文献[13] 方法	本文方法
1	6.85	7.54	7.64	7.59	7.68	7.93
2	6.16	7.13	7.35	7.39	7.32	7.91
3	5.84	6.64	6.91	7.01	6.96	7.74

下载: 导出CSV

| 显示表格

表 2 增强图像的平均梯度

Table 2. Average gradient of enhanced images

图像	经不同方法增强的图像平均梯度
图像	未增强	文献[6] 方法	文献[8] 方法	文献[12] 方法	文献[13] 方法	本文方法
1	13.1	33.4	34.3	41.5	28.1	50.5
2	9.73	33.3	32.9	36.3	26.1	57.7
3	5.91	21.9	16.8	22.9	13.6	24.4

下载: 导出CSV

| 显示表格

从表1可看出，经不同方法增强的矿井图像的信息熵均有所提升。经文献[6]方法增强的图像信息熵稍低，与该方法产生过增强、破坏部分图像信息相对应。经文献[8]和文献[13]方法增强的图像信息熵大致相同，均因亮度不足限制了信息熵的提高。经文献[12]方法增强的图像信息熵相对较高，增强图像的细节信息较丰富。经本文方法增强的图像信息熵较其他方法高，其中较文献[12]方法高7.23%，验证了本文方法能显著提升图像的有效信息量。

从表2可知，经不同方法增强的矿井图像平均梯度均有所提高。其中经文献[13]方法增强的图像平均梯度提升最小，结合图5可知该方法的增强图像亮度不足，且图像存在模糊问题，因此对比度较低。经本文方法增强的图像平均梯度提升最大，平均梯度均值较其他方法高31.6%以上，验证了本文方法可显著提升图像对比度和清晰度。

3. 结论

1）基于多尺度局部直方图均衡化的矿井图像增强方法充分利用HSI颜色空间中颜色分量与亮度分量相互独立的特性，将亮度分量分解为光照图像和反射图像，分别对其进行多尺度局部直方图均衡化和多方向的梯度增强。

2）实验结果表明，该方法可在避免图像欠增强和过增强的同时，有效提升图像的亮度和对比度，丰富图像的细节信息，较现有图像增强方法具有更优的增强效果。

图 1 煤炭开采技术的演进及生产特征

Figure 1. Evolution and production characteristics of coal mining technology

下载: 全尺寸图片幻灯片

图 2 中国GDP与煤炭产量随煤矿智能化发展的变化

Figure 2. Relationship between China's GDP and coal production with the development of coal mine intelligence

下载: 全尺寸图片幻灯片

图 3 2002−2022年中国煤矿安全生产形势变化

Figure 3. Changes in China's coal mine safety production situation from 2002 to 2022

下载: 全尺寸图片幻灯片

图 4 煤矿智能装备系统类人化结构对照

Figure 4. Comparison of humanized structure of intelligent equipment system in coal mine

下载: 全尺寸图片幻灯片

图 5 煤矿装备物联网智能感知系统架构

Figure 5. Architecture of IoT intelligent perception system for coal mine equipment

下载: 全尺寸图片幻灯片

图 6 基于5G的掘进装备远程集控网络架构

Figure 6. Remote centralized control network architecture for tunneling equipment based on 5G

下载: 全尺寸图片幻灯片

图 7 煤矿装备大数据平台

Figure 7. Coal mine equipment big data platform

下载: 全尺寸图片幻灯片

图 8 煤矿装备大数据“云−边−端”协同应用架构

Figure 8. The "cloud-edge-terminal" collaborative application architecture of big data for coal mine equipment

下载: 全尺寸图片幻灯片

图 9 “煤矿机器人+人工智能”智能协同模式

Figure 9. Intelligent collaborative mode of "coal mine robot + artificial intelligence"

下载: 全尺寸图片幻灯片

参考文献(27)

[1]	李首滨. 基于工业互联网的煤矿智能一体化管控平台[J]. 智能矿山,2022,3(4):2-11. LI Shoubin. Intelligent integrated control platform for coal mine based on industrial Internet[J]. Journal of Intelligent Mine,2022,3(4):2-11.
[2]	王国法, 刘峰. 中国煤矿智能化发展报告（2022年）[M]. 北京: 应急管理出版社, 2022. WANG Guofa, LIU Feng. China coal mine intelligence development report （2022）[M]. Beijing: Emergency Management Press, 2022.
[3]	黄曾华. 综采装备单机智能化向智能协同模式转型的探索研究[J]. 煤炭科学技术,2021,49(4):169-175. DOI: 10.13199/j.cnki.cst.2021.04.020 HUANG Zenghua. Exploration and research on transformation from intelligent single machine equipment to intelligent synergy in coal mine[J]. Coal Science and Technology,2021,49(4):169-175. DOI: 10.13199/j.cnki.cst.2021.04.020
[4]	金智新,王宏伟,付翔. HCPS理论体系下新一代智能煤矿发展路径[J]. 工矿自动化,2022,48(10):1-12. JIN Zhixin,WANG Hongwei,FU Xiang. Development path of new generation intelligent coal mine under HCPS theory system[J]. Journal of Mine Automation,2022,48(10):1-12.
[5]	中国煤炭工业协会. 2022煤炭行业发展年度报告[R]. 北京: 中国煤炭工业协会, 2023. China National Coal Association. 2022 annual report on the development of the coal industry[R]. Beijing: China National Coal Association, 2023.
[6]	王国法,富佳兴,孟令宇. 煤矿智能化创新团队建设与关键技术研发进展[J]. 工矿自动化,2022,48(12):1-15. WANG Guofa,FU Jiaxing,MENG Lingyu. Development of innovation team construction and key technology research in coal mine intelligence[J]. Journal of Mine Automation,2022,48(12):1-15.
[7]	张建锋, 肖利华, 许诗军. 数智化: 数字政府、数字经济与数字社会大融合[M]. 北京: 电子工业出版社, 2022. ZHANG Jianfeng, XIAO Lihua, XU Shijun. Digital intelligence: the integration of digital government, digital economy, and digital society[M]. Beijing: Publishing House of Electronics Industry, 2022.
[8]	陈国青,任明,卫强,等. 数智赋能:信息系统研究的新跃迁[J]. 管理世界,2022,38(1):180-196. DOI: 10.3969/j.issn.1002-5502.2022.01.013 CHEN Guoqing,REN Ming,WEI Qiang,et al. Data-intelligence empowerment:a new leap of information systems research[J]. Journal of Management World,2022,38(1):180-196. DOI: 10.3969/j.issn.1002-5502.2022.01.013
[9]	王国法,刘峰,庞义辉,等. 煤矿智能化——煤炭工业高质量发展的核心技术支撑[J]. 煤炭学报,2019,44(2):349-357. DOI: 10.13225/j.cnki.jccs.2018.2041 WANG Guofa,LIU Feng,PANG Yihui,et al. Coal mine intellectualization:the core technology of high quality development[J]. Journal of China Coal Society,2019,44(2):349-357. DOI: 10.13225/j.cnki.jccs.2018.2041
[10]	李首滨. 智能化开采研究进展与发展趋势[J]. 煤炭科学技术,2019,47(10):102-110. DOI: 10.13199/j.cnki.cst.2019.10.012 LI Shoubin. Progress and development trend of intelligent mining technology[J]. Coal Science and Technology,2019,47(10):102-110. DOI: 10.13199/j.cnki.cst.2019.10.012
[11]	王国法,徐亚军,张金虎,等. 煤矿智能化开采新进展[J]. 煤炭科学技术,2021,49(1):1-10. DOI: 10.13199/j.cnki.cst.2021.01.001 WANG Guofa,XU Yajun,ZHANG Jinhu,et al. New development of intelligent mining in coal mines[J]. Coal Science and Technology,2021,49(1):1-10. DOI: 10.13199/j.cnki.cst.2021.01.001
[12]	金智新,曹孟涛,王宏伟. “中等收入”与新“双控”背景下煤炭行业转型发展新机遇[J]. 煤炭科学技术,2023,51(1):45-58. JIN Zhixin,CAO Mengtao,WANG Hongwei. New opportunities for coal industry transformation and development under the background of the level of a moderately developed country and a new "dual control" system[J]. Coal Science and Technology,2023,51(1):45-58.
[13]	许日杰,杨科,吴劲松,等. 麻地梁煤矿智能化开采研究[J]. 工矿自动化,2021,47(11):9-15. DOI: 10.13272/j.issn.1671-251x.2021080034 XU Rijie,YANG Ke,WU Jinsong,et al. Research on intelligent mining in Madiliang Coal Mine[J]. Industry and Mine Automation,2021,47(11):9-15. DOI: 10.13272/j.issn.1671-251x.2021080034
[14]	崔亚仲,任艳艳,白明亮. 神东矿区煤炭智能化建设实践[J]. 煤炭科学技术,2022,50(增刊1):218-226. CUI Yazhong,REN Yanyan,BAI Mingliang. Practice of intelligent construction of Shendong Coal Mine[J]. Coal Science and Technology,2022,50(S1):218-226.
[15]	丁恩杰,廖玉波,张雷,等. 煤矿信息化建设回顾与展望[J]. 工矿自动化,2020,46(7):5-11. DOI: 10.13272/j.issn.1671-251x.17624 DING Enjie,LIAO Yubo,ZHANG Lei,et al. Review and prospect of coal mine informatization construction[J]. Industry and Mine Automation,2020,46(7):5-11. DOI: 10.13272/j.issn.1671-251x.17624
[16]	袁亮,俞啸,丁恩杰,等. 矿山物联网人-机-环状态感知关键技术研究[J]. 通信学报,2020,41(2):1-12. DOI: 10.11959/j.issn.1000-436x.2020036 YUAN Liang,YU Xiao,DING Enjie,et al. Research on key technologies of human-machine-environment states perception in mine Internet of things[J]. Journal on Communications,2020,41(2):1-12. DOI: 10.11959/j.issn.1000-436x.2020036
[17]	丁恩杰,俞啸,廖玉波,等. 基于物联网的矿山机械设备状态智能感知与诊断[J]. 煤炭学报,2020,45(6):2308-2319. DOI: 10.13225/j.cnki.jccs.zn20.0340 DING Enjie,YU Xiao,LIAO Yubo,et al. Key technology of mine equipment state perception and online diagnosis under Internet of Things[J]. Journal of China Coal Society,2020,45(6):2308-2319. DOI: 10.13225/j.cnki.jccs.zn20.0340
[18]	孙继平. 煤矿智能化与矿用5G和网络硬切片技术[J]. 工矿自动化,2021,47(8):1-6. DOI: 10.13272/j.issn.1671-251x.17821 SUN Jiping. Coal mine intelligence,mine 5G and network hard slicing technology[J]. Industry and Mine Automation,2021,47(8):1-6. DOI: 10.13272/j.issn.1671-251x.17821
[19]	张立亚. 煤矿5G通信系统安全应用技术研究[J]. 工矿自动化,2021,47(12):8-12,45. DOI: 10.13272/j.issn.1671-251x.17854 ZHANG Liya. Research on safety application technology of coal mine 5G communication system[J]. Industry and Mine Automation,2021,47(12):8-12,45. DOI: 10.13272/j.issn.1671-251x.17854
[20]	王国法,张铁岗,王成山,等. 基于新一代信息技术的能源与矿业治理体系发展战略研究[J]. 中国工程科学,2022,24(1):176-189. WANG Guofa,ZHANG Tiegang,WANG Chengshan,et al. Development of energy and mining governance system based on new-generation information technology[J]. Strategic Study of CAE,2022,24(1):176-189.
[21]	崔亚仲,白明亮,李波. 智能矿山大数据关键技术与发展研究[J]. 煤炭科学技术,2019,47(3):66-74. CUI Yazhong,BAI Mingliang,LI Bo. Key technology and development research on big data of intelligent mine[J]. Coal Science and Technology,2019,47(3):66-74.
[22]	曹现刚,马宏伟,段雍,等. 煤矿设备智能维护与健康管理技术研究现状与展望[J]. 智能矿山,2020,1(1):105-111. CAO Xiangang,MA Hongwei,DUAN Yong,et al. Research status and prospects of intelligent maintenance and health management technology for coal mine equipment[J]. Journal of Intelligent Mine,2020,1(1):105-111.
[23]	王国法,任怀伟,赵国瑞,等. 智能化煤矿数据模型及复杂巨系统耦合技术体系[J]. 煤炭学报,2022,47(1):61-74. DOI: 10.13225/j.cnki.jccs.YG21.1860 WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Digital model and giant system coupling technology system of smart coal mine[J]. Journal of China Coal Society,2022,47(1):61-74. DOI: 10.13225/j.cnki.jccs.YG21.1860
[24]	马小平,胡延军,缪燕子. 物联网、大数据及云计算技术在煤矿安全生产中的应用研究[J]. 工矿自动化,2014,40(4):5-9. MA Xiaoping,HU Yanjun,MIAO Yanzi. Application research of technologies of Internet of things,big data and cloud computing in coal mine safety production[J]. Industry and Mine Automation,2014,40(4):5-9.
[25]	姜德义,魏立科,王翀,等. 智慧矿山边缘云协同计算技术架构与基础保障关键技术探讨[J]. 煤炭学报,2020,45(1):484-492. DOI: 10.13225/j.cnki.jccs.YG19.1371 JIANG Deyi,WEI Like,WANG Chong,et al. Discussion on the technology architecture and key basic support technology for intelligent mine edge-cloud collaborative computing[J]. Journal of China Coal Society,2020,45(1):484-492. DOI: 10.13225/j.cnki.jccs.YG19.1371
[26]	马小平,杨雪苗,胡延军,等. 人工智能技术在矿山智能化建设中的应用初探[J]. 工矿自动化,2020,46(5):8-14. DOI: 10.13272/j.issn.1671-251x.17593 MA Xiaoping,YANG Xuemiao,HU Yanjun,et al. Preliminary study on application of artificial intelligence technology in mine intelligent construction[J]. Industry and Mine Automation,2020,46(5):8-14. DOI: 10.13272/j.issn.1671-251x.17593
[27]	康迎春. 我国煤矿智能化建设存在的主要问题及对策分析[J]. 智能矿山,2022,3(5):11-17. KANG Yingchun. Analysis of the main problems and countermeasures in the intelligent construction of coal mines in China[J]. Journal of Intelligent Mine,2022,3(5):11-17.

施引文献(22)

期刊类型引用(11)

1.	李鹏，程晨，臧润泽. 基于UM-HE的火力发电厂继电器室巡检机器人视觉图像增强研究. 电力设备管理. 2025(01): 177-179 . 百度学术
2.	白宇宸，苗作华，徐厚友，王梦婷. 基于光照约束的煤矿井下低光照图像增强算法. 煤矿安全. 2025(03): 207-214 . 百度学术
3.	汪学明，刘峰. 基于RV1126的井下运输煤流感应传感器设计. 煤矿机电. 2025(01): 31-36 . 百度学术
4.	张旭辉，麻兵，杨文娟，董征，李语阳. 煤矿井下非均匀照度图像去噪研究. 工矿自动化. 2024(02): 1-8 . 本站查看
5.	段一凡，刘然，刘小杰，李欣，袁雪涛，吕庆. 图像识别技术在高炉风口识别与监测中的应用前景探索. 钢铁. 2024(05): 56-70 . 百度学术
6.	郭永辉. 煤矿井下图像增强算法研究. 矿山机械. 2024(06): 53-57 . 百度学术
7.	程子豪，裴玉瑶，周义祥，张文东，王常青，周璇，王艳玲，吴茜. 基于强度和图像梯度的瞳孔中心定位. 贵州大学学报(自然科学版). 2024(04): 64-69 . 百度学术
8.	马骞. 基于多模态特征的重载铁路钢轨损伤检测方法. 无损检测. 2024(09): 69-74 . 百度学术
9.	李谦一，张宏宇，房媛. 基于改进RRD-Net的低照度图像增强网络. 照明工程学报. 2024(05): 61-67 . 百度学术
10.	谷亚楠，李晴，刘晨晨，张富凯. 基于增强网格网络的井下尘雾图像清晰化算法. 工矿自动化. 2024(10): 120-127+159 . 本站查看
11.	王智军. 基于透射率约束的降质图像视觉效果增强处理方法. 传感器世界. 2024(12): 27-32 . 百度学术

其他类型引用(11)

资源附件(0)

图(9)

计量

文章访问数: 1169
HTML全文浏览量: 75
PDF下载量: 123
被引次数: 22

0. 引言
1. 矿井图像增强方法
1.1 颜色空间转换与Retinex分解
1.2 多尺度局部直方图均衡化
1.3 方向梯度增强
2. 实验与结果分析
2.1 主观评价
2.2 客观评价
3. 结论

新一代信息技术赋能煤矿装备数智化转型升级

作者简介: 金智新（1959—），男，辽宁锦州人，教授级高级工程师，中国工程院院士，博士，主要研究方向为煤炭智能开采技术与煤矿安全工程管理，E-mail：jinzhixin@tyut.edu.cn

通讯作者: 闫志蕊（1993—），女，山西吕梁人，博士研究生，主要研究方向为煤矿机电智能化控制技术，E-mail：mjlayue29@163.com

计量

出版历程