Overview of key technologies for mine-wide intelligent video analysis
-
摘要: 智能化是煤矿发展的方向，而智能视频分析是促进煤矿智能化的有效途径。全矿井智能视频分析技术具有实时监控、预警和决策支持能力，有助于提高矿山企业的安全性、生产效率、资源利用效率和环境可持续性。详细介绍了全矿井智能视频分析的关键技术，包括视频采集设备、视频预处理、视频压缩与编码等视频采集与处理技术，目标检测与跟踪、运动检测与分析、物体识别与分类等视频分析基础技术，行为识别与分析、事件检测与警报、视频监控与布防等高级视频分析技术。研发了集成视频识别分析和工业联动控制功能的矿山智脑AI视觉智能服务平台，介绍了智能视频分析技术在智能探放水系统和探放瓦斯系统、煤岩识别与截割系统、掘进工作面、综采工作面、煤流运输系统、矿井提升机系统、辅助运输系统、选煤厂、智能化装车配煤系统等矿井生产场景中的应用。分析指出目前全矿井智能视频分析技术在视频质量、复杂背景、实时性要求、数据隐私和安全、系统可靠性与稳定性等方面仍面临挑战。建议未来加强算法提升和优化、多模态数据融合、实时分析和边缘计算、强化学习和自主决策、数据隐私和安全保护、硬件设备和传感器技术等方面的研究，以全面推动全矿井智能视频分析技术的发展，促进矿山智能化进程。Abstract: Intelligence is the direction of coal mine development, and intelligent video analysis is an effective way to promote coal mine intelligence. The mine-wide intelligent video analysis technology has real-time monitoring, early warning, and decision support capabilities. It helps to improve the safety, production efficiency, resource utilization efficiency, and environmental sustainability of mining enterprises. The key technologies of mine-wide intelligent video analysis are introduced in detail, including video acquisition and processing technologies such as video acquisition equipment, video pre-processing, video compression and coding, basic video analysis technologies such as object detection and tracking, motion detection and analysis, object recognition and classification, and advanced video analysis technologies such as behaviour recognition and analysis, event detection and alarm, video monitoring and arming. A mining intelligent AI visual intelligence service platform that integrates video recognition analysis and industrial linkage control functions is developed. The paper introduces the application of intelligent video analysis technology in mining production scenarios such as intelligent water and gas exploration and discharge systems, coal rock recognition and cutting systems, heading working faces, fully mechanized working faces, coal flow transportation systems, mine hoist systems, auxiliary transportation systems, coal preparation plants, and intelligent loading and coal blending systems. The analysis points out that the current mine-wide intelligent video analysis technology still faces challenges in terms of video quality, complex backgrounds, real-time requirements, data privacy and security, system reliability and stability, etc. It is suggested to strengthen the research on algorithm improvement and optimization, multimodal data fusion, real-time analysis and edge computing, enhanced learning and independent decision-making, data privacy and security protection, hardware equipment and sensor technology in the future. Therefore, the development of mine-wide intelligent video analysis technology is comprehensively promoted and promote the process of mine intelligence is promoted.
-
0. 引言
地震、塌方、矿难等灾害会导致人员被困伤亡。灾后72 h是受困幸存者的黄金救援时间，但受困幸存者多被岩石、砖块等掩埋较深，且活动空间狭小，导致搜救人员难以准确、及时地对其展开救援，因此，对生命探测技术的研究意义重大[1]。生命探测方法众多，根据红外温度特征、声音探测等原理可设计生命探测装置，但大多存在探测精度低、穿透能力差、抗干扰能力弱等问题，无法达到预期目标。雷达生命探测技术具有穿透力强、定位迅速准确等特点，特别是UWB（Ultra Wide Band，超宽带）雷达生命探测技术具有功耗低、穿透性好、保密性高等优点，为生命探测技术的研究提供了新思路，对灾后快速展开人员搜救、提高生存率具有重大意义。
本文首先对UWB雷达生命探测技术的国内外研究现状进行总结，然后对该技术原理及其关键技术进行分析，最后对UWB雷达生命探测技术的未来发展趋势进行展望。
1. UWB雷达生命探测技术研究现状
1.1 国外研究现状
自1994年美国斯坦福尼亚大学将UWB雷达技术应用于生命探测领域以来，UWB雷达生命探测相关技术逐渐成为研究热点[2]。2000年，美国TDC公司成功研制了RV2000 UWB穿墙雷达[3]，可实时探测动目标，为灾后救援提供了新方法。
目前国际上已推入市场使用的部分雷达生命探测设备见表1。可看出目前已有设备的发射信号中心频率基本处于400 MHz，穿墙后的检测距离均为10 m左右，可基本完成生命探测功能，但分辨率、探测精度等与实际需求存在一定差距，穿墙后探测距离仍有待提高。
针对目前雷达生命探测设备存在的不足，研究人员进一步开展研究与改进工作，特别是2010年后，UWB雷达生命探测技术取得了长足进展。
表 1 部分雷达生命探测设备Table 1. Part of radar life detectors型号 产地 性能指标 Lifelocator 3+ 美国 频率范围100～700 MHz，探测角度±60°，可探测6 m内的呼吸活动及10 m内的移动目标 SRI UWB−SAR 美国 中心频率450 MHz，距离分辨率1 m，带宽250 MHz，最大探测距离25 m Xaver−400 以色列 频率范围3～10 GHz，检测张角80°，穿墙范围4，8，20 m，分辨率≤1 m，最大探测距离100 m Po−400 GPR− Detector 俄罗斯 中心频率400 MHz，穿墙后可检测7 m以外的移动人体，最大探测距离20 m GPR−Detector 英国 中心频率400 MHz，探测深度5 m，穿墙后可测20 m内移动目标，最大探测深度5 m LEADERSCAN 法国 中心频率400 MHz，穿墙后最大探测距离10 m，最大探测距离30 m 在整体探测系统研发方面，法国THALES集团成功研制了功耗低、穿墙检测距离达30 m的UWB雷达生命探测仪[4]，其可对多个目标进行定位及运动跟踪成像，对掩埋生命体救援十分有利。在信号发射/接收机方面，N. Hafner等[5]设计了一种脉宽可调的UWB单周期脉冲源，其最大带宽达3.8 GHz，发射信号穿透性更强，更符合UWB雷达生命探测要求，可有效提高生命探测仪的检测能力。在系统回波信号提取方面，F. M. Shikhsarmast等[6]提出了一种奇异值分解信号方法，该方法采用FFT（Fast Fourier Transform，快速傅里叶变换）和Hilbert−Huang变换提取生命体征，可在低信噪比情况下准确估计奇异参数，从而有效消除生命信号中的噪声。F. Soldovieri 等[7]提出了基于连续波UWB雷达在46 GHz左右检测生命体征的方法，并设计了2种数据处理方法，可有效提取被测人员的生命体征信号，促进了生命探测系统的发展。
1.2 国内研究现状
2001年，第四军医大学王健琪团队利用低功耗毫米波雷达成功研制了我国第1台生命探测仪[8]。该设备根据多普勒效应分解出较高质量的人体呼吸及心跳信号，在实验室阶段取得了成功。此后，国内众多学者针对生命探测技术的各个环节开展研究和应用。
目前，国内研发了一些UWB生命探测仪，如华诺星空系列的雷达生命探测仪。以DN−IV型生命探测仪（图1）为例，该仪器发射中心频率为400 MHz，与国际上类似产品指标相近，具有二维定位搜索功能，可穿透10 m的干扰墙进行搜救，基本满足各类生命搜救现场的救援辅助工作。但其具有一定的局限性，如分辨率为1 m，而在很多救援环境中被掩人员之间的距离远小于1 m，因此在实际使用中可能发生定位不准的问题。
针对检测设备专业性不强的问题，研究人员设计开发了专业化的UWB雷达生命探测仪，用于特定救援场景，如YSR25矿用防爆型雷达生命探测仪。该仪器模拟现场应用如图2所示。该设备较DN−IV型生命探测仪的探测精度有一定提升，分辨率最大可达0.5 m，但其穿透性有所下降，穿透距离仅为5 m，一般应用于矿井灾后救援。
![]()
图 2 YSR25矿用防爆型雷达生命探测仪模拟现场应用Figure 2. Simulated field application of YSR25 mine-used explosion-proof radar life detector与国外UWB雷达生命探测仪相比，我国UWB雷达生命探测仪虽能基本满足搜救要求，但仍存在探测深度不足、探测精度较低、续航能力较差的问题。针对上述问题，国内学者进一步开展了改进优化工作。为提高探测距离，王保生[9]对信号传递的信道模型进行分析，结合井下实际情况，建立了UWB井下复合衰减信道模型，提出利用矩阵束算法来获得矿井UWB多径衰落信道模型参数，具有功耗低、探测精度高等优点，但存在传输距离短、短时间无法商用等问题。为降低消防救援中火场人员搜救的危险性，提高救援成功率，陈绍黔等[10]研制了警用UWB雷达生命探测仪，可对建筑废墟、地震现场、火场等灾害现场进行快速有效的人员定位，对提高救援效率有积极作用。为提高雷达发射机信号的穿透力，李秀贵等[11]对脉冲发生器展开研究，改进了雪崩三极管型UWB脉冲发生器，形成皮秒级双极性脉冲，有效提高了频带宽度与发射信号穿透能力。胡巍[12]提出了基于连续小波变换与EMD（Empirical Mode Decomposition，经验模态分解）相结合的生命信号提取算法，并利用该算法搭建了相应的样机，经测试验证了该算法可提高生命信号提取能力。陈瑞鼎等[13]提出了一种基于卡尔曼滤波的移动目标信号分离方法，并对样机的处理器进行改进，测试结果表明，其可有效解决UWB回波信号穿墙后难以有效提取的问题，从而获取被掩生命体的生命特征。周小龙[14]提出了基于PCA（Principal Component Analysis，主成分分析）−DCT（Discrete Cosine Transformation，离散余弦变换）的无载波UWB雷达人体动作识别算法与二维VMD（Varational Mode Decomposition，变分模态分解）回波信号重构算法，有效提高了检测准确性与快速性。
虽然目前UWB雷达生命探测技术发展较快，取得了一定的应用成果，但在生命信号的处理上仍存在特征提取精度不足、探测深度有限、信号处理速度较慢等问题，成为学科研究热点。
2. UWB雷达生命探测原理
呼吸与心跳频率是生命体征最可靠的体现，UWB雷达生命探测技术通过快速提取分析回波信号中的信号特征，可高效辅助生命搜救工作的开展。根据发射信号形式，UWB雷达生命探测技术可分为连续波雷达生命探测和脉冲波雷达生命探测，二者对生命信号的探测原理不同，可根据具体情况选择应用。
2.1 连续波雷达生命探测技术
连续波雷达生命探测技术的发射信号一般为单频、多频或调制连续波信号，采用多普勒雷达，其探测原理为信号的多普勒效应，如图3所示。当采用连续波雷达生命探测技术进行生命搜救时，多普勒雷达信号发生系统向外发射满足要求的连续波。生命体存在生命信号时，胸腔因呼吸与心跳作用前后做周期性运动，连续波雷达信号遇到生命体胸腔后发生反射，信号被调制，使得回波信号中存在人体生命特征信号。回波信号经接收天线回到多普勒雷达信号发生系统。由于环境干扰等问题，回波信号中除生命信号外，也存在部分直流信号与干扰信号，采取I，Q 2路滤波器进行校正，利用频率特征对信号进行滤波，以去除噪声。之后对信号进行放大和AD转换，经处理器处理后进一步提取、分析人体生命信号，获取呼吸与心跳频率，最终将结果显示在人机显示模块。
连续波雷达生命探测技术具有雷达功耗低、射频电路结构简单、集成实现容易等特点，采用不同的发射波类型可满足不同场合的测距、测速等要求。但受限于发射信号形式，其极易受到其他静态与动态信号的干扰，从而降低检测精度，不宜用于高精度检测领域。另外，受制于连续波的形式，该技术的发射信号穿透力较弱，不适用于被掩生命体搜救工作，更适用于干扰较弱的日常或医疗领域非接触生命检测系统中[12]。
2.2 脉冲波雷达生命探测技术
脉冲波雷达的发射波为高频脉冲波，带宽可达GHz级别，使高精度探测微弱信号成为可能，有利于探测心跳、呼吸等生命信号。此外，因其高频特性，脉冲波雷达生命探测技术的穿透能力与抗干扰能力较连续波雷达生命探测技术明显提高，更符合搜救掩埋生命体要求。脉冲波雷达生命探测系统结构与连续波雷达生命探测系统类似，均包括信号发射、接收、处理、显示4个部分。但由于脉冲信号带宽很大，从频域角度对回波信号分析困难较大，所以连续波回波信号处理方法与脉冲波回波信号处理方法不通用。
脉冲波雷达生命探测技术原理如图4所示。雷达发射系统以周期T发射连续脉冲信号（常见为一阶高斯脉冲），当脉冲遇被测物体后产生回波，通过一段时延Δt被接收雷达接收，该时延受信号发射装置与被测物体之间距离的影响而不同。分析可知，任意时刻t下探测仪和被测物体间的距离d（t）基本由基础距离d0、心跳影响距离dh、呼吸影响距离dr组成，即
$$ d(t) \,=\, {d_0} + {d_{\rm{r}}} \,+\, {d_{\rm{h}}} \,=\, {d_0} \,+\, {A_{\rm{r}}}\sin\; (2\text{π} {f_{\rm{r}}}t) \,+\, {A_{\rm{h}}}\sin \;(2\text{π} {f_{\rm{h}}}t) $$ (1) 式中：Ar，Ah分别为人体胸腔因呼吸、心跳引起的幅度变化；fr为人体呼吸频率；fh为人体心跳频率。
由式（1）可知：若被测物体为静止状态，则Ar和Ah均为0，起作用的仅为基础距离d0，因此回波时延Δt为一固定数值；若被测物体为运动状态，则Ar和Ah均不为0，时延根据运动状态周期性变化。
非理想条件下，脉冲波回波信号为
$$ \begin{split} r =& {a_{\rm{v}}}\sum\limits_{i = 0}^{ + \infty } {s(t' - i{T} - {\tau_v })} + \sum\limits_{i = 0}^{ + \infty } {\sum\limits_{j = 1}^N {{a_j}s(t' - i{T} - {\tau_{ j}})} } + \\ & \sum\limits_{i = 0}^{ + \infty } {\sum\limits_{k = 1}^M {{b_k}} } s(t' - i{T} - {\tau _k}) + n \end{split} $$ (2) 式中：av 为微动目标的衰减系数；i为脉冲序号；s（·）为不同运动状态目标的回波信号函数；t' 为微动信号快时间；τv为微动信号慢时间；N 为除人体外动目标总数；aj 为第j个动目标回波的衰减系数；τj为第 j 个动目标回波的慢时间；M 为静目标总数；bk 为第 k 个静目标回波的衰减系数；τk 为第 k 个静目标回波的慢时间；n为高斯噪声。
式（2）中，第1项为人体微动信号的回波，第2项为动目标的回波，第3项为静目标的回波，第4项为高斯噪声。根据式（2）可知，回波信号为一串脉冲信号，所以通过对比连续不断接收到的回波脉冲所探测出的距离之间的相对差值，即可获得包含生命信息的回波信号。之后对信号进行去噪、分离、提取等操作，即可获得实际生命体状态信息。
与连续波雷达生命探测技术相比，脉冲波雷达生命探测技术对硬件要求低，有助于简化生命探测仪结构，实现系统微型化，且算法精准，可有效提高生命信号定位精度，更适合在抢险救灾等复杂环境中应用。
3. UWB雷达生命探测关键技术
3.1 探测信号发射技术
无论连续波雷达生命探测技术还是脉冲波雷达生命探测技术，合理选择载波信号的种类及信号产生技术十分关键。
连续波雷达生命探测信号一般为正弦信号，为准确进行生命体定位，大多选用调频连续波或步进频率的连续波作为发射波，一般均通过多普勒雷达发射模块产生。该模块结构如图5所示。振荡器起振后经定向耦合器、相位调整电路、幅值调整电路对原始信号进行整形与功率放大，生成预期信号波形，并通过发射天线发出进行生命探测。发射的关键技术在于波形整形与频率调整，其直接决定了发射信号的带宽与幅值。目前该技术相对成熟，基本可保证检测水平与效果。
脉冲波雷达生命探测信号为脉冲波，包括矩形脉冲、升余弦脉冲、高斯脉冲等。其中一阶高斯脉冲直流分量极其微弱，且基本保证能量无损，成为当前研究热点。脉冲波发射机可分为窄脉冲发生器、功率放大器、发射天线3个部分。窄脉冲发生器用于生成基本的高斯脉冲原始信号；功率放大器用于放大原始发射信号，使其符合实际的穿透特性与衰减要求；发射天线用于提高信号传播范围。
脉冲产生方式众多。早期有基于隧道二极管与基于俘越二极管等方法，但存在脉冲产生不稳定、需要较大的激励电压等问题，并不适用于现场生命搜救。目前，用于生命搜救场景的脉冲发生电路多采用雪崩三极管或阶跃恢复二极管（Step Recovery Diode，SRD），其具有高速、稳定、价格便宜等优点。
雪崩三极管脉冲发生电路利用雪崩三极管极易进入雪崩击穿区，从而诱发雪崩效应的特点产生信号脉冲。最常见的诱发雪崩效应的方法：① 在基极和发射极之间增加1个正向触发脉冲。② 当三极管处于雪崩区且集电极与发射极电压位于2个临界点之间时，立即增大基极与发射极之间的电压，使其超过临界电压[15]。为了提高脉冲带宽，饶俊峰等[16]采用二极管代替传统多管串联Marx电路的限流电阻，降低了雪崩三极管电路的能量损耗，提高了充电速度与重复效率；何兴坤等[17]提出了一种新型的基于雪崩三极管两级Marx脉冲产生电路，其具有波形完整无失真、电路结构简单且易调节、脉冲可达纳秒级的特点；M. Rongen等[18]对雪崩三极管的驱动电路进行了改进，通过控制偏置触发信号提高了脉冲发生的准确度和灵活性。
与雪崩三极管脉冲发生电路相比，SRD脉冲发生电路更易实现且稳定。SRD产生脉冲的原因是其在进行快速关断时释放能量，使得负载端产生陡前沿脉冲，其等效电路如图6所示。
为进一步提高SRD脉冲发生电路的发射信号带宽与稳定性，张岩松等[19]提出了一种基于MOS管和SRD的脉冲发生源，解决了脉冲源难以兼顾脉冲宽度与幅值的问题，使发射脉冲可达皮秒级；王蕾等[20]设计了基于双SRD的高幅度双极性窄脉冲发生电路，通过仿真获得了短脉冲前沿高幅度的脉冲信号；王亚杰等[21]利用类似SRD的漂移阶跃恢复二极管（Drift Step Recovery Diodes，DSRD）构建了新型脉冲发生器，并给出了电路中各参数的计算方法，实现了纳秒级的脉冲产生。
功率放大器是重要的发射信号处理单元。发射信号高频虽保证了穿透性，但同时也加快了信号衰减，所以对原始脉冲信号进行功率放大至关重要。UWB信号为功率放大带来了新的挑战，以典型的NVA6100芯片为例，其带宽可达9 GHz，现有的射频放大芯片很少能满足其信号放大需求。为解决这一问题，研发了射频毫米波放大法[22]、功率合成放大法[2]、智能算法功率放大法[23]等。上述方法在解决UWB信号功率放大问题方面各有优势，但大多处于理论研究阶段，实际应用不够充分。
目前用于UWB雷达生命探测的天线种类有对数周期天线、螺旋天线、渐变槽天线、蝶形天线、非共面扇形天线、双锥天线、锥形槽天线、陷波可重构天线、单极子天线等。针对生命探测仪发射信号带宽为固定区间的特点，单极子天线结构因其效果好、结构简单、成本较低，近年来受到了国内外学者的青睐。张彦婷等[24]针对0.54～10 GHz频段研制出一种新型UWB单极子天线并进行实验验证，结果表明该天线可较好地用于生命救援、探地、损伤检测等领域。郑艳[25]研制了一款基于CPW（Cost Per Wear，共面波导）馈电的UWB平面单极子天线，有效扩大了传统单极子天线的测量范围，更适用于生命搜救场景。P. P. Shome等[26]基于传统单极子天线引入可调的陷波功能，通过在开环槽间引入3个变容二极管实现电子控制，将其工作频带稳定在1.98～10.54 GHz，提高了天线应用的灵活性。
3.2 回波信号预处理技术
UWB雷达生命探测技术中的回波信号接收与预处理直接决定了后续能否提取出被测生命体的生命体征信息。受环境等外在因素的干扰，回波信号中除含有用信号外，还混杂了噪声，若直接对回波信号进行分解，计算量大且不易找到最优解，因此需对接收的回波信号进行预处理。
因发射信号不同，连续波雷达生命探测与脉冲波雷达生命探测的回波不同，回波信号预处理方法也不同。连续波雷达生命探测回波信号预处理技术较成熟。针对由10 Hz以内微弱呼吸与心跳信号组成的生命探测信号[27]，一般采用I，Q 2路信号校正，之后采用低通滤波器对校正信号进行初步滤波，完成信号预处理，如图3所示。
脉冲波雷达生命探测的发射波为脉冲波，回波预处理的目的是最大可能地降低环境杂波、静止物体、非人体生命体的信号干扰。脉冲波回波具有频带宽、频率高的特点，采用传统的低通滤波器处理效果不佳，大多采用VMD或VMD与其他智能算法结合的预处理方法。VMD通过将原始信号分解成多个模态函数，根据各模态函数的能量分布进行信号重构，从而抽离出有用信号，达到一定的滤波效果，凸显回波中生命信号的峰值特征。该算法简单快速，对非平稳、非线性信号有很好的处理效果，符合脉冲波雷达生命探测回波信号预处理要求。
VMD中分解参数与模态数的确定一直是研究重点。在参数优化方面，唐贵基等[28]采用粒子群优化算法对VMD最佳影响参数进行优化，设定了惩罚参数与分量个数，更有利于对给定信号的处理；刘长良等[29]采用改进奇异值分解算法提取VMD中各模态特征，并通过FCM（Fuzzy C-Means，模糊C均值）算法形成标准聚类中心，采用计算分类系数和平均模糊熵对分类性能进行评价，对雷达回波信号的处理具有一定的借鉴意义；A. Kumar等[30]突破性地提出了基于适应度函数的VMD参数优化方法，可快速利用遗传算法得到VMD最优参数；黄沁元等[31]提出了一种基于天牛须搜索的VMD参数优化方法，有效解决了VMD参数范围广及参数统一预设产生的问题。在模态数确定方面，Wang Ran等[32]提出了一种改进VMD方法，其可根据瞬态曲线自适应确定模态函数的频率平均值，进而确定模态数；康守强等[33]、马增强等[34]分别采用奇异值分解构建多特征集的方法和通过峭度准则选取其中峭度最大分量进行Teager能量算子解调方法解决VMD固定模态数的问题，均取得了较好效果。另外，研究人员将VMD与深层双向长短记忆神经网络[35]、蝗虫优化算法[36]、自适应算法[37]等进行融合，有效提高了信号分解性能。
VMD在理论上能较好地完成雷达探测回波信号预处理，但目前专门结合VMD对雷达探测回波处理的应用较为鲜见，仍有很大的研究空间。
3.3 生命信号提取与分析技术
UWB雷达生命探测的最终目的是获取被测生命体的生命体征信息。对于连续波雷达生命探测技术，回波经预处理后一般采用傅里叶变换即可获得所需信号。但对于脉冲波雷达生命探测技术，若直接对预处理后的回波信号进行分解很难获取生命信号，因此可将预处理后的回波信号由慢时间轴转换到快时间轴上进行分析，从而将获得的时间信号转变为距离信号，大大降低信号处理难度，提高信号提取的快速性与准确性。
针对脉冲波雷达生命探测的生命信号提取技术，Li Jing等[38]受连续波雷达探测信号处理方法的启发，提出了基于FFT和S变换的生命信号检测与识别方法，实现了生命体精准定位；戴舜等[39]提出了基于PCA−EMD的生命信号检测方法，根据生命信号与环境杂波的特征，较好地重构了平滑的生命特征曲线，并在高信噪比下将心跳与呼吸信号分离，有利于在实际救援中判断被测对象状态；Li Jing等[40]提出了基于HHT（Hilbert-Huang Transform，希尔伯特−黄变换）变换与2−D FFT的生命信号提取算法，并利用Curvelet变化消除环境干扰，实现了生命信号有效提取。
近年来，研究人员对基于EMD及其改进算法的生命信号分离与提取技术给予较大关注。王亮[41]针对心跳与呼吸信号频率相近、难以区分的问题，采用EEMD（Ensemble EMD，集合经验模态分解）重构回波信号，并进行自相关运算，得到了呼吸与心跳频谱，为提取生命信号提供了依据。唐良勇等[42]在EMD基础上为信号加窗，提出了WA−EMD（Window Average EMD，窗平均经验模态分解）算法，其较传统EMD算法具有更好的抗模态混叠和噪声性能。崔丽辉[43]在EEMD基础上引入BP神经网络，改善了重构信号的信噪比。在实际井下塌方救援中，利用EMD对回波信号进行处理可较好地重构目标生命体的呼吸与心跳波形[44]，具有较高应用价值。
此外，研究人员尝试利用参数估计算法[45]等智能算法提取脉冲波雷达探测回波中的生命信号特征，目前在实验室阶段取得了较好效果。
4. 展望
目前，UWB雷达生命探测技术在塌方、矿井爆炸、火灾等灾害救援领域得到广泛研究[46-47]，但大多处于实验室研究阶段，实际应用效果有待验证和提高。因此，对UWB雷达生命探测技术进行以下展望。
1） 生命探测仪收发机硬件性能继续突破，发射信号带宽进一步提升，射频功率放大技术继续优化，从而使发射信号的穿透力更强，提高穿墙探测距离。随着硬件技术进一步发展，生命探测仪逐步微型化，续航能力大幅提高，满足长时间搜救要求。
2） 目前UWB雷达生命探测的目标识别仍存在困难，如：回波中除噪声外，还存在大量电磁干扰和背景杂波，导致有效信息难以提取；现有分类识别算法的识别精度不理想。对此，需综合利用多种特征提取方法和智能模式分类方法，更好地实现信号识别。借助人工智能、大数据、云计算等新一代信息技术，提高生命微动信号的提取精确度和生命体征特征的区分度，为建立人体生命体征数据库提供技术支撑。
3） 探测结果维度进一步提高。研制基于 MIMO（Multiple-Input Multiple-Output，多输入多输出）雷达的人体目标辨识与定位装备，实现一维测距到三维定位的跨越，提高生命探测仪的抗干扰能力和在复杂环境下的适用性和实用性；研制高精度分布式组网全极化UWB雷达生命探测仪，实现同一区域多台雷达协同探测，提高探测精度和准确率。
【编者按】全矿井智能视频分析技术是保障我国煤矿智能化建设和煤炭工业高质量发展的核心技术支撑。在矿井受限空间中，巷道空间结构复杂、电磁环境干扰强、人造光源照明不均匀、采掘运工作面粉尘及水雾大等环境因素，导致图像的成像质量较差、场景的高清重建困难、目标检测与识别精度不高等问题，严重制约矿井AI视频识别系统的智能化、精准化应用。为推动人工智能和计算机视觉驱动的智能视频分析技术在煤矿安全生产中的应用，促进学术交流，《工矿自动化》编辑部特邀中国矿业大学程德强教授为客座主编，中国矿业大学陈伟教授、煤炭科学技术研究院有限公司孟庆勇研究员为客座副主编，于2023年第11期策划出版“全矿井智能视频分析技术”专刊。在专刊出版之际，衷心感谢各位专家学者为专刊撰稿！感谢中国矿业大学、中国矿业大学（北京）、西安科技大学、中煤科工集团常州研究院有限公司、煤炭科学技术研究院有限公司等单位给予专刊组织过程中的大力支持！ -
![]()
图 1 矿山智脑AI视觉智能服务平台
Figure 1. Intelligent service platform based on AI video of mine smart brain
![]()
图 4 钻场智能管理子系统识别界面
Figure 4. Recognition interface of intelligent drilling field management subsystem
![]()
图 6 综采工作面作业安全监测与预警界面
Figure 6. Safety monitoring and pre-alarming interface of fully mechanized working face
![]()
图 7 煤流运输系统异常检测与预测维护界面
Figure 7. Abnormal detection and predictive maintenance interface of coal transport system
![]()
图 10 设备状态监测和故障诊断界面
Figure 10. Interface of device status monitoring and fault diagnosis
-
[1] 王国法,杜毅博. 智慧煤矿与智能化开采技术的发展方向[J]. 煤炭科学技术,2019,47(1):1-10. WANG Guofa,DU Yibo. Development direction of intelligent coal mine and intelligent mining technology[J]. Coal Science and Technology,2019,47(1):1-10.
[2] 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.
[3] 刘峰,曹文君,张建明,等. 我国煤炭工业科技创新进展及“十四五”发展方向[J]. 煤炭学报,2021,46(1):1-15. LIU Feng,CAO Wenjun,ZHANG Jianming,et al. Current technological innovation and development direction of the 14(th) Five-Year Plan period in China coal industry[J]. Journal of China Coal Society,2021,46(1):1-15.
[4] LALATENDU M,DEVI P M,PRASANTA K J. Application of wireless sensor network for environmental monitoring in underground coal mines:A systematic review[J]. Journal of Network and Computer Applications,2018,106:48-67. DOI: 10.1016/j.jnca.2017.12.022
[5] 刘峰,曹文君,张建明. 持续创新70年硕果丰盈——煤炭工业70年科技创新综述[J]. 中国煤炭,2019,45(9):5-12. LIU Feng,CAO Wenjun,ZHANG Jianming. 70 years of continuous innovation and fruitfulness-an overview of 70 years of scientific and technological innovation in the coal industry[J]. Journal of China Coal,2019,45(9):5-12.
[6] 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. 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.
[7] 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. 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.
[8] YAO Haifei,WANG Haiyan,LI Yanchuan,et al. Three-dimensional spatial and temporal distributions of dust in roadway tunneling[J]. International Journal of Mining Science and Technology,2020,7(1):88-96.
[9] LECCA M. STAR:a segmentation-based approximation of point-based sampling milano retinex for color image enhancement[J]. IEEE Transactions on Image Processing,2018,27(12):5802-5812. DOI: 10.1109/TIP.2018.2858541
[10] 蔡文郁,张美燕,吴岩,等. 基于循环生成对抗网络的超分辨率重建算法研究[J]. 电子与信息学报,2022,44(1):178-186. CAI Wenyu,ZHANG Meiyan,WU Yan,et al. Research on cyclic generation countermeasure network based super-resolution image reconstruction algorithm[J]. Journal of Electronics & Information Technology,2022,44(1):178-186.
[11] WANG Jinbao,LU Ke,XUE Jian,et al. Single image dehazing based on the physical model and MSRCR algorithm[J]. IEEE Transactions on Circuits and Systems for Video Technology,2018,28(9):2190-2199. DOI: 10.1109/TCSVT.2017.2728822
[12] 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 Retinex fusion algorithm in HSV space[J]. Journal of China Coal Society,2020,45(S1):532-540.
[13] JIANG He,YANG Jie. In-place similarity and its applications in image and video detail enhancement[J]. Electronics Letters,2016,52(12):1022-1024. DOI: 10.1049/el.2015.3876
[14] 张谢华,张申,方帅,等. 煤矿智能视频监控中雾尘图像的清晰化研究[J]. 煤炭学报,2014,39(1):198-204. ZHANG Xiehua,ZHANG Shen,FANG Shuai,et al. Clearing research on fog and dust images in coalmine intelligent video surveillance[J]. Journal of China Coal Society,2014,39(1):198-204.
[15] 应东杰,李文节. 煤矿监控图像增强算法的分析与实现[J]. 工矿自动化,2012,38(8):55-58. YING Dongjie,LI Wenjie. Analysis of enhancement algorithms of coal mine monitoring image and its realization[J]. Industry and Mine Automation,2012,38(8):55-58.
[16] 程德强,郑珍,姜海龙. 一种煤矿井下图像增强算法[J]. 工矿自动化,2015,41(12):31-34. CHENG Deqiang,ZHENG Zhen,JIANG Hailong. An image enhancement algorithm for coal mine underground[J]. Industry and Mine Automation,2015,41(12):31-34.
[17] 范伟强,刘毅. 基于自适应小波变换的煤矿降质图像模糊增强算法[J]. 煤炭学报,2020,45(12):4248-4260. FAN Weiqiang,LIU Yi. Fuzzy enhancement algorithm of coal mine degradation image based on adaptive wavelet transform[J]. Journal of China Coal Society,2020,45(12):4248-4260.
[18] 唐守锋,史可,仝光明,等. 一种矿井低照度图像增强算法[J]. 工矿自动化,2021,47(10):32-36. TANG Shoufeng,SHI Ke,TONG Guangming,et al. A mine low illumination image enhancement algorithm[J]. Industry and Mine Automation,2021,47(10):32-36.
[19] JIANG He,ASAD M,HUANG Xiaolin,et al. Learning in-place residual homogeneity for single image detail enhancement[J]. Journal of Electronic Imaging,2020,29:16-41.
[20] DU Yuxin,TONG Minming,ZHOU Lingling,et al. Edge detection based on Retinex theory and wavelet multiscale product for mine images[J]. Applied Optics,2016,55:9625-9637. DOI: 10.1364/AO.55.009625
[21] WANG Lingfeng,XIANG Shiming,MENG Gaofeng,et al. Edge-directed single-image super-resolution via adaptive gradient magnitude self-interpolation[J]. IEEE Transactions on Circuits and Systems for Video Technology,2013,23(8):1289-1299. DOI: 10.1109/TCSVT.2013.2240915
[22] 汪海涛,于文洁,张光磊. 基于在线多字典学习的矿井图像超分辨率重建方法[J]. 工矿自动化,2020,46(9):74-78. WANG Haitao,YU Wenjie,ZHANG Guanglei. Super-resolution reconstruction method of mine image based on online multi-dictionary learning[J]. Industry and Mine Automation,2020,46(9):74-78.
[23] 程德强,于文洁,郭昕,等. 自适应的图像在线字典学习超分辨率重建算法[J]. 激光与光电子学进展,2020,57(6):302-312. CHENG Deqiang,YU Wenjie,GUO Xin,et al. Super-resolution reconstruction algorithm based on adaptive image online dictionary learning[J]. Laser & Optoelectronics Progress,2020,57(6):302-312.
[24] CAI Huangkai,JIANG He,HUANG Xiaolin,et al. Violence detection based on spatio-temporal feature and fisher vector[C]. Chinese Conference on Pattern Recognition and Computer Vision,Guangzhou,2018:180-190.
[25] REN Chao,HE Xiaohai,TENG Qizhi,et al. Single image super-resolution using local geometric duality and non-local similarity[J]. IEEE Transactions on Image Processing,2016,25(5):2168-2183. DOI: 10.1109/TIP.2016.2542442
[26] JIANG He,ZHAI Guangtao,CAI Huangkai,et al. Scalable motion analysis based surveillance video de-noising[C]. IEEE International Conference on Multimedia & Expo Workshops,San Diego,2018:1-6.
[27] GAO Rui,CHENG Deqiang,YAO Jie,et al. Low-rank representation-based image super-resolution reconstruction with edge-preserving[J]. KSII Transaction on Internet and Information Systems,2020,14(9):3745-3761.
[28] JIANG He,CONG Zaichen,GAO Zhiyong,et al. Image super-resolution with facet improvement and detail enhancement based on local self examples[C]. International Conference on Wireless Communications and Signal Processing,Hangzhou,2013:1-6.
[29] JIANG He,YANG Jie. Optimized image up-scaling from learning selective similarity[C]. International Conference on Neural Information Processing,Guangzhou,2017:467-475.
[30] 程德强,陈亮亮,蔡迎春,等. 边缘融合的多字典超分辨率图像重建算法[J]. 煤炭学报,2018,43(7):2084-2090. CHENG Deqiang,CHEN Liangliang,CAI Yingchun,et al. Image super-resolution reconstruction based on multi-dictionary and edge fusion[J]. Journal of China Coal Society,2018,43(7):2084-2090.
[31] CHEN Liangliang,KOU Qiqi,CHENG Deqiang,et al. Content-guided deep residual network for single image super-resolution[J]. Optik,2020,202. DOI: 10.1016/j.ijleo.2019.163678.
[32] 贾克斌,崔腾鹤,刘鹏宇,等. 基于深层特征学习的高效率视频编码中帧内快速预测算法[J]. 电子与信息学报,2021,43(7):2023-2031. JIA Kebin,CUI Tenghe,LIU Pengyu,et al. Fast prediction algorithm in high efficiency video coding intra-mode based on deep feature learning[J]. Journal of Electronics & Information Technology,2021,43(7):2023-2031.
[33] XU Guoping,LIAO Wentao,ZHANG Xuan,et al. Haar wavelet downsampling:a simple but effective downsampling module for semantic segmentation[J]. Pattern Recognition,2023,143. DOI: 10.1016/j.patcog.2023.109819.
[34] 文学志,方巍,郑钰辉. 一种基于类Haar特征和改进AdaBoost分类器的车辆识别算法[J]. 电子学报,2011,39(5):1121-1126. WEN Xuezhi,FANG Wei,ZHENG Yuhui. An algorithm based on Haar-like features and improved AdaBoost classifier for vehicle recognition[J]. Acta Electronica Sinica,2011,39(5):1121-1126.
[35] 黄威铭,吴焯标,陶铭. 基于HOG和SVM的嵌入式行人检测与追踪系统设计与实现[J]. 物联网技术,2023,13(8):29-32. HUANG Weiming,WU Zhuobiao,TAO Ming. Design and implementation of an embedded pedestrian detection and tracking system based on HOG and SVM[J]. Internet of Things Technologies,2023,13(8):29-32.
[36] 华同兴,邢存恩,赵亮. 基于Faster R−CNN的煤岩识别与煤层定位测量[J]. 矿山机械,2019,47(8):4-9. HUA Tongxing,XING Cun'en,ZHAO Liang. Recognition of coal rock and positioning measurement of coal seam based on Faster R-CNN[J]. Mining & Processing Equipment,2019,47(8):4-9.
[37] REN Shaoqing,HE Kaiming,GIRSHICK R,et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6). DOI: 10.1109/TPAMI.2016.2577031.
[38] BOCHKOVSKIY A,WANG C Y,LIAO H Y M . YOLOv4:optimal speed and accuracy of object detection[Z]. DOI: 10.48550/arXiv.2004.10934.
[39] 郭永存,杨豚,王爽. 基于改进YOLOv4–Tiny的矿井电机车多目标实时检测[J]. 工程科学与技术,2023,55(5):232-241. GUO Yongcun,YANG Tun,WANG Shuang. Multi-object real-time detection of mine electric locomotive based on improved YOLOv4-Tiny[J]. Advanced Engineering Sciences,2023,55(5):232-241.
[40] LIU Wei,ANGUELOV D,ERHAN D,et al. SSD:single shot multiBox detector[C]. European Conference on Computer Vision,Amsterdam,2016:21-37.
[41] 葛淑伟,张永茜,秦嘉欣,等. 基于优化SSD−MobileNetV2的煤矿井下锚孔检测方法[J]. 采矿与岩层控制工程学报,2023,5(2):66-74. GE Shuwei,ZHANG Yongqian,QIN Jiaxin,et al. Rock bolt borehole detection method for underground coal mines based on optimized SSD-MobileNetV2[J]. Journal of Mining and Strata Control Engineering,2023,5(2):66-74.
[42] 张玉涛,张梦凡,史学强,等. 基于深度学习的井下运动目标跟踪算法研究[J]. 煤炭工程,2022,54(10):151-155. ZHANG Yutao,ZHANG Mengfan,SHI Xueqiang,et al. Object tracking algorithm of moving objects in underground mine based on deep learning[J]. Coal Engineering,2022,54(10):151-155.
[43] 程德强,王雨晨,寇旗旗,等. 基于改进深度残差网络的矿井图像分类[J]. 计算机应用研究,2021,38(5):1576-1580. CHENG Deqiang,WANG Yuchen,KOU Qiqi,et al. Classification of mine images based on improved deep residual network[J]. Application Research of Computers,2021,38(5):1576-1580.
[44] 邵小强,李鑫,杨涛,等. 改进YOLOv5s和DeepSORT的井下人员检测及跟踪算法[J/OL]. 煤炭科学技术:1-12 [2023-08-31]. https://doi.org/10.13199/j.cnki.cst.2022-1933. SHAO Xiaoqiang,LI Xin,YANG Tao,et al. Improving underground personnel eetection and tracking algorithms for YOLOv5s and DeepSORT [J/OL]. Coal Science and Technology:1-12 [2023-08-31]. https://doi.org/10.13199/j.cnki.cst.2022-1933.
[45] JACQUES G,NOURELDIN A,MAHMOUD E,et al. Wellbore surveying while drilling based on Kalman filtering[J]. American Journal of Engineering and Applied Sciences,2010,3(2):240-259. DOI: 10.3844/ajeassp.2010.240.259
[46] 崔丽珍,张清宇,郭倩倩,等. 基于CNN−LSTM的井下人员行为模式识别模型[J]. 无线电工程,2023,53(6):1375-1381. CUI Lizhen,ZHANG Qingyu,GUO Qianqian,et al. Underground personnel behavior pattern recognition model based on CNN-LSTM[J]. Radio Engineering,2023,53(6):1375-1381.
[47] 李尧,桂方俊. 基于EfficientNet和LSTM的井下设备定位技术[J]. 信息记录材料,2023,24(5):121-123,126. LI Yao,GUI Fangjun. Underground equipment positioning technology based on EfficientNet and LSTM[J]. Information Recording Materials,2023,24(5):121-123,126.
[48] 党伟超,张泽杰,白尚旺,等. 基于改进双流法的井下配电室巡检行为识别[J]. 工矿自动化,2020,46(4):75-80. DANG Weichao,ZHANG Zejie,BAI Shangwang,et al. Inspection behavior recognition of underground power distribution room based on improved two-stream CNN method[J]. Industry and Mine Automation,2020,46(4):75-80.
[49] 程德强,刘洁,郭政. 基于分层光流的煤矿井下运动目标跟踪算法[J]. 工矿自动化,2015,41(3):75-79. CHENG Deqiang,LIU Jie,GUO Zheng. An algorithm for moving targets tracking in coal mine underground based on layered optical flow[J]. Industry and Mine Automation,2015,41(3):75-79.
[50] YE Xuehong,XIAO Qingwei. Research on target tracking in coal mine based on optical flow method[C]. International Conference on Graphic and Image Processing,Suzhou,2015:1-6.
[51] 刘江,郭荣春,王燕妮. 基于卡尔曼滤波的高斯混合模型目标检测算法[J]. 探测与控制学报,2022,44(2):79-84. LIU Jiang,GUO Rongchun,WANG Yanni. A gaussian mixture Kalman filter algorithm of target detection[J]. Journal of Detection & Control,2022,44(2):79-84.
[52] 张小艳,郭海涛. 基于改进混合高斯模型的井下目标检测算法[J]. 工矿自动化,2021,47(4):67-72. ZHANG Xiaoyan,GUO Haitao. Underground target detection algorithm based on improved Gaussian mixture model[J]. Industry and Mine Automation,2021,47(4):67-72.
[53] 刘伟,郝晓丽,吕进来. 自适应混合高斯建模的高效运动目标检测[J]. 中国图象图形学报,2020,25(1):113-125. LIU Wei,HAO Xiaoli,LYU Jinlai. Efficient moving targets detection based on adaptive Gaussian mixture modelling[J]. Journal of Image and Graphics,2020,25(1):113-125.
[54] 申柯,陈熙. 增强型局部二值模式及其图像纹理特征提取[J]. 计算机仿真,2023,40(6):260-267,326. SHEN Ke,CHEN Xi. Enhanced local binary pattern and its image texture feature extraction[J]. Computer Simulation,2023,40(6):260-267,326.
[55] JIANG He,GAO Zhiyong,ZHANG Xiaoyun. Image super resolution based on local self examples with nonlocal constraints and enhancement with 2-order holomorphic complete differential kernel[C]. International Conference on Audio,Language and Image Processing,Shanghai,2014:759-764.
[56] 程德强,张皓翔,江曼,等. 融合主曲率与颜色信息的彩色图像检索算法[J]. 计算机辅助设计与图形学学报,2021,33(2):223-231. CHENG Deqiang,ZHANG Haoxiang,JIANG Man,et al. Color image retrieval method fusing principal curvature and color information[J]. Journal of Computer-Aided Design & Computer Graphics,2021,33(2):223-231.
[57] ZHANG Haoxiang,JINAG Man,KOU Qiqi. Color image retrieval algorithm fusing color and principal curvatures information[J]. IEEE Access,2020(8):184945-184954.
[58] 江曼,张皓翔,程德强,等. 融合HSV与方向梯度特征的多尺度图像检索[J]. 光电工程,2021,48(11):64-76. JIANG Man,ZHANG Haoxiang,CHENG Deqiang,et al. Multi-scale image retrieval based on HSV and directional gradient features[J]. Opto-Electronic Engineering,2021,48(11):64-76.
[59] 寇旗旗,程德强,于文洁,等. 一种基于颜色和纹理信息的运动目标识别装置及方法:CN110232703A[P]. 2019-09-13. KOU Qiqi,CHENG Deqiang,YU Wenjie,et al. A moving target recognition device and method based on color and texture information:CN110232703A[P]. 2019-09-13.
[60] XUE Yuting,BAHRAMI D,ZHOU Lihong. Identifying the location and size of an underground mine fire with simulated ventilation data and random forest model[J]. Mining,Metallurgy & Exploration,2023,40(4):1399-1407.
[61] 万航. 煤矿井下视频监控异常行为识别算法的研究[D]. 太原:太原科技大学,2013. WAN Hang. Research on abnormal behavior recognition algorithm for video surveillance in coal mines [D]. Taiyuan:Taiyuan University of Science and Technology,2013.
[62] 李占利,权锦成,靳红梅. 基于3D−Attention与多尺度的矿井人员行为识别算法[J]. 国外电子测量技术,2023,42(7):95-104. LI Zhanli,QUAN Jincheng,JIN Hongmei. Mine personnel behavior recognition algorithm based on 3D-Attention and multi-scale[J]. Foreign Electronic Measurement Technology,2023,42(7):95-104.
[63] 游青山,冉霞. 基于机器视觉的矿井作业人员行为监测及违章识别系统[J]. 自动化与信息工程,2021,42(4):20-24. YOU Qingshan,RAN Xia. Behavior monitoring and violation recognition system of mine operators based on machine vision[J]. Automation & Information Engineering,2021,42(4):20-24.
[64] 张立亚. 基于动目标特征提取的矿井目标监测[J]. 煤炭学报,2017,42(增刊2):603-610. ZHANG Liya. Mine target monitoring based on dynamic target feature extraction[J]. Journal of China Coal Society,2017,42(S2):603-610.
[65] 崔丽珍,吴迪,赫佳星,等. 基于改进粒子滤波的井下跟踪算法研究与实现[J]. 计算机应用研究,2017,34(5):1476-1479. CUI Lizhen,WU Di,HE Jiaxing,et al. Research and implementation on underground tracking algorithm based on improved particle filter[J]. Application Research of Computers,2017,34(5):1476-1479.
[66] 张瑞,李其申,储珺. 基于3D卷积神经网络的人体动作识别算法[J]. 计算机工程,2019,45(1):259-263. ZHANG Rui,LI Qishen,CHU Jun. Human action recognition algorithm based on 3D convolution neural network[J]. Computer Engineering,2019,45(1):259-263.
[67] 魏英姿,曹振林. 安防视频行人异常徘徊提示的决策树方法[J]. 物联网技术,2023,13(6):28-32. WEI Yingzi,CAO Zhenlin. Decision tree method for warning pedestrian abnormal wandering in security video[J]. Internet of Things Technology,2023,13(6):28-32.
[68] 刘西想. 基于机器视觉的矿井下异常行为识别研究[D]. 徐州:中国矿业大学,2021. LIU Xixiang. Research on recognition of abnormal behavior in underground mine based on machine vision[D]. Xuzhou:China University of Mining and Technology,2021.
[69] 姜珊. 基于深度学习的行为异常检测[J]. 信息技术与信息化,2021(2):216-217. JIANG Shan. Behavioral anomaly detection based on deep learning[J]. Information Technology and Informatization,2021(2):216-217.
[70] 程德强,徐进洋,寇旗旗,等. 融合残差信息轻量级网络的运煤皮带异物分类[J]. 煤炭学报,2022,47(3):1361-1369. CHENG Deqiang,XU Jinyang,KOU Qiqi,et al. Lightweight network based on residual information for foreign body classification on coal conveyor belt[J]. Journal of China Coal Society,2022,47(3):1361-1369.
[71] 黄瀚,程小舟,云霄,等. 基于DA−GCN的煤矿人员行为识别方法[J]. 工矿自动化,2021,47(4):62-66. HUANG Han,CHENG Xiaozhou,YUN Xiao,et al. DA-GCN-based coal mine personnel action recognition method[J]. Industry and Mine Automation,2021,47(4):62-66.
[72] ASAD M,JIANG He,YANG Jie,et al. Multi-level two-stream fusion-based spatio-temporal attention model for violence detection and localization[J]. International Journal of Pattern Recognition and Artificial Intelligence,2022,36(1). DOI:10.1142/ S0218001422550023.
[73] ASAD M J,JIANG He,YANG Jie,et al. Multi-stream 3D latent feature clustering for abnormality detection in videos[J]. Applied Intelligence,2021,52:1126-1143.
[74] 王伟峰,张宝宝,王志强,等. 基于YOLOv5的矿井火灾视频图像智能识别方法[J]. 工矿自动化,2021,47(9):53-57. WANG Weifeng,ZHANG Baobao,WANG Zhiqiang,et al. Intelligent identification method of mine fire video images based on YOLOv5[J]. Industry and Mine Automation,2021,47(9):53-57.
[75] YANG Jianping,PENG Jianlin,LI Yida,et al. Gangue localization and volume measurement based on adaptive deep feature fusion and surface curvature filter[J]. IEEE Transactions on Instrumentation and Measurement,2021,70:1-13.
[76] 许鹏. 基于边缘计算的煤矿井下皮带异物检测关键技术研究[D]. 徐州:中国矿业大学,2021. XU Peng. Study on the key technology of foreign object detection of coal mine belt based on edge computing[D]. Xuzhou:China University of Mining and Technology,2021.
[77] 胡璟皓. 基于深度学习的带式输送机非煤异物视频检测系统[D]. 太原:太原理工大学,2021. HU Jinghao. Video monitoring system for non-coal foreign matter of belt conveyor based on deep learning[D]. Taiyuan:Taiyuan University of Technology,2021.
[78] 程德强,郭昕,陈亮亮,等. 多通道递归残差网络的图像超分辨率重建[J]. 中国图象图形学报,2021,26(3):605-618. CHENG Deqiang,GUO Xin,CHEN Liangliang,et al. Image super-resolution reconstruction from multi-channel recursive residual network[J]. Journal of Image and Graphics,2021,26(3):605-618.
[79] 郝帅,张旭,马旭,等. 基于CBAM−YOLOv5的煤矿输送带异物检测[J]. 煤炭学报,2022,47(11):4147-4156. HAO Shuai,ZHANG Xu,MA Xu,et al. Foreign object detection in coal mine conveyor belt based on CBAM-YOLOv5[J]. Journal of China Coal Society,2022,47(11):4147-4156.
[80] 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.
[81] 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.
[82] 屈世甲,武福生. 基于边缘计算的采煤工作面甲烷监测模式研究[J]. 煤炭科学技术,2020,48(12):161-167. QU Shijia,WU Fusheng. Research on methane monitoring mode of coal mining face based on edge computing[J]. Coal Science and Technology,2020,48(12):161-167.
[83] HESCOCK J,NEWMAN C,AGIOUTANTIS Z. Development of a new algorithm for implementing the edge effect offset for subsidence calculations[J]. International Journal of Mining Science and Technology,2018,28(1):61-66. DOI: 10.1016/j.ijmst.2017.11.010
[84] 朱晓娟,张浩. 智慧煤矿中边缘计算任务分配研究[J]. 工矿自动化,2021,47(6):32-39. ZHU Xiaojuan,ZHANG Hao. Research on task allocation of edge computing in intelligent coal mine[J]. Industry and Mine Automation,2021,47(6):32-39.
[85] 李敬兆,秦晓伟,汪磊. 基于边云协同框架的煤矿井下实时视频处理系统[J]. 工矿自动化,2021,47(12):1-7. LI Jingzhao,QIN Xiaowei,WANG Lei. Real-time video processing system in coal mine based on edge-cloud collaborative framework[J]. Industry and Mine Automation,2021,47(12):1-7.
[86] 屈世甲,武福生,贺耀宜. 边缘计算模式在煤矿监测监控体系中的应用[J]. 煤炭科学技术,2021,50(5):1-8. QU Shijia,WU Fusheng,HE Yaoyi. Application of edge computing mode in coal mine monitoring and control system[J]. Coal Science and Technology,2021,50(5):1-8.
[87] 牟琦,韩嘉嘉,张寒,等. 基于云边协同的煤矿井下尺度自适应目标跟踪方法[J]. 工矿自动化,2023,49(4):50-61. MU Qi,HAN Jiajia,ZHANG Han,et al. A scale-adaptive target tracking method for coal mine underground based on cloud-edge collaboration[J]. Journal of Mine Automation,2023,49(4):50-61.
[88] 程德强,钱建生,郭星歌,等. 煤矿安全生产视频AI识别关键技术研究综述[J]. 煤炭科学技术,2023,51(2):349-365. CHENG Deqiang,QIAN Jiansheng,GUO Xingge,et al. Review on key technologies of AI recognition for videos in coal mine[J]. Coal Science and Technology,2023,51(2):349-365.
-
期刊类型引用(7)
1. 郑学召，丁文，黄渊，蔡国斌，马扬，刘盛铠，周博. 不同领域下超宽带雷达探测呼吸心跳信号研究综述. 雷达学报(中英文). 2025(01): 204-228 . 
百度学术
2. 刘浩，罗雷，石福丽，李文博. 面向地震灾害的智能无人救援装备研究现状及发展趋势. 包装工程. 2025(08): 15-26+45 . 百度学术
3. 郑学召，马佳文，黄渊，李强，任婧，刘钰. 面向矿山救援的UWB雷达人员定位研究现状及展望. 工矿自动化. 2025(04): 9-18 . 本站查看
4. 袁东锋，冀永华. UWB雷达在灾害救援中的应用与发展趋势. 陕西煤炭. 2025(05): 167-170 . 百度学术
5. 李宁. 雷达生命探测技术在消防救援中的应用分析. 湖北应急管理. 2024(01): 56-58 . 百度学术
6. 张新朝. 具有多频极点特征的高频雷达目标识别算法研究. 舰船科学技术. 2024(10): 178-181 . 百度学术
7. 陈曦，文虎，黄渊. 面向矿山钻孔救援的超宽带雷达生命探测仪研制及性能测试. 煤矿安全. 2024(11): 234-240 . 百度学术
其他类型引用(2)
下载:
计量
- 文章访问数: 2068
- HTML全文浏览量: 123
- PDF下载量: 329
- 被引次数: 9
