Intelligent identification method for mine car load in coal mine auxiliary shaft
-
摘要: 基于卷积神经网络实现煤矿副井矿车装载物自动分类在实际应用中因触发条件简易导致误判与漏判情况，且非矿车物体经过检测区域时会引起司控道岔误动作。针对该问题，提出了基于目标检测模型的煤矿副井矿车装载物智能识别方法。在煤矿副井井口安装工业相机采集矿车装载物图像并进行人工标注，构建矿车识别数据集，对Faster R−CNN，YOLOv4，SSD 3种目标检测模型的识别准确率与实时性进行评估，根据评估结果，得出YOLOv4模型更适用于矿车装载物识别任务的结论；为降低模型大小，提高识别速度，对YOLOv4模型进行改进，采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53，构建MobileNetv3−YOLOv4模型，测试结果表明MobileNetv3−YOLOv4模型的平均精度均值（mAP）为95.03%，识别速度为44 帧/s，较YOLOv4模型分别提高了0.77%，27 帧/s；为方便现场应用和部署，提高矿车装载物识别模型在嵌入式平台上的性能，提出了基于层间融合和模型量化的模型加速方法，并将加速前后的MobileNetv3−YOLOv4模型移植到Jetson TX2进行矿车装载物识别现场试验，结果表明识别速度由MobileNetv3−YOLOv4模型加速前的18.3 帧/s提升至35.42 帧/s，mAP为94.68%，满足现场实时、精确检测需求，且仅在矿车经过检测区域时启动检测任务，避免了因其他物体引起的司控道岔误动作现象。Abstract: The automatic classification of mine car load based on convolution neural network in coal mine auxiliary shaft is realized in practical application. The misdetection and false alarm are caused by simple trigger conditions. Non-mine car objects passing through the detection area can cause the misoperation of driver controlled switch. In order to solve this problem, an intelligent identification method for mine car load in coal mine auxiliary shaft based on target detection model is proposed. An industrial camera is installed at the wellhead of a coal mine auxiliary shaft to collect the images of mine car load and the images are manually labeled so as to construct a mine car identification data set. And the identification accuracy and the real-time performance of three target detection models, namely Faster R-CNN, YOLOv4 and SSD are evaluated. According to the evaluation results, it is concluded that the YOLOv4 model is more suitable for the identification task of mine car load. In order to reduce the model size and improve the identification speed, the YOLOv4 model is improved. The lightweight network MobileNet is used to replace the original backbone characteristic extraction network CSPDarknet53. So the MobileNetv3-YOLOv4 model is constructed. The test results show that the mean average precision(mAP) of the MobileNetv3-YOLOv4 model is 95.03%, and the identification speed is 44 frames/s, which is 0.77% and 27 frames/s higher than that of the YOLOv4 model respectively. In order to facilitate field application and deployment and improve the performance of the mine car load identification model on the embedded platform, a model acceleration method based on inter-layer fusion and model quantization is proposed. The MobileNetv3-YOLOv4 model before and after the acceleration is transplanted to Jetson TX2 for field test of mine car load identification. The results show that the identification speed is increased from 18.3 frames/s before the acceleration of the MobileNetv3-YOLOv4 model to 35.42 frames/s, and the mAP is 94.68%, which meets the real-time and precise detection requirements in the field. And the detection task is only started when the mine car passes the detection area, which avoids the misoperation of driver controlled switch caused by other objects.
-
0. 引言
“加快新一代信息技术与煤炭产业深度融合，推进煤炭产业高端化、智能化、绿色化转型升级，实现煤炭开采利用方式的变革，提升煤矿智能化和安全水平，促进煤炭行业高质量发展”是加速推进煤矿智能化建设、早日实现智慧矿山的总体指导思想[1-2]。当前矿山网络中软硬件设备种类繁多、制式复杂，不仅包含光纤、铜缆、串行总线、工业以太网等有线网络，还包括蜂窝、WiFi、蓝牙、ZigBee等无线网络，资源共享率低，升级改造困难，且很多井下垂直新业务需求因上下行传输带宽受限、服务总时延过长而无法得到满足。
近年来，5G技术[3-5]与工业互联网、矿山网络等的深度融合为解决上述问题提供了思路，在矿山旧设备升级改造、垂直新业务部署等方面均有成功应用案例。而多接入边缘计算（ Multi-access Edge Computing，MEC）[6]作为5G核心技术之一，在其中发挥了重要作用，引起学术界和产业界的广泛关注。实际上，MEC早于5G技术诞生，其核心思想是在靠近业务终端的网络边缘位置实现计算、存储、决策、反馈等原来需要远端核心网或云端实现的功能，可极大地降低业务双向时延，且能大大分流并节省承载网及核心网的带宽流量。MEC是5G最重要的原生关键特征之一，成为5G赋能矿山行业的重要抓手，是最终实现少人/无人智慧矿山愿景不可或缺的重要支撑技术。在未来阶段（Beyond−5G，6G），MEC与移动通信技术的发展既各自独立进化，又互相影响制约。本文以MEC技术为主线，分析其在智慧矿山中应用的必要性，对智慧矿山中计算节点分布情况进行建模，并基于建模结果提出针对智慧矿山的MEC部署模型。
1. MEC技术背景
MEC最早起源于分布式计算和处理技术，雾计算、内容分发网络（ Content Delivery Network，CDN）等已包含了边缘计算思想，即将复杂任务直接分配给物理上距离最终用户很近位置的计算节点，而不是由远端云计算中心来分发、计算和处理。2014年，欧洲电信标准化协会（European Telecommunications Standards Institute，ETSI）规范定义了移动通信领域的边缘计算概念−移动边缘计算，特指移动通信领域的分布式云计算。2017年，ETSI把WiFi、有线等多种接入方式纳入进来，由原来只面向移动通信的单一模式扩充到多接入复合模式。现在由第三代合作伙伴计划（ 3rd Generation Partnership Project，3GPP）和ETSI共同对MEC规范进行定义和维护，3GPP主要定义MEC在5G系统内部的实现及其与5G核心网的交互，ETSI则负责定义MEC的架构、业务流程等。具有MEC功能的网络节点对外提供计算、存储和网络资源服务，MEC功能可抽象为基于底层虚拟化设备的若干功能实体的集合，各功能实体可根据实际情况布置在不同网络节点和硬件设备上。矿山行业的特性决定了矿山网络通常采用独立性和私密性极强且与外界完全隔离的行业专网，MEC可部署在专网中距离最终用户非常近的网络节点中。
2. MEC在智慧矿山应用的必要性
智慧矿山业务种类繁多。针对视频监控类业务（如4K/8K实时监控），如果能在井下靠近高清摄像头或传感器位置部署MEC节点，由5G核心网下沉网元−用户面功能(User Plane Function，UPF)先对用户数据进行分流和卸载，然后在MEC节点处配合模式识别、机器学习算法，则可对需继续上传至核心网和云端的高清视频进行去雾、去噪、压缩处理，从而极大地节省承载网上行带宽资源，同时可对危险操作（如井下矿工不带安全帽等）提供第一时间的反馈。针对井下应急救援、矿车自动驾驶、自动导引运输车辆（Automated Guided Vehicle，AGV）及各类井下机器人[7]等时延敏感类业务，引入MEC能够显著降低业务时延，减轻承载网压力，极大提升终端用户业务体验。针对连接类业务，在井下布置引入人工智能（ Artificial Intelligence，AI）算法的MEC节点，可结合本地数据挖掘算法，第一时间对井下各种传感器获取的大量数据进行分析、反馈，有选择地把有价值信息进行卸载和上传，极大地减轻网络传输压力。MEC支持蓝牙、ZigBee、LoRa、Mesh、可见光通信（ Light Fidelity，LiFi）、WiFi系列（ WiFi6[8]及早期WiFi协议）、蜂窝移动系列(2G/3G/4G/5G)、RS485串行总线及CAN总线、工业以太网、漏泄电缆、透地通信等协议。目前来看，MEC是基于现有井下多种协议和设备提供融合管控的唯一选择，也是为用户提供端到端、无差别高质量服务的最佳解决方案。
3. 基于业务需求的矿山网络计算树
3.1 计算树定义及演进
为实现矿山从机械化、自动化、智能化直至少人/无人开采的愿景，需要不断增强网络的计算能力、存储能力、实时反馈处理能力。为了更深入地揭示MEC技术在矿山网络的应用规律与发展路线，参考MEC中关于计算能力的表述，将矿山网络中具有特定分析、判断、计算、存储能力的网络节点定义为计算节点，由全部计算节点及节点间连接线路构成的逻辑结构称为基于业务需求的矿山网络计算树。计算树中各节点根据业务需求可部署于地面，也可部署在井下。参考移动通信技术在矿山网络中的应用程度，并结合智慧矿山发展规律，将矿山网络计算树演进大致划分为3个阶段，如图1所示，其中环形图标代表计算节点，圆形图标代表无计算能力的纯业务节点。
3个阶段划分大体上可参照5G及其相关技术是否在井下大规模应用为判断标志。当前矿山网络以3G、4G、早期WiFi系列技术为主，用户面和数据面控制全部位于地面核心网，所有井下信令和数据都要上传到位于地面的计算树根节点（计算节点）进行分析处理，井下各叶子节点(纯业务节点)没有计算能力且不做任何计算相关操作。此时处于计算树发展的第1阶段，也可称之为Pre−5G阶段。
第2阶段标志特征是井下部署了具备边缘计算能力的节点(如5G系列的MEC服务器)作为计算树第2层分支节点。该模式可将叶子节点上传数据先由下沉到井下的核心网元(如5G UPF)进行分流，部分能够在本地处理的数据直接由第2层计算节点来反馈处理，仍需上传的数据再卸载上传给根节点。该阶段的标志性技术主要包括核心网元UPF下沉、网络切片[9-10]、WiFi6、全光纤环网、IP无线接入网（IP Radio Access Network，IP−RAN）、虚拟现实/增强现实（ Virtual Reality/Augmented Reality, VR/AR）等，与5G(SA)阶段紧密对应，也可称之为5G阶段。
第3阶段相对前2个阶段最大的不同是井下叶子节点具备了相当的实时处理和计算能力，可更迅速地处理信息和数据。另外，叶子节点之间及分支节点之间可进行实时任务交换和负载分担(图1中虚线)，如设备到设备(Device to Device，D2D)直连、协同作业。核心网部分具有分流功能的网元将继续下沉到叶子节点位置，云−边−端各部分能力得以最大程度的释放。该阶段标志性技术主要包括太赫兹通信、非正交多址接入(Non Othogonal Multiple Access，NOMA)、智慧计算与传输、分布式核心网、基于章鱼仿生的计算协作处理、混合现实/扩展现实（Mixed Reality/Extended Reality，MR/XR)、数字孪生[11]等，可称之为Beyond−5G(6G)阶段。
3.2 各阶段业务特性
根据矿山网络计算树演进各阶段特征分析，对各阶段业务特性进行对比，结果见表1。
表 1 3个阶段业务特性对比Table 1. Comparison of system characteristics in three stages特性 第1阶段 第2阶段 第3阶段 负载均衡性 差 中 好 业务移动性 差 中 好 数据安全性 中 好 好 可扩展性 差 好 好 一体化特性 差 差 中 （1） 负载均衡性。第1阶段：计算和处理任务全部集中在计算树根节点，叶子节点只负责对获取数据进行转发，是一种集中式计算模式，根节点处容易产生瓶颈效应，负载均衡性很差。第2阶段：由于计算树第2层分支节点具备了一定的计算能力，在很大程度上分担了原来只属于根节点的计算任务，减轻了主干线路的传输负载，提升了整体负载均衡性。第3阶段：随着叶子节点计算能力及各节点之间协作能力的增强，计算任务按需分配到各层级不同闲置节点，充分发挥全部节点最大潜能。根节点通常只保留基本控制功能，真正实现了去中心化的分布式、下沉式计算模式。
（2） 业务移动性。矿山网络一般是由单一电信运营商（ 如中国电信、中国联通、中国移动）和设备提供商（ 如华为、中兴）为煤矿量身定制的园区专网，可实现数据内部隔离，不涉及跨运营商的业务切换问题。本文中业务移动性是指终端设备跨井下不同无线基站、WiFi−AP、MEC/UPF服务器的业务连续性。第2阶段引入WiFi6技术，5G微基站的覆盖率得以提高，且第3阶段引入太赫兹通信、NOMA、超大规模阵列天线等技术，井下终端的业务连续性及切换性能逐步增强。
（3） 数据安全性。所有阶段专网内的数据都不出专网。从第2阶段开始，大量的数据流量在分支节点处直接分流和处理，缩短了数据传播路径，数据存储位置下沉至更深层次节点，最大程度地减少数据遭受泄露和外部攻击的可能。另外，随着终端计算能力的增强，一些叶子节点具备一定的自愈能力，可在紧急情况下自动备份和恢复数据。因此，业务数据安全性是逐阶段提高的。
（4） 可扩展性。在第1阶段，控制面与数据面没有彻底分离，在物理上都集中在地面根节点位置。在第2阶段，核心网数据面部分功能下沉至分支节点，为第3阶段引入时间敏感型网络(Time Sensitive Network, TSN)、确定性网络（Deterministic Networking，DetNet）等基于更多时分技术的确定性服务预留了接口。在第3阶段，进一步在MEC中融入AI技术，从而提供更多的确定性服务和更高服务质量（ Quality of Service，QoS）。另外，从第2阶段开始引入网络切片功能，能够实现差异化的定制网络，通过不同网域协同及感知，保障确定性需求业务的端到端性能；第2，3阶段能够在第2层分支节点甚至叶子节点处（第3阶段）提供面向垂直化差异性业务需求的深度可编程接口，为网络端到端确定性业务可控和升级提供了极大的扩展空间。
（5） 一体化特性。随着AI功能的引入和节点计算、存储能力的不断提升，计算树各层级负载更加均衡、反馈更加迅速、协作不断加强、分工更加合理，各阶段一体化特性逐渐增强。考虑到当前井下各种软硬件设备、协议并存，系统升级过程中还要兼顾成本回收等多重要素，虽然第2，3阶段分支节点和叶子节点计算能力都有不同程度的提升，但距离井下嵌入式平台统一化、各种软硬件设备接口完全标准化的目标还任重道远。
4. 基于计算树的智慧矿山网络MEC部署模型
矿山高安全、高带宽、低时延、数据不出园区等特殊行业属性，决定了矿山网络多采用同外界完全隔离的行业专网。矿山专网具有独立的核心网、承载网和接入网。核心网通常位于地面，承载和接入部分目前多采用3G/4G/5G、窄带物联网（ Narrow Band Internet of Things, NB−IoT）、RS485、CAN、工业以太网等技术。在5G专网中，除认证管理功能（Authentication Management Function，AMF）、会话管理功能( Session Management Function, SMF)等核心网主要网元会保留在地面，部分网元( UPF)会通过N4接口下沉到井下作为锚点配合MEC发挥作用[12-14]。就目前技术发展状况来看，构建高可靠的“井下一张网”是大势所趋，5G和光纤结合是未来至少10 a内智慧矿山发展的基石[15]。结合计算树演进技术特征，本文提出一种智慧矿山网络MEC部署模型，如图2所示。节点图标左侧框内数字代表该节点对应计算树中节点级别：0代表0级节点，即根节点；1代表1级分支节点，距离根节点逻辑距离为1跳；2代表2级分支节点，距离根节点逻辑距离为2跳。需要注意的是，这里的数字只代表该节点在计算树中相对根节点的层级，具有相同数字标号的节点可部署于地面，也可部署于井下。
2级分支节点可对应地面/井下具备相当计算、存储能力的终端设备，如无人矿卡[16]、井下机器人、AGV、综采设备、高清摄像头等。节点MEC功能应能够根据具体情况灵活开关，如在节点本身电量不太充足且需完成更紧急任务的情况下，MEC功能可即时关闭。不同2级分支节点之间可通过无线蓝牙、ZigBee、射频识别（Radio Frequency Identification，RFID）等D2D方式进行直连协作计算，实现负载均衡。可根据井下实际环境状况，设置1个兼具UPF分流功能的特殊2级分支节点。该节点配置相对较高、独立供电，可通过有线方式连接到井下基站，能够完成较复杂的计算处理操作。以上操作的目的是将MEC功能最大可能地扩展到距离业务终端更近的设备上，最大限度地减小业务双向传输时延，加快反应速度。
1级分支节点一般由配置更高、性能更加稳定的独立MEC服务器担任，支持有线固定连接、独立供电，能够提供与节点计算能力、存储能力、网络通信能力相匹配的边缘计算能力。其作用是接收由2级分支节点卸载转发过来的复杂计算和数据处理任务。如果需继续上传，则1级分支节点会将数据经承载网上传至地面计算树根节点（0级节点），由其完成最终的复杂任务计算或指令反馈。
具有超强计算和存储能力的0级节点、除下沉UPF网元外其他核心网网元全都部署于地面，是整个矿山网络控制中心，功能包括分配具体业务对应的MEC归属节点、协调三级节点的任务卸载和资源管理策略、整合网络切片及子切片的订阅使用、对端到端业务连续性进行编排和管理等。
从图2可看出，智慧矿山井下骨干传输设备由多个IP−RAN节点交换机和柔性抗灾光缆连接构成电信级万兆IP−RAN工业环网，配以具备物理通道隔离的网络切片技术，完成对井下不同有线（工业以太网、RS485、CAN总线等）、无线（3G/4G/5G、NB−IoT等）通信协议的传输和接入覆盖，实现集井下通信、物资管理、安全监测、集中控制、智能生产于一身的“井下一张网”。无线接入设备中的移动基站特指遵循3GPP协议族的固定接入设备（如多模4G/5G/NB−IOT 基站），WiFi6−AP特指遵循IEEE802.11.ax协议族的固定接入设备，1级分支节点和2级分支节点均可通过有线/无线方式接入传输网。在实际部署过程中，节点功能可根据地面/井下实际情况按需取舍、灵活调配，模型适用于智慧矿山建设的各个阶段。这种深度为2的三级扁平化结构既实现了算力的最大化下沉，又能根据任务实况动态卸载和上传指令和数据，可在兼顾计算树各部分负载均衡的同时，根据各级节点计算、存储能力和业务需求动态决定实施何种卸载策略，完成卸载算法动态匹配、任务协同。具有UPF功能的不同计算节点之间可通过3GPP定义的N9接口实现协作，高级别节点向低级别节点分配和卸载任务（如1级分支节点到０级节点）通过N4接口完成。
5. 结论
（1） 作为赋能智慧矿山的锚点，MEC是一种与移动通信技术并行的计算技术。通过分析和探讨MEC技术起源、发展及其在智慧矿山中应用的必要性，认为MEC是当前矿山设备升级改造、异构多类型设备接入、垂直差异化需求满足等问题的最佳解决方案。
（2） 对矿山网络计算能力进行建模，得到了基于矿山业务需求驱动的矿山网络计算树模型及其3个发展阶段：Pre−5G、5G、Beyond−5G（6G），梳理了各阶段主要特征和标志性技术，对比分析了各阶段业务特性，指出矿山网络的负载均衡性、业务移动性、数据安全性、可扩展性、一体化特性等在第1阶段中最差，除一体化特性外，其他业务特性在第2阶段均有所提升，大部分业务特性在第3阶段都能实现最优解决方案，但距离实现硬件设备真正通用、接口完全标准化的目标还有差距。
（3） 针对矿山网络特点，提出了一种基于计算树的智慧矿山网络MEC部署模型，设计了各计算节点功能及工作流程，为MEC技术落地实施及现有矿山网络升级改造提供了参考依据。
-
![]()
图 3 神经网络模型层间横向融合过程
Figure 3. Horizontal interlamination fusion process of neural network model
![]()
图 4 CSPDarknet53第1种残差块层间融合过程
Figure 4. Interlamination fusion process of the first residual block in CSPDarknet53
![]()
图 5 矿车装载物智能识别现场试验平台
Figure 5. Field test platform for intelligent identification of mine car load
![]()
图 6 矿车装载物智能识别现场试验结果
Figure 6. Field test results of intelligent identification of mine car load
表 1 3种目标检测模型训练结果对比
Table 1 Comparison of training results of three target detection models
指标 Faster R−CNN YOLOv4 SSD epoch 100 97 49 训练集损失函数值 0.092 1 0.724 0.925 验证集损失函数值 0.144 8 0.807 0.989 
下载: 导出CSV
表 2 3种目标检测模型检测性能对比
Table 2 Comparison of detection performance of three target detection models
指标 Faster R−CNN YOLOv4 SSD mAP/% 96.61 94.26 81.92 识别速度/（帧·s−1） 6 17 24
下载: 导出CSV
表 3 YOLOv4模型优化前后检测性能对比
Table 3 Comparison of detection performance of YOLOv4 model before and after optimization
指标 YOLOv4 MobileNetv1−
YOLOv4MobileNetv2−
YOLOv4MobileNetv3−
YOLOv4mAP/% 94.26 93.26 92.19 95.03 识别速度/
（帧·s−1）17 39 47 44
下载: 导出CSV
表 4 目标检测模型加速前后对比
Table 4 Comparison of target detection models before and after acceleration
指标 Faster R−CNN YOLOv4 SSD MobileNetv3−
YOLOv4mAP/% 加速前 96.61 94.26 81.92 95.03 加速后 95.83 93.52 79.23 94.68 识别速度/
（帧·s−1）加速前 6 17 24 44 加速后 14 43 51 76
下载: 导出CSV
表 5 Jetson TX2上MobileNetv3−YOLOv4模型检测性能
Table 5 Detection performance of MobileNetv3-YOLOv4 model on Jetson TX2
指标 MobileNetv3−YOLOv4 加速后的
MobileNetv3−YOLOv4mAP/% 95.03 94.68 识别速度/（帧·s−1） 18.3 35.42
下载: 导出CSV
-
[1] 韩安,陈晓晶,贺耀宜,等. 智能矿山综合管控平台建设构思[J]. 工矿自动化,2021,47(8):7-14. HAN An,CHEN Xiaojing,HE Yaoyi,et al. Construction conception of intelligent mine integrated management and control platform[J]. Industry and Mine Automation,2021,47(8):7-14.
[2] 王国法,任怀伟,赵国瑞,等. 煤矿智能化十大“痛点”解析及对策[J]. 工矿自动化,2021,47(6):1-11. WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Analysis and countermeasures of ten 'pain points' of intelligent coal mine[J]. Industry and Mine Automation,2021,47(6):1-11.
[3] 李慧. 副井井口自动化运输系统研究[J]. 工矿自动化,2021,47(6):124-127,132. LI Hui. Research on automatic transport system in auxilary shaft pithead[J]. Industry and Mine Automation,2021,47(6):124-127,132.
[4] 宋庆军, 姜海燕, 王忠勇, 等. 一种矿车运输智能煤矸识别及分运装置: CN201610922689.2[P]. 2019-08-13. SONG Qingjun, JIANG Haiyan, WANG Zhongyong, et al. An intelligent coal gangue identification and separation device for mine car transportation: CN201610922689.2[P]. 2019-08-13.
[5] 袁源,汪嘉文,朱德昇,等. 顶煤放落过程煤矸声信号特征提取与分类方法[J]. 矿业科学学报,2021,6(6):711-720. YUAN Yuan,WANG Jiawen,ZHU Desheng,et al. Feature extraction and classification method of coal gangue acoustic signal during top coal caving[J]. Journal of Mining Science and Technology,2021,6(6):711-720.
[6] 饶中钰,吴景涛,李明. 煤矸石图像分类方法[J]. 工矿自动化,2020,46(3):69-73. RAO Zhongyu,WU Jingtao,LI Ming. Coal-gangue image classification method[J]. Industry and Mine Automation,2020,46(3):69-73.
[7] KIDO S, HIRANO Y, HASHIMOTO N. Detection and classification of lung abnormalities by use of convolutional neural network（ CNN） and regions with CNN features （R-CNN）[C]//International Workshop on Advanced Image Technology, Chiang Mai, 2018: 1-4.
[8] 刘彪, 郭翔, 张帆, 等. 基于卷积神经网络的煤矿副井矿车装载物自动分类系统[C]//第32届中国控制与决策会议论文集, 合肥, 2020: 580-585. LIU Biao, GUO Xiang, ZHANG Fan, et al. Automatic classification system of auxiliary mine car load based on convolutional neural network[C]//Proceedings of the 32nd Chinese Control and Decision Conference, Hefei, 2020: 580-585.
[9] ROH M C, LEE J Y. Refining faster-RCNN for accurate object detection[C]//The 15th International Conference on Machine Vision Applications, Nagoya, 2017: 514-517.
[10] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: optimal speed and accuracy of object detection[Z/OL]. arvPrint, arXiv: 2004.10934. https://arxiv.org/abs/2004.10934.
[11] 张帆,栾佳星,崔东林,等. 基于SSD−LeNet的矿井移动目标检测与识别方法[J]. 矿业科学学报,2021,6(1):100-108. ZHANG Fan,LUAN Jiaxing,CUI Donglin,et al. SSD-LeNet based method of mine moving target detection and recognition[J]. Journal of Mining Science and Technology,2021,6(1):100-108.
[12] PANG Shanchen,WANG Shuo,RODRIGUEZ-PATON A,et al. An artificial intelligent diagnostic system on mobile Android terminals for cholelithiasis by lightweight convolutional neural network[J]. PLoS One,2019,14(9):e0221720. DOI: 10.1371/journal.pone.0221720
[13] 陈智超,焦海宁,杨杰,等. 基于改进MobileNet v2的垃圾图像分类算法[J]. 浙江大学学报(工学版),2021,55(8):1490-1499. CHEN Zhichao,JIAO Haining,YANG Jie,et al. Garbage image classification algorithm based on improved MobileNet v2[J]. Journal of Zhejiang University(Engineering Science),2021,55(8):1490-1499.
[14] 邵伟平,王兴,曹昭睿,等. 基于MobileNet与YOLOv3的轻量化卷积神经网络设计[J]. 计算机应用,2020,40(增刊1):8-13. SHAO Weiping,WANG Xing,CAO Zhaorui,et al. Design of lightweight convolutional neural network based on MobileNet and YOLOv3[J]. Journal of Computer Applications,2020,40(S1):8-13.
[15] MA C,MU X,SHA D. Multi-Layers feature fusion of convolutional neural network for scene classification of remote sensing[J]. IEEE Access,2019,7:121685-121694. DOI: 10.1109/ACCESS.2019.2936215
[16] BAO Jian, ZHOU Bin. Optimization of neural network with fixed-point weights and touch-screen calibration[C]//The 4th IEEE Conference on Industrial Electronics and Applications, Xi'an, 2009: 3704-3708.
-
期刊类型引用(5)
1. 杨豚，郭永存，王爽，马鑫. 煤矿井下无人驾驶轨道电机车障碍物识别. 浙江大学学报(工学版). 2024(01): 29-39 . 
百度学术
2. 于海龙. 基于NSGA—Ⅱ的矿车复合制动多目标优化控制分析. 工矿自动化. 2024(S1): 156-160 . 本站查看
3. 陈忠训，黄松，左泉，王明全，刘永强. 矿车装车智能视觉检测与装载优化控制系统开发. 现代制造技术与装备. 2024(06): 122-124 . 百度学术
4. 陈小霞，李锁弟，朱良恺，张东伟，王祁峰. 基于机器视觉的煤炭运输列车车厢状态智能检测方法. 自动化应用. 2024(15): 62-66+69 . 百度学术
5. 王雷，贾思学. 煤矿环形车场智能化无人值守技术研究. 中国新技术新产品. 2023(18): 5-8 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 338
- HTML全文浏览量: 207
- PDF下载量: 52
- 被引次数: 6
