基于栅格法的井工矿多激光雷达障碍物检测

任明阳, 杨会龙, 李健, 孙涛, 白双军, 王连发, 贺广文

任明阳,杨会龙,李健,等. 基于栅格法的井工矿多激光雷达障碍物检测[J]. 工矿自动化,2025,51(5):8-14, 22. DOI: 10.13272/j.issn.1671-251x.2024080060
引用本文: 任明阳,杨会龙,李健,等. 基于栅格法的井工矿多激光雷达障碍物检测[J]. 工矿自动化,2025,51(5):8-14, 22. DOI: 10.13272/j.issn.1671-251x.2024080060
REN Mingyang, YANG Huilong, LI Jian, et al. Obstacle detection in underground mines using multiple LiDARs based on grid method[J]. Journal of Mine Automation,2025,51(5):8-14, 22. DOI: 10.13272/j.issn.1671-251x.2024080060
Citation: REN Mingyang, YANG Huilong, LI Jian, et al. Obstacle detection in underground mines using multiple LiDARs based on grid method[J]. Journal of Mine Automation,2025,51(5):8-14, 22. DOI: 10.13272/j.issn.1671-251x.2024080060

基于栅格法的井工矿多激光雷达障碍物检测

基金项目: 

国家自然科学基金资助项目(61972038)。

详细信息
    作者简介:

    任明阳(1995—),男,河南周口人,硕士,现主要从事无人驾驶车辆环境感知方面的工作,E-mail:18829040656@163.com

  • 中图分类号: TD67

Obstacle detection in underground mines using multiple LiDARs based on grid method

  • 摘要:

    针对井工矿障碍物检测中因高程结构点云过滤困难和地面分割精度不足导致的误识别与漏识别问题,提出了一种基于栅格法的井工矿多激光雷达障碍物检测方法。首先,采用条件滤波进行点云的裁剪和去噪,将条件滤波后的多激光雷达点云数据进行融合,再进行体素降采样,完成点云预处理。其次,将预处理后的点云投影到二维栅格,依据栅格与车体的距离划分远近距离栅格,并分别计算各栅格的巷道地面高度和顶部高度特征,更新车体附近栅格和每行栅格特征,基于点云分布和前后行栅格的连续性,采用由近到远、逐行更新的策略进行全局栅格特征更新,实现对巷道地面和顶部特征的精准计算。最后,基于栅格特征进行地面分割,从非地面点云中过滤掉高程结构点云,再对剩余点云进行欧氏聚类,从中检测出障碍物。井下测试结果表明:该方法可有效过滤上下坡及点云稀疏工况中的高程结构点云;对信号箱、锥形桶、低矮支架和车辆等低矮目标检测的准确率分别为92.3%,90.9%,96.5%和100%;在不同工况巷道中,有效减少了误识别和漏识别,具有较高的障碍物检测准确率。

    Abstract:

    To address the issues of false and missed detections in obstacle detection within underground mines caused by difficulties in filtering elevated structural point clouds and insufficient ground segmentation accuracy, a multi-LiDAR obstacle detection method based on grid method for underground mines was proposed. Firstly, conditional filtering was employed to crop and denoise the point clouds. The point cloud data from multiple LiDARs, after conditional filtering, were fused and subsequently downsampled through voxelization to accomplish point cloud preprocessing. Secondly, the preprocessed point clouds were projected onto a two-dimensional grid, which was divided into near and far regions based on the distance to the vehicle. The tunnel ground and ceiling heights for each grid were then calculated separately, and the features of nearby grids and row-wise grids were updated. Based on the point cloud distribution and inter-row grid continuity, a strategy of updating the global grid characteristics was implemented from near to far and row by row, enabling precise estimation of tunnel ground and ceiling characteristics. Finally, ground segmentation was performed based on the grid features, elevated structural point clouds were filtered out from the non-ground point clouds, and Euclidean clustering was applied to the remaining point clouds to detect obstacles. Field test results demonstrated that the proposed method could effectively filter out elevated structural point clouds in uphill/downhill and sparse point cloud conditions. Detection accuracies for low-profile targets, including signal boxes, traffic cones, low supports, and vehicles reached 92.3%, 90.9%, 96.5%, and 100%, respectively. Across various tunnel conditions, the approach significantly reduces false and missed detections, achieving high obstacle detection accuracy.

  • 我国华北区域煤炭开发的石炭系煤层正逐渐走向深部,由此煤层开发所面临的奥灰岩溶水威胁变得尤为突出[1]。采用长定向钻孔工艺对导、含水层进行超前区域注浆改造与加固是华北型煤田煤层底板岩溶水害防治的主要技术手段[2-3]

    煤矿注浆工程中,由于工艺和材料等因素可能造成注浆孔间盲区问题,所以有必要对注浆效果进行检测,以便发现盲区,消除隐患。目前针对注浆效果检测的手段还很有限,注浆检测技术理论也不成熟,注浆改造加固效果也没有一个明确的标准,如何对注浆效果进行正确有效的评价,成为煤矿注浆工程结束后亟需解决的难题[4]

    目前,针对注浆效果检测的方法主要有钻孔法、物探法等[5]。钻孔法方面:薛翊国等[6]采用钻孔取心、压水试验分析及注浆前后岩心力学实验分析进行注浆检测,取得了一定效果;刘世奇等[7]采用钻孔超声波检测注浆前后岩性岩体力学性质变化规律,通过弹性模量评价注浆效果。钻孔法直接高效,但造价较高,且由于地层存在不均匀性和各向异性会导致浆液扩散方向和范围具有不确定性,易导致安全隐患。物探法方面:李雁等[8]对破裂煤样注浆前后的裂隙结构进行了CT扫描;刘鑫明等[9]、刘恋等[10]在地面采用高密度电法检测浅层采空区注浆效果;齐飞等[11]、常青等[12]采用瞬变电磁法对注浆区域效果进行了检测;柴敬等[13]以温度为监测参量,引入光纤传感技术对被注介质内部浆液扩散范围和状态进行了监测;湛铠瑜等[14-16]采用动水注浆扩散、裂隙动水注浆模型对浆液扩散范围进行了试验,浆液扩散受水流流速、裂隙开度、注浆压力和浆液黏度的影响。物探法可探测浆液在钻孔周围的扩散范围,但由于工艺所限仅在注浆前后采集数据,定性地分析注浆效果,缺少对注浆全过程的跟踪动态监测,未得到注浆全过程的地层电性数据,很难对注浆效果进行准确评价。

    电阻率对化学浆液的运动具有很好的“可视化”再现和指示浆液渗流位置功能[17],在煤矿井下注浆层位全过程动态监测地层电阻率,是准确判断浆液扩散范围、评价导水断裂带注浆效果的关键。本文引入孔间电阻率监测系统对注浆改造岩层的电阻率变化特征进行全过程监测,以实现浆液扩散范围的精准探测。利用定向钻孔内布置的电阻率监测系统[18],采用孔间电阻率监测技术,获取注浆全过程注浆层位电阻率的监测数据,然后采用三维电阻率反演对监测数据进行处理解释,得到注浆层位岩性电阻率变化规律,从而推测浆液扩散范围。

    目前,煤矿工作面电阻率监测系统[19-20]被广泛应用于煤层底板采动破坏及导水通道发育过程的动态监测,该系统结构如图1所示。将电极及线缆埋入综采工作面两侧的巷道,监测主机置于2条巷道开口处,采用光端机将监测主机通过网络连接至井上控制服务器,在井上服务器通过采集操控软件对井下监测分站进行控制并采集数据,数据传输至井上服务器后由数据处理软件自动实现反演成像,采集系统的数据库与处理软件自动交互,传输与处理过程不需要人工干预,从而实现井下系统的无人化数据采集及数据初步分析。系统最大发射电压为105 V,最大发射电流为60 mA,发射频率为1~128 Hz,最小信号分辨率为5 μV,记录的工作参数为发射电流和接收电压信号。数据处理软件可实现开发数据库自动交互的数据实时处理,采用小波分析等技术对接收的电压信号进行预处理,并采用拟高斯−牛顿法进行三维反演及成像。

    图  1  工作面电阻率监测系统结构
    Figure  1.  Working face resistivity monitoring system architecture

    煤矿注浆改造工程一般为将煤层顶底板某一岩层通过注浆手段改造为稳定的隔水层,在工作面巷道内布置的电阻率监测收发装置纵向距离注浆位置达30~50 m,横向距离注浆位置最大达150 m,距离较远将导致精度降低,且在巷道中监测时易受巷道中各种设备和生产活动产生的电磁干扰,导致监测数据分辨率无法满足精细监测的需求。

    因此设计将电阻率监测系统布置于钻孔中,形成孔间电阻率监测系统,避开巷道中各种干扰源,且电极具备稳定不变的接地条件,从而获取更高分辨率的原始数据。孔间电阻率监测系统的网络和监测主机与巷道监测系统一致,监测测线布置不同:首先通过水力送线工艺[21],在长定向钻孔中送入电极和线缆,使电极等间距均匀平铺在定向钻孔中,然后在孔口将线缆接入监测主机,最后对定向钻孔进行注浆封孔,使每个电极与钻孔围岩接触较好。孔中线缆电极布置如图2所示,监测平面范围为2个孔之间扇形区域,监测的垂向范围与孔距有关,为30~60 m。

    图  2  孔中线缆电极布置
    Figure  2.  Cable electrode layout in the hole

    数据的正演通过数学模型计算得到其理论监测数据,数据的反演成像从监测数据中获取浆液扩散范围。正演采用有限体积法的离散偏微分方程,利用预条件双共轭梯度稳定算法对方程进行求解[22-23]

    $$ \left( {D{\boldsymbol{S}}\left( \sigma \right)G} \right){\boldsymbol{u}} = A\left( \sigma \right){\boldsymbol{u}} = {\boldsymbol{q}} $$ (1)

    式中:D为三维散度;$ {\boldsymbol{S}}\left( \sigma \right) $为包含电导率$ \sigma $的对角矩阵;G为梯度算子;u为电位向量;$ A\left( \sigma \right) $为正演算子;q为包含了正负电流源位置的源向量。

    采用拟高斯−牛顿法对采集的监测数据进行反演拟合,并用预条件共轭梯度法计算更新模型。则目标函数为

    $$ \varPhi \left( m \right) = \frac{1}{2}{\left\| {d\left( m \right) - {d_{{\rm{obs}}}}} \right\|^2} + \frac{\beta }{2}{\left\| {{\boldsymbol{W}}\left( {m - {m_{{\rm{ref}}}}} \right)} \right\|^2} $$ (2)

    式中:$ \varPhi \left( m \right) $为目标函数,m为反演迭代的模型,模型参数取$ \ln \sigma $;$ d\left( m \right) $为确定模型正演计算所得的数据;$ {d_{{\rm{obs}}}} $为观测的电压除以发射电流所得的数据;$ \beta $为正则化参数;W为模型正则化矩阵;$ {m_{{\rm{ref}}}} $为参考模型。

    浆液通过钻孔注入地层后,将降低地层的电阻率,并充填地层的原始裂隙。为研究孔间电阻率监测系统对注浆过程中地层电阻率变化规律的分辨能力,分析电阻率变化范围与浆液扩散范围之间的关系,同时给予实际工程理论支持和测线布置指导,开展注浆过程的数值模拟。

    注浆工程电阻率监测模型如图3所示,孔1和孔2为监测施工孔,夹角30°,孔长480 m,为避免套管影响,距孔口80 m处开始布设电极,电极间距为20 m,共布设42个电极。孔3为注浆孔,假设浆液在破裂点处向四周均匀扩散,形成一个球状异常体。

    图  3  注浆工程电阻率监测模型
    Figure  3.  Resistivity monitoring model of grouting engineering

    以孔口为坐标原点,以钻孔所在的平面为xy平面,以孔1方向为x方向,建立坐标系。球状异常体中心位置为(250,80,0) m,浆液电阻率为20 Ω·m,地层电阻率为100 Ω·m。随着浆液注入,球状异常体模型半径从0逐渐增大至30 m,分别选取半径为10,20,30 m的模拟监测数据进行反演成像, 浆液扩散范围的孔间电阻率监测反演成像如图4所示,图中红色虚线的圆圈为浆液扩散范围。可看出浆液扩散的位置存在低阻异常区(蓝色区域),在x方向上浆液扩散范围与模型参数基本吻合,在y方向上与模型参数有偏差。随着浆液逐渐扩散,低阻异常区范围逐渐变大,低阻异常强度逐渐增强。通过对注浆过程的数值模拟,表明采用孔间电阻率监测技术能够较为准确地圈定浆液扩散范围。

    图  4  浆液扩散范围的孔间电阻率监测反演成像
    Figure  4.  Inter hole resistivity monitoring for slurry diffusion range inversion imaging

    某煤矿位于准格尔煤田中东部,目前主要综放开采石炭–二叠系太原组均厚为 18.93 m 的 6 号煤层,间接充水水源为煤层底板富水性中等、强的奥陶系岩溶裂隙含水层地下水(底板隔水层厚为 30~80 m,6 号煤带水压为0.7~1.5 MPa)。井田范围内落差大于 5 m 的断层和其他构造较为发育,导致奥陶系灰岩水可能通过构造涌入矿井,形成底板突水的水害问题[22]

    煤层底板定向钻孔实施位置位于煤矿61304工作面辅助运输巷6号调车硐室,计划施工3个主孔,其中1号孔和4号孔为单独主孔,3号孔为1个主孔,其2个分支孔分别为3−1号和3−2号孔,钻孔水平钻进层位为煤层底板下35 m中砂岩,布置如图5所示。

    图  5  定向钻孔及孔间电阻率监测布置
    Figure  5.  Directional holes and inter hole resistivity monitoring layout

    通过定向钻孔结果发现在Y6异常区大部分区域内岩性、层位、水量正常,基本排除了Y6异常区内存在大型“陷落柱”的情况。为进一步消除区域内可能存在小型断裂带,对上述钻孔进行注浆封孔,并开展注浆效果检测,监测浆液扩散范围。

    根据定向钻孔方案,在1号孔和4号孔中布置孔间电阻率监测系统,采用定向钻机将线缆推送至孔内,然后进行注浆封孔。注浆完成后,通过测试每个电极的发射电流判断电极接地情况。

    本次采用的电极间距为20 m,布置见图5中的黑色圆点,2个钻孔共布置34个电极。收发装置采用偶极−偶极,1号孔和4号孔交替收发,共监测12 d,平均每天采集有效数据5组,相比巷道监测系统,孔中监测收发电极不受巷道中各种因素干扰,发射电流稳定,发射电流均大于45 mA,接收电压均大于500 μV,监测1号孔和4号孔间岩层电阻率动态变化过程。

    采用三维电阻率反演对监测数据进行处理成像,煤层底板下30 m注浆层位的电阻率反演成像结果如图6所示。

    图  6  底板下30 m层位电阻率监测反演成像
    Figure  6.  Inverse imaging of resistivity monitoring at 30 m horizon under the floor

    图6(a)可看出,在未进行注浆时,电阻率稳定在120~150 $ {\Omega }\cdot \mathrm{m} $之间,未发现明显蓝绿色的低阻异常区,与钻孔结果一致;当向1号孔注浆116 t后,浆液水灰比为3∶1,注浆压力为6 MPa,在1号孔底旁侧岩层电阻率下降为50~90 $ {\Omega }\cdot \mathrm{m} $,命名为J1低阻异常区;向3−1号孔注浆20 t后,浆液水灰比为3∶1,注浆压力为6 MPa,在3−1号孔四周发现岩层电阻率下降为80~110 $ {\Omega }\cdot \mathrm{m} $,命名为J2低阻异常区。

    根据孔间电阻率监测成果,推测J1和J2低阻异常区分别为1号和3−1号孔的浆液扩散区:1号孔浆液扩散x方向80~130 m、y方向300~330 m,3−1号孔浆液扩散x方向150~230 m、y方向200~270 m,均超过理论模拟的扩散半径10 m[23],说明定向钻孔附近存在裂隙。根据低阻异常区推测3−1号孔附近裂隙较1号孔附近裂隙平面范围较大。

    为验证孔间电阻率监测系统监测浆液扩散范围的准确性,分别在运输巷和切眼进行打钻验证。在运输巷对J1低阻异常区进行打钻取心,发现异常区存在浆液水泥块,异常区外岩性正常。在J2低阻异常区内进行打钻取心,经施工穿层孔取心发现J2低阻异常区内存在水泥块,3−1号孔注浆浆液集中在J2低阻异常区附近。经验证,孔间电阻率监测发现低阻区与注浆浆液扩散范围基本一致。

    1) 注浆浆液扩散过程数值模拟结果表明:孔间电阻率监测三维反演成像能识别浆液异常的扩散范围;根据电阻率随时间的变化趋势可推测浆液扩散范围,随着浆液逐渐扩散,异常区范围逐渐变大,异常强度逐渐增强。

    2) 通过煤层底板长定向钻孔孔间电阻率监测试验表明:采用孔间电阻率监测系统对注浆区域内的岩层进行电阻率动态监测,通过对监测数据的电阻率三维反演成像推测了注浆浆液扩散范围,经打钻验证了推测的准确性。

    3) 本次监测试验的2条测线均位于煤层底板下35 m层位,采集的数据严格意义上仍为二维数据体,导致垂向分辨率较低,需增加采集数据维度和数量或结合其他手段,可进一步提高解释的精度。

  • 图  1   基于栅格法的井工矿多激光雷达障碍物检测流程

    Figure  1.   Obstacle detection process of multi-LiDAR based on grid method for underground mines

    图  2   点云栅格化效果

    Figure  2.   Point cloud gridding results

    图  3   相邻行栅格地面附近点云分布

    Figure  3.   Distribution of ground-proximate point clouds in adjacent grid rows

    图  4   测试环境

    Figure  4.   Test environment

    图  5   点云稀疏工况下高程结构点云过滤效果

    Figure  5.   Filtering effect of elevated structural point clouds under sparse point cloud condition

    图  6   上下坡工况下高程结构点云过滤效果

    Figure  6.   Filtering effect of elevated structural point clouds under uphill and downhill working conditions

    图  7   积水工况下障碍物车辆检测效果

    Figure  7.   Detection effect of vehicle obstacles under waterlogging condition

    表  1   低矮目标检测结果

    Table  1   Detection results of low-profile targets

    类别标记数/个检测数/个准确率/%
    信号箱524892.3
    锥形桶666090.9
    低矮支架868396.5
    车辆7070100
    下载: 导出CSV

    表  2   不同方法下障碍物检测结果对比

    Table  2   Comparison of obstacle detection results under different methods

    场景方法样本数/个正确数/个误检数/个漏检数/个准确率/%误检率/%漏检率/%
    巷道A本文方法426414141297.183.272.82
    文献[17]方法426381184589.444.5110.56
    巷道B本文方法448437151197.543.322.46
    文献[17]方法448428332095.547.164.46
    下载: 导出CSV
  • [1] 阮顺领,李少博,顾清华,等. 基于双向特征融合的露天矿区道路障碍检测[J]. 煤炭学报,2023,48(3):1425-1438.

    RUAN Shunling,LI Shaobo,GU Qinghua,et al. Road obstacle detection in open-pit mines based on bidirectional feature fusion[J]. Journal of China Coal Society,2023,48(3):1425-1438.

    [2] 顾清华,李佳威,陈露,等. 基于固态激光雷达的露天矿非结构化运输道路小尺寸落石检测方法[J]. 激光与光电子学进展,2024,61(8):229-234.

    GU Qinghua,LI Jiawei,CHEN Lu,et al. Small-scale rockfall detection method based on solid-state lidar for unstructured transportation roads in open-pit mines[J]. Laser & Optoelectronics Progress,2024,61(8):229-234.

    [3] 骆彬. 井下蓄电池无轨胶轮车无人驾驶系统设计研究[D]. 徐州:中国矿业大学,2019.

    LUO Bin. Design of driverless system of underground battery trackless rubber tire vehicle[D]. Xuzhou:China University of Mining and Technology,2019.

    [4] 蔡晓晴. 煤矿井下无轨胶轮车无人驾驶技术研究[J]. 能源与节能,2025(4):144-146,150.

    CAI Xiaoqing. Unmanned driving technology for trackless rubber-tired vehicles in underground coal mines[J]. Energy and Energy Conservation,2025(4):144-146,150.

    [5] 田子建,阳康,吴佳奇,等. 基于LMIENet图像增强的矿井下低光环境目标检测方法[J]. 煤炭科学技术,2024,52(5):222-235. DOI: 10.12438/cst.2023-0675

    TIAN Zijian,YANG Kang,WU Jiaqi,et al. LMIENet enhanced object detection method for low light environment in underground mines[J]. Coal Science and Technology,2024,52(5):222-235. DOI: 10.12438/cst.2023-0675

    [6] 袁稼轩. 基于深度学习的井下巷道行人检测与距离估计[D]. 合肥:合肥工业大学,2019.

    YUAN Jiaxuan. Pedestrian detection and distance estimation of underground roadway based on deep learning[D]. Hefei:Hefei University of Technology,2019.

    [7] 曹多美,庄秀丽. 煤矿井巷环境下机器人视觉图像增强及障碍识别研究[J]. 煤矿机械,2017,38(2):39-41.

    CAO Duomei,ZHUANG Xiuli. Mine rescue robot visual image enhancement and extraction of obstacles[J]. Coal Mine Machinery,2017,38(2):39-41.

    [8] 周钦全,孙希平,余晓洁,等. 高分辨毫米波雷达与摄像融合目标跟踪方法[J]. 电子信息对抗技术,2024,39(4):47-55.

    ZHOU Qinquan,SUN Xiping,YU Xiaojie,et al. Target tracking method for fusion of high-resolution millimeter-wave radar and camera[J]. Electronic Information Warfare Technology,2024,39(4):47-55.

    [9] 王新竹,李骏,李红建,等. 基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 吉林大学学报(工学版),2016,46(2):360-365.

    WANG Xinzhu,LI Jun,LI Hongjian,et al. Obstacle detection based on 3D laser scanner and range image for intelligent vehicle[J]. Journal of Jilin University (Engineering and Technology Edition),2016,46(2):360-365.

    [10] 王涛,曾文浩,于琪. 基于激光雷达的无人驾驶障碍物检测和跟踪[J]. 西南交通大学学报,2021,56(6):1346-1354.

    WANG Tao,ZENG Wenhao,YU Qi. Obstacle detection and tracking for driverless cars based on lidar[J]. Journal of Southwest Jiaotong University,2021,56(6):1346-1354.

    [11] 杨春雨,张鑫. 煤矿机器人环境感知与路径规划关键技术[J]. 煤炭学报,2022,47(7):2844-2872.

    YANG Chunyu,ZHANG Xin. Key technologies of coal mine robots for environment perception and path planning[J]. Journal of China Coal Society,2022,47(7):2844-2872.

    [12]

    CHEN Xiaozhi,MA Huimin,WAN Ji,et al. Multi-view 3D object detection network for autonomous driving[C]. IEEE Conference on Computer Vision and Pattern Recognition,Honolulu,2017:6526-6534.

    [13] 贺海涛,廖志伟,郭卫. 煤矿井下无轨胶轮车无人驾驶技术研究与探索[J]. 煤炭科学技术,2022,50(增刊1):212-217.

    HE Haitao,LIAO Zhiwei,GUO Wei. Research and exploration on driverless technology of trackless rubbertyred vehicle in coal mine[J]. Coal Science and Technology,2022,50(S1):212-217.

    [14] 蒲德全,高振刚,李鹏洲. 基于传感器融合的矿井运输车辆环境感知研究[J]. 金属矿山,2024(10):176-181.

    PU Dequan,GAO Zhengang,LI Pengzhou. Study on environmental perception of mine transportation vehicles based on sensor fusion[J]. Metal Mine,2024(10):176-181.

    [15] 方崇全. 基于激光扫描雷达的矿井机车障碍物检测方法研究[J]. 煤矿机械,2018,39(8):32-34.

    FANG Chongquan. Research on obstacle detection method for mine locomotive based on lidar[J]. Coal Mine Machinery,2018,39(8):32-34.

    [16] 王紫临,张达. 井下障碍物激光雷达动态识别技术[J]. 矿冶,2023,32(1):104-108,114.

    WANG Zilin,ZHANG Da. Research on underground obstacle dynamic detection based on LiDAR[J]. Mining and Metallurgy,2023,32(1):104-108,114.

    [17] 贺思奎. 矿用电机车无人驾驶环境感知系统研究[D]. 徐州:中国矿业大学,2023.

    HE Sikui. Research on the unmanned environment sensing system of mining electric locomotive[D]. Xuzhou:China University of Mining and Technology,2023.

    [18] 何艳. 煤矿辅助运输机器人目标感知识别技术研究[D]. 徐州:中国矿业大学,2024.

    HE Yan. Research on target perception and recognition technology of coal mine auxiliary transport robot[D]. Xuzhou:China University of Mining and Technology,2024.

    [19]

    PENG Ping'an,PAN Jin,ZHAO Ziyu,et al. A novel obstacle detection method in underground mines based on 3D LiDAR[J]. IEEE Access,2024,12:106685-106694. DOI: 10.1109/ACCESS.2024.3437784

    [20] 孟春蕾. 矿井无人驾驶三维目标检测方法研究[D]. 徐州:中国矿业大学,2024.

    MENG Chunlei. Research on detection method of mine unmanned three-dimensional target[D]. Xuzhou:China University of Mining and Technology,2024.

    [21] 秦沛霖,张传伟,周李兵,等. 煤矿井下无人驾驶无轨胶轮车目标3D检测研究[J]. 工矿自动化,2022,48(2):35-41.

    QIN Peilin,ZHANG Chuanwei,ZHOU Libing,et al. Research on 3D target detection of unmanned trackless rubber-tyred vehicle in coal mine[J]. Industry and Mine Automation,2022,48(2):35-41.

    [22] 杨志方. 基于雷达与视觉融合的双模态煤矿井下环境感知技术[J]. 工矿自动化,2023,49(11):67-75.

    YANG Zhifang. Bimodal environment perception technology for underground coal mine based on radar and visual fusion[J]. Journal of Mine Automation,2023,49(11):67-75.

    [23] 刁秀强. 基于图像与激光点云的煤矿井下2D/3D目标识别算法研发[D]. 徐州:中国矿业大学,2024.

    DIAO Xiuqiang. Research and development of 2D/3D target recognition algorithm in coal mine based on image and laser point cloud[D]. Xuzhou:China University of Mining and Technology,2024.

  • 期刊类型引用(7)

    1. 王江宏,刘硕,尹少波,常成林. 贝叶斯优化机器学习模型在孔间电阻率法电压预测中的应用研究. 能源与环保. 2025(03): 115-122 . 百度学术
    2. 胡俭,王航,王帅豪,操康波,毛小娃. 采空区多孔介质中气化灰渣凝胶渗流特性研究. 西安科技大学学报. 2025(02): 263-274 . 百度学术
    3. 张盛行,汤雷,朱春光,石蓝星,明攀. 基于瞬变电磁法的均质土坝渗漏通道探测与消险质量评价. 水利与建筑工程学报. 2025(02): 98-105 . 百度学术
    4. 杨玉冰. 电阻率CT探测在煤矿工作面顶板“四含”注浆改造评价中的应用. 工程建设与设计. 2024(11): 42-44 . 百度学术
    5. 孙庆华,娄杰,胡鑫,谷超,孙强,张卫强. 基于电阻率响应的裂隙岩体粉煤灰注浆效果研究. 中国煤炭. 2024(10): 33-39 . 百度学术
    6. 于远祥,沈鹏,张永亮,王有发. 动静组合荷载下隧道锚固围岩累积损伤效应与支护优化. 西安科技大学学报. 2024(06): 1095-1106 . 百度学术
    7. 汪学明. 基于四电极测量原理的矿用高精度电导率传感器设计. 能源与环保. 2024(12): 211-216 . 百度学术

    其他类型引用(0)

图(7)  /  表(2)
计量
  • 文章访问数:  40
  • HTML全文浏览量:  4
  • PDF下载量:  3
  • 被引次数: 7
出版历程
  • 收稿日期:  2024-08-20
  • 修回日期:  2025-05-29
  • 网络出版日期:  2025-06-03
  • 刊出日期:  2025-05-14

目录

/

返回文章
返回