Foreign object recognition of belt conveyor in coal mine based on improved YOLOv7
-
摘要: 带式输送机煤流中会掺杂锚杆、角铁、木条、矸石、大块煤等异物,易导致输送带撕裂、转接处堵塞甚至断带。针对带式输送机巡检机器人难以在井下光照不均及带式输送机高速运行环境中高效、准确识别异物及模型部署不便等问题,以及YOLOv7模型对目标特征提取能力高,但识别速度较慢的特点,提出了一种基于改进YOLOv7的煤矿带式输送机异物识别方法。运用限制对比度自适应直方图均衡化方法对采集的带式输送机监控图像进行增强,提高图像中物体轮廓的清晰度;对YOLOv7模型进行改进,通过在主干提取网络引入轻量化无参注意力机制,提高模型对图像复杂背景的抗干扰能力和对异物特征的提取能力,同时引入深度可分离卷积代替主干特征提取网络中的普通卷积,提高异物识别速度;使用TensorRT引擎将训练后的改进YOLOv7模型进行转换并部署在NVIDIA Jetson Xavier NX上,实现了模型的加速。对煤矿井下分辨率为1 920×1 080的带式输送机监控视频进行识别,实验结果表明:改进YOLOv7模型的识别效果优于YOLOv5L和YOLOv7模型,识别精确率达92.8%,识别速度为25.64帧/s,满足精确、高效识别带式输送机异物的要求。Abstract: The coal flow of the belt conveyor will be mixed with anchor rod, angle iron, wood, gangue, and lump coal. This will easily lead to the tearing of the conveyor belt, the blockage of the transition and even the breakage of the belt. It is difficult for the inspection robot of the belt conveyor to efficiently and accurately recognize foreign objects in the environment of uneven lighting and high-speed running of the belt conveyor. The model deployment is inconvenient. The YOLOv7 model has a high capability to extract target features, but its recognition speed is slow. In order to solve the above problems, a foreign object recognition method of belt conveyor in coal mine based on improved YOLOv7 is proposed. The method of adaptive histogram equalization with limited contrast is used to enhance the collected monitoring image of the belt conveyor to improve the clarity of object contour in the image. The YOLOv7 model is improved by introducing a simple and parameter-free attention module into the backbone extraction network. The improved model can improve the model's anti-interference capability against the complex background of the image and the capability to extract foreign object features. The depthwise separable convolution is introduced to replace the ordinary convolution in the backbone feature extraction network to improve the speed of foreign object recognition. TensorRT engine is used to convert the improved YOLOv7 model after training and deploy it on NVIDIA Jetson Xavier NX, realizing the acceleration of the model. The video of the belt conveyor with the resolution of 1 920 × 1 080 in the underground coal mine is recognized. The experimental results show that the recognition effect of improved YOLOv7 is better than YOLOv5L and YOLOv7. The recognition accuracy rate is 92.8%, and the recognition speed is 25.64 frames/s, meeting the requirements of accurate and efficient recognition of foreign objects in the belt conveyor.
-
0. 引言
煤矿巷道的形变和破坏是煤矿生产实践中需要着重考虑解决的问题。煤矿巷道形变是指巷道岩层在受到外力因素作用下产生的形状和尺寸的变化,巷道形变会造成井下交通中断、生产设备损坏、人员伤亡等事故,严重威胁煤矿正常生产。因此,在煤矿开采过程中,及时、科学、准确地监测巷道形变,掌握巷道状态及形变趋势,对保障煤矿安全生产具有十分重要的意义[1]。
随着计算机技术的快速发展,多种数值模拟技术被广泛应用于巷道形变的研究中,如有限元法、离散元法、边界元法、有限差分法、十字观测法等。王伟等[2]运用理论计算与数值模拟分析,分析了动压巷道的应力分布规律,为巷道的布设位置选取与支护提供了指导。姜耀东等[3]对开滦矿区赵各庄矿、唐山矿深部开采过程中巷道形变、破坏特征进行了研究,采用FLAC2D数值模拟软件研究地应力与巷道岩层之间的密切关系。余伟健等[4]利用离散裂隙网络在FLAC3D软件中对矿山现场调查得到的裂隙进行了重构还原,研究分析了裂隙发育岩体巷道及典型支护结构体的变形破坏特征。杨景贺[5]采用离散元数值模拟方法,建立了不同支护条件下的高应力软岩巷道模型,研究了高应力软岩巷道变形破坏和支护加固的机理。
目前,针对巷道形变破坏的研究以现场实测为主,通过实测可掌握巷道形变破坏情况,直观了解导致巷道形变破坏的因素及作用效果。叶美图等[6]针对现有矿井巷道表面位移十字交叉测量方法存在的测量不便、耗时长、工作强度大、误差不可控等问题,设计了一种矿井巷道表面位移激光测量装置。该装置基于激光测距原理,利用激光测距仪完成十字定心和变形测量,通过单个激光测距仪可分别测得巷道中每个测试站顶板、底板、左帮和右帮4个方向的表面位移量。井下试验结果表明,该装置实现了无绳测量,测量效率高,结果准确。宋康磊等[7]采用地质雷达测定巷道松动圈,研究了极薄煤层跨采条件下的松动圈大小及巷道形变规律。荣耀等[8]提出了综采工作面三维激光扫描建模总体方案,对煤壁与顶板交线提取、标靶球检测、点云拼接及坐标转换等关键技术进行了研究,实现了三维地质坐标系下煤壁与顶板交线信息的近实时获取,该信息可直接发送给采煤机滚筒,为采煤机下一刀截割提供数据参考。杜江丽等[9]提出了多边形分割法,将模型的重点关注区域划分为多个多边形,对矿区边坡形变监测数据进行研究。亓玉浩等[10]提出了一种综采工作面实时三维建图方法,可满足综采工作面监控的精度需求。刘晓阳等[11]针对岩性变化和构造的分析监测越来越困难的问题,研究了当前巷道顶板稳定性监测方法。王峰[12]提出了以煤层透明化、综采装备透明化、决策及控制透明化为核心的基于透明工作面的智能化开采概念。邹筱瑜等[13]面向移动机器人在煤矿巷道的建图需求,提出了一种基于集成式因子图优化的煤矿巷道移动机器人三维地图构建方法。高晓进等[14]提出了软岩巷道超前爆破预裂顶板防控技术,以解决软岩巷道结构的形变问题。
上述方法为巷道形变监测提供了可行的解决方案,但还存在如下问题:① 单一的形变量指标难以准确反映巷道形变演化规律及围岩状态与发展趋势。② 巷道形变具有区域性、连续性、突发性的特点,现有方法存在监测站点单一、测点有限的问题,难以实现大范围、多站点、区域性同步测量。因此需要选取多个指标建立巷道形变监测指标体系,且需要研究一种具有区域性、连续性、实时性特点的巷道形变监测方法,及时、准确、全面地监测巷道形变以确保煤矿开采安全。
三维激光扫描技术可快速获取被测物体表面三维坐标,点云数据精度高、密度大,包含反射强度等信息[15],可实现对巷道形变连续监测。因此,针对煤矿巷道形变监测面临的问题,本文提出了一种基于三维激光扫描的煤矿巷道形变监测方法。首先,利用深度学习模型VoxelNet对三维激光扫描数据进行检测去噪。然后,利用alphashape算法对断面离散点进行拟合,并采用基于差值的方法,对数据进行多维差值计算,得到巷道形变的具体数据,实现矿区巷道形变监测的全覆盖。最后,利用中煤大同能源有限责任公司塔山煤矿为期1个月的实际监测数据,对巷道形变进行截面分析和三维整体分析。
1. 煤矿巷道形变监测方法
1.1 三维激光扫描技术
三维激光扫描技术是一种先进的全自动、高精度立体扫描技术,具有操作简单、速度快、灵活性高、精度高等特点[16],数字化、自动化、实时性强,解决了目前空间信息技术发展的瓶颈。
三维激光扫描技术借助水平方位偏转控制器及对应的高度角偏转控制器科学控制反射棱镜的实际转动,使激光测距系统发射的激光能够顺着不同的坐标轴实时移动并扫描测量。扫描仪自身定义的坐标系统中, X轴在横向扫描面内,Y轴在横向扫描面内与X轴垂直,Z轴与横向扫描面垂直。借助测得的三维扫描仪中心到目标点的斜距S、激光束水平方向偏转角a和竖直方向偏转角b来校准并计算激光脚点的实际三维坐标P(X,Y,Z)[17]。
$$ X = S \cos b \cos a $$ (1) $$ Y = S \cos b \sin a $$ (2) $$ Z = S \sin b $$ (3) 三维激光点坐标计算原理如图1所示,通过测量大量物体表面点位的三维坐标,读取并集成现场物体的反射率和纹理等信息,生成被测物点云模型,获取高精度、高分辨率的三维巷道点云数据。
1.2 点云去噪
对三维巷道点云数据去噪是煤矿巷道形变监测得以有效应用的重要预处理步骤[18]。将噪点设为巷道内的人物和内壁附着的螺丝钉和管道等,通过VoxelNet网络检测出噪点后,再对数据进行分离。
首先使用点云标注工具Semantic Segmentation Editor制造数据集,标注人物和管道等信息后送入VoxelNet训练。然后使用VoxelNet中的Voxel将三维空间中的一定空间划分为一个格子,并使用PointNet网络对格子的数据进行特征提取。最后用提取出来的特征代表这个格子,并放回到三维空间。将无序的点云数据变成高维特征数据,并使用三维卷积抽取有序的三维Voxel数据。
1.3 点云旋转
给定2个来自不同坐标系的三维数据点集,找到2个三维数据点集的空间变换关系,使2个三维数据点集处于同一坐标系中,即可实现三维点云配准[19]。配准目标是在全局坐标框架中找到单独获取视图的相对位置和方向,使2个三维数据点集之间的相交区域完全重叠。通过求点云M和点云N 之间的旋转矩阵和平移向量,使点云M和点云N的坐标处于同一坐标系下。通过欧拉角生成旋转矩阵,将点云数据进行平移和旋转。设新的空间直角坐标轴分别为X',Y',Z',绕X',Y',Z' 3个轴旋转的角度分别为α,β,γ,绕X',Y',Z'旋转分别得到的旋转矩阵为
$$ {{\boldsymbol{R}}_{X'}}\left( \alpha \right) = \left[ \begin{gathered} 1\quad \quad 0\quad \quad 0 \\ 0\quad \cos \alpha \quad - \sin \alpha \\ 0\quad \sin \alpha \quad \cos \alpha \\ \end{gathered} \right] $$ (4) $$ {{\boldsymbol{R}}_{Y'}}\left( \beta \right) = \left[ \begin{gathered} \cos \beta \quad \;0\quad \sin \beta \\ \quad 0\quad \quad 1\quad \;\;0 \\ - \sin \beta \;\;\;0\quad \cos \beta \\ \end{gathered} \right] $$ (5) $$ {{\boldsymbol{R}}_{Z'}}\left( \gamma \right) = \left[ \begin{gathered} \cos \gamma \quad - \sin \gamma \;\;\;0 \\ \sin \gamma \quad \;\cos \gamma \quad \;0 \\ 0\;\;\;\;\;\;\;\;\;\;\;\;0\quad \,\,\cos \gamma \\ \end{gathered} \right] $$ (6) 对3个旋转矩阵的点云坐标进行逐元素相乘,得到最终的旋转矩阵R。
$$ {\boldsymbol{R}} = {{\boldsymbol{R}}_{Z'}}\left( \gamma \right) {{\boldsymbol{R}}_{Y'}}\left( \beta \right) {{\boldsymbol{R}}_{X'}}\left( \alpha \right) $$ (7) 1.4 点云连续断面
将巷道切分为连续的断面,根据断面对巷道进行形变分析,分别向点云的X'OY'和Y'OZ'面进行数据投影,计算当前断面的中心点$ {P^*} \left( {{x^ * },{y^ * },{{\textit{z}}^ * }} \right) $,其中,$ {x^ * },{y^ * },{{\textit{z}}^ * } $为中心点$ {P^*} $在X',Y',Z' 3个坐标轴上对应的数值。
随后,构造与Z'轴平行的平面,平面与Z'轴平行且与Y'轴相切,则该平面的法向量u=[0 1 0],该平面的方程为$ y - {y^ * } = 0 $。由于落于平面的点比较稀疏,所以赋予平面一定的厚度,将点到平面一定距离d内的点都算作该平面的点。
1.5 形变分析
在实际扫描作业中,由于障碍物遮挡或受巷道空间扫描角度的限制,会出现部分点云空洞,难以保证断面上处处都有激光斑点,所以需要对投影后的断面离散点集进行拟合。alphashape算法可控制点集边界拟合以创建非凸区域,采用该算法拟合投影后的断面离散点集,其计算圆心的原理如图2所示,计算步骤如下:
1) 选取任意一点$ p \left( {x,y} \right) $,以半径为r的圆进行滚动,在断面点集中搜索所有距离$ p $点2r以内的点的集合,形成点集Q。
2) 选取点集Q中的任意点$ {p_1} \left( {{x_1},{y_1}} \right) $,根据$ p $和$ {p_1} $2个点的坐标和半径r,计算出经过$ p $和$ {p_1} $2个点且半径为r的圆心${p_2} \left( {{x_2},{y_2}} \right) $,${p_3} \left( {{x_3},{y_3}} \right) $。
$$ \left\{ \begin{array}{l} {x_2} = x + 1/2({x_1} - x) - H ({y_1} - y) \\ {y_2} = y + 1/2({y_1} - y) - H (x - {x_1}) \\ {x_3} = x + 1/2({x_1} - x) + H ({y_1} - y) \\ {y_3} = y + 1/2({y_1} - y) + H (x - {x_1}) \\ \end{array} \right. $$ (8) 式中H为参数。
3) 计算点集Q中(除$ {p_1} $点)剩余点分别到$ {p_2},{p_3} $点的距离。若所有点到$ {p_2} $或$ {p_3} $的距离均大于半径r,则证明$ p $点为边界点。
4) 若剩余的点到$ {p_2} $或$ {p_3} $点的距离不全都大于半径r,则遍历点集Q内的所有点,将其轮换作为$ {p_1} $点,重复上述过程。若存在某点满足2)和3),则该点为边界点,终止该点的判断,继续判断下一点。若点集Q中所有临近点中均不存在$ {p_1} $这样的点,则$ p $点为非边界点。
根据alphashape算法拟合巷道断面轮廓图,构建不同监测时期同一位置的巷道断面,将其叠加后,采用对比不同时期同一位置巷道断面的高度和宽度等信息的方法,可以更直观地分析巷道形变趋势。具体分析过程:首先,由alphashapes算法计算第一期巷道断面的轮廓点,分别计算相邻2个点$p'\left( {{x_0},{y_0},{{\textit{z}}_0}} \right), q\left( {{x_1},{y_1},{{\textit{z}}_1}} \right)$所构成的线段$ {l_1} $的方向向量,默认$p',q$处于同一平面内,故只保留X轴和Z轴值,记为$p'\left( {{x_0},{{\textit{z}}_0}} \right), q\left( {{x_1},{{\textit{z}}_1}} \right)$。然后,计算过$p '$点与$ {l_1} $垂直的直线$ {l_2} $,$ {l_2} $即法向直线。最后,计算第二期与第一期相同法向直线的点的坐标,计算2个点间的距离,将其记为形变值。
2. 工程实践
2.1 工程概况
中煤大同能源有限责任公司塔山煤矿的开采工作面为30507工作面,工作面采用单巷布置方式,即在工作面分别布置胶带巷和回风巷。工作面西侧布置回风巷,东侧布置胶带巷,胶带巷东侧为实煤区,回风巷西侧为30509工作面采空区(2018年6月停采),30507工作面与30509工作面之间区段煤柱为8 m,因此将30507工作面回风巷作为监测地点,进行为期1个月的实际形变监测。
通过对30507工作面进行实地勘查,其具有以下特点:
1) 靠近工作面的回风巷区域形变量大,已有控制点坐标经过一定时间会发生变化,无法直接利用。
2) 对于井下空间地理坐标系,除用全站仪进行测点定位外,没有更好的方式将点云数据和矿井坐标系进行联系。
3) 矿区井下环境相对复杂,煤尘、空气湿度、振动等工况极易影响工作效率和数据精度。
2.2 实践方案
塔山煤矿正在回采的工作面为30507工作面,开始监测时采煤机所处位置在里程1 000 m处,监测范围为里程600~900 m。在测绘区域起始位置即里程600 m处,前后上下交错架设多个360°棱镜。根据30507回风巷实际情况,考虑到工作面附近棱镜位置会产生变化,因此以风门处于终采线以内的基准点为基准,测量各个360°棱镜的三维坐标,使棱镜与井下基准点处于同一坐标系下。采用后方交会的方式,在每次进行巷道形变监测数据采集时,以相同基准点作为初始测点的定向点,将矿井坐标系赋予点云数据,以保证每次进行形变监测工作所采集的点云数据都处于同一个空间坐标系下。
受巷道结构影响,只能选取接近于直线的布站路线进行三维激光扫描。为避免由于线性布站及井下煤尘、湿气等因素造成的拼接误差,相邻测站之间采用棱镜定位的方式进行拼接定位,选择应用可识别棱镜并记录棱镜信息的三维激光扫描仪。相邻测站间需保证有2个及以上共同的棱镜作为拼接基准。
将周期性采集的点云数据置于同一坐标系下,对多次的点云数据进行对比,得出巷道顶底板和煤柱侧、回采侧两侧壁的形变量。
2.3 数据采集
1) 控制测量。由于三维激光扫描仪具有独立的坐标系统,为了将点云数据坐标系转换为实际地理坐标系,需结合全站仪进行控制测量。在里程600 m处做3个能够固定在锚杆上的棱镜放置装置,并在其上安置3个360°棱镜。以风门处7号、9号、11号基准点为基准,采用全站仪测出3个棱镜在矿区地测坐标系中的坐标。
2) 在里程600~900 m段,按30 m的间距,在巷道两帮粉刷并做标记,作为扫描的架站位置;在里程600 m处开始架设三维激光扫描仪,并进行对中整平等操作。
3) 定位棱镜测量。扫描仪架设完毕后,使用棱镜扫描功能采集设置的360°棱镜点位数据,将定位棱镜信息同步至点云模型中。
4) 根据项目要求选择合适的扫描参数,建立测站文件夹,使用棱镜的扫描功能,识别测站间用于点云拼接所架设的棱镜,识别完成后开始三维激光扫描,获取该测站全景点云数据。
5) 检查数据质量,若数据质量合格,即可将扫描仪迁移至下一预设测站,并以同样步骤进行该测站的三维激光扫描。依次循环,直至待测区域全部扫描完成,即数据采集工作完成。
2.4 数据处理
数据处理过程只需将相邻测站间相同的棱镜目标进行匹配,即可达到点云拼接目的,过程如下:
1) 控制点坐标录入。在数据处理软件中,使用起始测站中采集的定位棱镜点创建目标,将全站仪测量的定位棱镜坐标赋予对应目标,控制点坐标录入,如图3所示。
2) 后方交会拼接。起始测站点云利用其中的定位棱镜点与已赋予现场坐标系坐标的目标点位匹配。第二测站点云以起始测站为基准,利用与起始测站共视的2个或2个以上棱镜进行后方交会,将其与起始测站拼接[20]。后续测站依次进行,得到定位于现场坐标系中的整体测区点云模型。
3) 数据去噪。为采集完整的巷道顶板、底板及煤柱侧、回采侧两侧壁数据,采用360°全景扫描仪采集现场所有可视数据。由于噪点数据[21](图4)会对实施效率及结果精度造成影响,所以需对噪点数据进行去噪,去噪后数据如图5所示。
4) 数据输出。对数据进行拼接、去噪后,在确保点云定位信息固定的前提下,导出相应格式的点云模型,如图6和图7所示。
2.5 数据分析
在数据处理过程中,将所有三维点云模型置于同一坐标系下,因此在将同一测区的2期三维点云数据导入对比分析软件后,2期三维点云模型会自动放置在同一位置。
1) 三维整体分析。将置于同一位置的2期点云数据沿其法线方向进行差值分析,得到整体形变量,以色谱的形式将差值进行显示,不同颜色的分布表示不同区域2期点云模型偏差的分布,颜色的深浅表示该区域偏差大小。通过对模型上颜色的分布和深浅分析,得到该测段巷道形变的整体趋势,如图8所示。如果巷道受到向内的挤压,会变成红色,红色越深,表明挤压程度越大;如果巷道趋近于无变化,则会变成绿色;如果巷道向外扩张,会变成蓝色,蓝色越深,表明向外扩张程度越大。
2) 截面分析。以三维整体分析为基础,在整体巷道点云模型的竖直方向上按一定距离布置截面,截取2期点云在截面上的偏差,以色谱的形式将差值进行显示,截面分析结果如图9所示。可看出离工作面距离越近,附色模型的颜色越偏向红色和蓝色,且颜色越深,代表巷道形变越大。
两期巷道截面对比如图10所示,通过2个巷道轮廓的相对偏差,可看出该区域主要存在的形变:如果上轮廓向内偏离,则顶板发生塌陷;如果下轮廓向外偏离,则底板发生鼓起。
3) 预警记录。点选预警记录可查看预警位置、里程位置和最大形变值等信息,数据精确,可随时观察巷道形变情况,以便采取相应维护措施,巷道形变预警记录如图11所示。
3. 结论
1) 将三维激光扫描技术应用于塔山煤矿30507工作面的形变监测,将人工智能与传统方法相结合,提出了基于三维激光扫描的煤矿巷道形变监测方法。利用深度学习VoxelNet模型对点云数据进行去噪,利用alphashape算法对断面离散点进行拟合,并采用基于差值的方法,将数据进行多维差值计算以得到巷道形变数据。
2) 利用塔山煤矿的实际监测数据,对巷道三维点云数据进行了截面分析和三维整体分析。截面分析主要基于巷道三维点云按固定间距选取截面,比对2期点云截面数据,通过截面轮廓差异判断巷道形变情况;三维整体分析利用2期巷道三维点云数据进行整体比对,通过色谱显示比对结果,分析巷道形变区域和变化趋势。随着测点距工作面的距离越近,附色模型越偏向红色和蓝色,且颜色越深,表明巷道形变越大。
-
表 1 图像清晰度评价结果
Table 1 Evaluation results of image definition
图像 Entropy Brenner 原图 5.113 3 1.909 增强后图像 5.289 9 4.094 表 2 不同模型的平均精确率、平均召回率和识别时间
Table 2 Average precision, average recall and recognition time of different models
模型 平均精确率/% 平均召回率/% 识别时间/s YOLOv5L 90.9 85.0 0.047 YOLOv7 89.4 84.5 0.027 改进YOLOv7 93.1 87.4 0.025 表 3 YOLOv7改进前后异物识别精确率和召回率对比
Table 3 Comparison of foreign object recognition precision and recall before and after YOLOv7 improvement
类别 YOLOv7 改进YOLOv7 精确率/% 召回率/% 精确率/% 召回率/% 锚杆 90.6 85.1 93.4 88.5 角铁 89.2 90.1 90.6 93.1 木条 91.3 84.7 97.7 86.1 矸石 87.4 84.9 88.9 89.3 大块煤 88.5 77.8 94.9 80.0 表 4 消融实验结果
Table 4 Ablation experimental results
增强 SimAM DWConv 平均精确率/% 识别时间/s 89.4 0.027 √ 90.3 0.027 √ 94.0 0.030 √ 88.1 0.024 √ √ √ 93.1 0.025 表 5 不同模型平均精确率和识别时间
Table 5 Average precision and recognition time of different models
模型 平均精确率/% 识别时间/s YOLOv5L 90.0 0.049 YOLOv7 88.9 0.041 改进YOLOv7 92.8 0.039 -
[1] 葛世荣,胡而已,裴文良. 煤矿机器人体系及关键技术[J]. 煤炭学报,2020,45(1):455-463. DOI: 10.13225/j.cnki.jccs.YG19.1478 GE Shirong,HU Eryi,PEI Wenliang. Classification system and key technology of coal mine robot[J]. Journal of China Coal Society,2020,45(1):455-463. DOI: 10.13225/j.cnki.jccs.YG19.1478
[2] 方崇全. 煤矿带式输送机巡检机器人关键技术研究[J]. 煤炭科学技术,2022,50(5):263-270. DOI: 10.13199/j.cnki.cst.ZN20-056 FANG Chongquan. Research on key technology of inspection robot for coal mine belt conveyor[J]. Coal Science and Technology,2022,50(5):263-270. DOI: 10.13199/j.cnki.cst.ZN20-056
[3] 吴守鹏,丁恩杰,俞啸. 基于改进FPN的输送带异物识别方法[J]. 煤矿安全,2019,50(12):127-130. DOI: 10.13347/j.cnki.mkaq.2019.12.029 WU Shoupeng,DING Enjie,YU Xiao. Foreign body identification of belt based on improved FPN[J]. Safety in Coal Mines,2019,50(12):127-130. DOI: 10.13347/j.cnki.mkaq.2019.12.029
[4] 吕志强. 复杂环境下煤矿皮带运输异物图像识别研究[D]. 徐州: 中国矿业大学, 2020: 1-60. LYU Zhiqiang. Research on foreign body image recognition of coal mine belt transport under complex environment[D]. Xuzhou: China University of Mining and Technology, 2020: 1-60.
[5] 任志玲, 朱彦存. 改进CenterNet算法的煤矿皮带运输异物识别研究[J/OL]. 控制工程: 1-8[2022-09-28]. DOI: 10.14107/j. cnki. kzgc. 20200792. REN Zhiling, ZHU Yancun. Research on foreign objects recognition of coal mine belt transportation with improved CenterNet algorithm[J/OL]. Control Engineering of China: 1-8[2022-09-28]. DOI: 10.14107/j.cnki.kzgc.20200792.
[6] 胡璟皓,高妍,张红娟,等. 基于深度学习的带式输送机非煤异物识别方法[J]. 工矿自动化,2021,47(6):57-62,90. DOI: 10.13272/j.issn.1671-251x.2021020041 HU Jinghao,GAO Yan,ZHANG Hongjuan,et al. Research on the identification method of non-coal foreign object of belt conveyor based on deep learning[J]. Industry and Mine Automation,2021,47(6):57-62,90. DOI: 10.13272/j.issn.1671-251x.2021020041
[7] WANG Yuanbin,WANG Yujing,DANG Langfei. Video detection of foreign objects on the surface of belt conveyor underground coal mine based on improved SSD[J]. Journal of Ambient Intelligence and Humanized Computing,2020:1-10.
[8] 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. DOI: 10.13225/j.cnki.jccs.2021.1644 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. DOI: 10.13225/j.cnki.jccs.2021.1644
[9] 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. DOI: 10.13225/j.cnki.jccs.xr21.1736 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. DOI: 10.13225/j.cnki.jccs.xr21.1736
[10] XIAO Dong,KANG Zhuang,YU Hang,et al. Research on belt foreign body detection method based on deep learning[J]. Transactions of the Institute of Measurement and Control,2022,44(15):2919-2927. DOI: 10.1177/01423312221094393
[11] WANG C Y, BOCHKOVSKIY A, LIAO H. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[J/OL]. [2022-09-28]. https://arxiv.org/abs/2207.02696.
[12] 杨骥,杨亚东,梅雪,等. 基于改进的限制对比度自适应直方图的视频快速去雾算法[J]. 计算机工程与设计,2015,36(1):221-226. DOI: 10.16208/j.issn1000-7024.2015.01.040 YANG Ji,YANG Yadong,MEI Xue,et al. Fast video dehazing based on improved contrast limited adaptive histogram equalization[J]. Computer Engineering and Design,2015,36(1):221-226. DOI: 10.16208/j.issn1000-7024.2015.01.040
[13] 舒甜督. 医学CT图像的增强与分类算法研究[D]. 长春: 长春工业大学, 2022. SHU Tiandu. Research on enhancement and classification algorithm of medical CT images[D]. Changchun: Changchun University of Technology, 2022.
[14] QIN Xiaoyi, LI Na, WENG Chao, et al. Simple attention module based speaker verification with iterative noisy label detection[C]. IEEE International Conference on Acoustics, Speech and Signal Processing, Singapore, 2021.
[15] CHOLLET F. Xception: Deep learning with depthwise separable convolutions[C]. IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, 2017.
[16] 顾德英,罗聿伦,李文超. 基于改进YOLOv5算法的复杂场景交通目标检测[J]. 东北大学学报(自然科学版),2022,43(8):1073-1079. GU Deying,LUO Yulun,LI Wenchao. Traffic target detection in complex scenes based on improved YOLOv5 algorithm[J]. Journal of Northeastern University(Natural Science),2022,43(8):1073-1079.
[17] MAO Qinghua,WANG Yufei,ZHANG Xuhui,et al. Clarity method of fog and dust image in fully mechanized mining face[J]. Machine Vision and Applications,2022,33(2):1-16.
[18] LI Kexin,QIN Liang,LI Qiang,et al. Improved edge lightweight YOLOv4 and its application in on-site power system work[J]. Global Energy Interconnection,2022,5(2):168-180. DOI: 10.1016/j.gloei.2022.04.014
-
期刊类型引用(9)
1. 刘登坤. 三维激光扫描技术在机场飞行区的应用与价值分析. 中国信息界. 2025(02): 31-33 . 百度学术
2. 张全平,任助理,郝英豪,邓浩坤,苏士杰,袁瑞甫,方程. 基于移动式三维激光扫描技术的巷道围岩变形监测研究. 煤矿机械. 2025(05): 205-208 . 百度学术
3. 连忠文,任助理,郝英豪,杨帆,白刚,方程,袁瑞甫. 基于区域生长的非结构巷道点云去噪方法. 工矿自动化. 2024(03): 48-55 . 本站查看
4. 谢松君. 三维激光点云技术在智慧城市空间信息测绘中的应用. 中国信息界. 2024(03): 84-86 . 百度学术
5. 刘金生,张连杰. 港口常压储罐检验检测技术方法. 水道港口. 2024(04): 526-535 . 百度学术
6. 朱威霖,杨科,池小楼. 基于光纤光栅传感技术的深部巷道围岩状态精准表征. 中国矿业. 2024(10): 177-184 . 百度学术
7. 于洋,陈少青,程林. 三维激光扫描技术在储煤筒仓耐磨衬板检测中的应用. 港口航道与近海工程. 2024(05): 89-94 . 百度学术
8. 豆曙杰,李健. 长平煤矿Ⅲ53102巷三维激光扫描巷道变形监测研究. 煤. 2024(12): 49-53 . 百度学术
9. 刘敬东,李旭,郑志强,苟丙荣,韩维新,巩泽文. 激光SALM技术在煤矿巷道形变监测与支护中的应用. 矿山机械. 2024(12): 52-57 . 百度学术
其他类型引用(1)