-
题名煤岩识别技术发展综述
被引量：5
- 1
-
-
作者
贺艳军
李海雄
胡淼龙
薛竞飞
-
机构
国能包头能源有限责任公司
榆林市能源局
浙江维思无线网络技术公司
西安科技大学电气与控制工程学院
-
出处
《工矿自动化》
CSCD
北大核心
2023年第12期1-11,共11页
-
基金
陕西省秦创原“科学家+工程师”队伍建设项目(2022KXJ-38)。
-
文摘
煤岩识别技术可为采煤机自动调高提供依据,是实现煤矿智能无人化开采的关键。现有煤岩识别技术包括图像识别、过程信号监测识别、电磁波识别、超声波探测识别、多传感器融合识别等。详细介绍了上述几种技术原理及应用现状:(1)图像识别技术目前处于实验阶段,主要涉及大规模煤岩图像数据标注和复杂地质条件下的识别问题。(2)过程信号监测识别技术可分析煤矿开采过程中的相关信号,识别潜在的煤岩界面信息,但需要解决信号噪声干扰和复杂煤岩界面识别问题。(3)电磁波识别技术和超声波探测识别技术已在实际煤岩界面探测中应用,但仍需要提高识别准确性和可靠性,尤其是对于复杂煤岩结构和界面情况。(4)多传感器融合识别技术需解决数据融合和匹配的难题,确保不同传感器之间的精确校准和可靠性,并验证其在实际应用中的可行性和实用性。针对上述问题,指出煤岩识别技术发展方向:(1)煤岩识别研究应着重提高算法的实时性和抗干扰能力,确保在特定条件下并兼有复杂环境干扰下也能准确识别煤岩,满足井下实际开采需求。(2)加强矿用传感器的研究,以提高其抗干扰性能,同时采用先进的视觉相机和智能设备,与传感器相结合,提高煤岩识别的精度和效率。(3)多种煤岩识别技术交叉融合使用:对于不同硬度的煤岩,可采用过程信号监测识别和多传感器融合技术;对于硬度接近的情况,可结合图像识别和电磁波识别技术,实现煤岩壁界面和煤层厚度的准确识别。
-
关键词
煤岩识别
采煤机滚筒
图像识别
过程信号监测识别
电磁波识别
超声波探测识别
多传感器融合识别
-
Keywords
coal rock recognition
shearer drum
image recognition
process signal monitoring and recognition
electromagnetic wave recognition
ultrasonic detection and recognition
multi sensor fusion recognition
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于YOLOv5−SEDC模型的煤矸分割识别方法
被引量：3
- 2
-
-
作者
杨洋
李海雄
胡淼龙
郭秀才
张会鹏
-
机构
靖远煤业工程勘察设计有限公司
榆林市能源局
浙江维思无线网络技术公司
西安科技大学电气与控制工程学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第8期120-126,共7页
-
基金
陕西省秦创原“科学家+工程师”队伍建设项目(2022KXJ-38)
陕西省教育厅服务地方专项计划项目(23JC049)。
-
文摘
现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高;YOLOv5−seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失,降低煤矸识别效率,且在训练过程中过分侧重全局特征,而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题,提出了一种基于YOLOv5−SEDC模型的煤矸分割识别方法。首先接收包含煤矸形状信息的图像,并利用主干网络进行特征提取,生成特征图;其次在YOLOv5−seg模型中集成SENet模块,以保留煤与矸石表面的纹理细节和灰度特征,避免下采样带来的信息丢失;然后采用不同,膨胀率的空洞卷积策略替代传统卷积核,不仅扩大了模型的感受野,还有效减少了模型参数量;最后分割检测头对融合后的特征进行精细处理,实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台,消融实验结果表明,YOLOv5−SEDC模型的煤和矸石识别的精确率较YOLOv5−seg模型平均提高1.3%,参数量减少0.7×10^(6)个,检测速度提高了1.4帧/s。对比实验结果表明:①YOLOv5−SEDC模型的精确率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了10.7%,2.7%,1.9%,达到95.8%。②YOLOv5−SEDC模型的召回率较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了3.0%,2.1%,0.9%,达到89.1%。③YOLOv5−SEDC模型的平均精度均值较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了6.4%,6.3%,1.8%,达到95.5%。④YOLOv5−SEDC模型的F1较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别提高了5.2%,4.2%,2.1%,达到92.2%。⑤YOLOv5−SEDC模型的检测速度较YOLOv3−tiny,YOLOv5−seg,Mask−RCNN模型分别降低了1.9,1.4,2.7帧/s。可视化结果表明,YOLOv5−SEDC模型对煤和矸石的检测准确度较YOLOv5−seg和Mask−RCNN模型更高,说明了YOLOv5−SEDC模型在煤矸分割识别上具有较好性能。
-
关键词
煤矸分割
煤矸识别
压缩激励网络
YOLOv5−SEDC
YOLOv5−seg
注意力网络
空洞卷积
-
Keywords
coal and gangue segmentation
coal and gangue recognition
compressed incentive network
YOLOv5-SEDC
YOLOv5-seg
attention network
dilated convolution
-
分类号
TD67
[矿业工程—矿山机电]
TD94
[矿业工程—选矿]
-
