基于纹理特征融合的煤岩图像分类方法研究
这是一篇关于煤,煤岩图像,破坏类型,纹理特征,决策融合,双线性神经网络,智慧矿山的论文, 主要内容为煤体破坏类型是复杂矿区煤岩动力灾害防治和瓦斯突出危险性评估的关键因素,但在井下实际中,其识别方法仍以人工物理观察辨别为主。在智能化、高效化和无人化的智慧矿山建设需求下,将煤体破坏类型作为分类标准,根据不同煤体破坏类型具有显著纹理视觉差异的特点,将通道注意力和差异性纹理特征作为切入点开展了基于深度学习的煤岩图像分类方法研究。针对现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,存在分类精度较低、难以同时适用于简单纹理和复杂纹理分类的问题。首先提出了改进的双线性神经网络模型B-SE-Res Net,该模型在有益于纹理特征提取的双线性结构基础上,采用SE-Res Net作为特征提取子网络,在避免过拟合的基础上能够给予各特征通道不同程度的注意力,从而提高纹理图像的分类准确率。然后,基于B-Res Net18模型构造能够融合图像差异性纹理特征的并行双线性网络结构,采用自适应决策融合方法,对该网络的通道特征进行权重赋予,获取分类标签,得到了能够满足复杂纹理图像分类需求的B-FT-Res Net模型。以加权平均精确率、召回率和F1-Socre等作为综合评价指标,在与纹理相关的公共数据集KTH-TIPS,KTH-TIPS-2b,UIUC上进行实验,结果表明所提出模型具有较强的纹理图像分类能力,相较于经典方法和近年先进算法中的最优结果,平均提升了3.06%和2.43%。最后,为获得适用于井下煤岩破坏类型图像的分类模型,使用高清防爆相机,在孟村煤矿、神东煤矿、阜生煤矿等矿区井下采集五种破坏类型的煤岩图像,构建了破坏煤岩图像数据集Tectonic Coal,所提出的B-FT-Res Net模型在该数据集上达到了99.52%的平均分类准确率。该论文有图29幅,表9个,参考文献75篇。
改进YOLOv5小目标检测方法在智慧矿山中的应用研究
这是一篇关于智慧矿山,小目标检测,多层融合,子像素卷积,K-means++,SIoU损失函数的论文, 主要内容为在露天矿作业场景中,使用激光云台对生产过程进行监控,在监控画面中通常存在大量的人和车辆等小目标。然而,这些小目标分布密集、分辨率低且尺度不均匀,导致目标检测算法的检测难度大,可能造成漏检或误检的情况,将给露天矿安全开采带来隐患。针对上述问题,本文提出了一种基于改进YOLOv5的小目标检测算法(Multi Layer Fusion and Super-resolution Network,MS＿Net),旨在满足露天矿作业场景中小目标的检测需求,实现矿山智能检测。具体的改进内容如下:(1)针对露天矿作业场景中小目标分布密集的问题,本文提出了多层融合模块(Multi-layer Fusion,MLF)。MLF模块融合了PANet的三个输出层和保留大量小目标位置信息的F1特征图,综合利用不同层所提供的位置信息和语义信息,增强模型对小目标的识别和定位能力,有效解决露天矿作业场景中小目标分布密集的问题。(2)针对露天矿作业场景中小目标分辨率低的问题,本文采用超分辨率方法中的子像素卷积作为模型的上采样方法。相比于双线性插值进行上采样,子像素卷积在提高分辨率的同时,可以最大限度地保留特征图的细节信息,减少特征丢失。(3)针对露天矿作业场景中小目标尺度不均匀的问题,本文使用K-means++算法自适应确定最佳的锚框数量和大小,可以更好地适应不同尺度目标的检测需求,提高模型的检测精度和鲁棒性。K-means++算法还可以减少训练时间和空间消耗。(4)为了更准确地评估小目标预测框和真实框之间的匹配程度,本文采用SIo U损失函数作为模型的定位损失函数。相比于CIo U损失函数,SIo U损失函数考虑到所需回归之间的向量角度,重新定义了惩罚指标,从而提高模型的稳定性和鲁棒性,特别是在小目标检测方面具有较好的效果。MS＿Net模型在VOC数据集上的m AP@0.5为79.4%,FPS为59;在矿山数据集上的m AP@0.5为80.2%,FPS为64.5。消融实验结果表明,MS＿Net模型提出的四种优化策略可以有效增强YOLOv5在露天矿作业场景中小目标的识别和检测能力。MS＿Net模型部署到Deep Stream平台中的检测效果和实际应用分析表明,MS＿Net模型能快速、准确、高效地检测出露天矿作业场景中的车辆和作业人员等小目标。
基于纹理特征融合的煤岩图像分类方法研究
这是一篇关于煤,煤岩图像,破坏类型,纹理特征,决策融合,双线性神经网络,智慧矿山的论文, 主要内容为煤体破坏类型是复杂矿区煤岩动力灾害防治和瓦斯突出危险性评估的关键因素,但在井下实际中,其识别方法仍以人工物理观察辨别为主。在智能化、高效化和无人化的智慧矿山建设需求下,将煤体破坏类型作为分类标准,根据不同煤体破坏类型具有显著纹理视觉差异的特点,将通道注意力和差异性纹理特征作为切入点开展了基于深度学习的煤岩图像分类方法研究。针对现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,存在分类精度较低、难以同时适用于简单纹理和复杂纹理分类的问题。首先提出了改进的双线性神经网络模型B-SE-Res Net,该模型在有益于纹理特征提取的双线性结构基础上,采用SE-Res Net作为特征提取子网络,在避免过拟合的基础上能够给予各特征通道不同程度的注意力,从而提高纹理图像的分类准确率。然后,基于B-Res Net18模型构造能够融合图像差异性纹理特征的并行双线性网络结构,采用自适应决策融合方法,对该网络的通道特征进行权重赋予,获取分类标签,得到了能够满足复杂纹理图像分类需求的B-FT-Res Net模型。以加权平均精确率、召回率和F1-Socre等作为综合评价指标,在与纹理相关的公共数据集KTH-TIPS,KTH-TIPS-2b,UIUC上进行实验,结果表明所提出模型具有较强的纹理图像分类能力,相较于经典方法和近年先进算法中的最优结果,平均提升了3.06%和2.43%。最后,为获得适用于井下煤岩破坏类型图像的分类模型,使用高清防爆相机,在孟村煤矿、神东煤矿、阜生煤矿等矿区井下采集五种破坏类型的煤岩图像,构建了破坏煤岩图像数据集Tectonic Coal,所提出的B-FT-Res Net模型在该数据集上达到了99.52%的平均分类准确率。该论文有图29幅,表9个,参考文献75篇。
基于纹理特征融合的煤岩图像分类方法研究
这是一篇关于煤,煤岩图像,破坏类型,纹理特征,决策融合,双线性神经网络,智慧矿山的论文, 主要内容为煤体破坏类型是复杂矿区煤岩动力灾害防治和瓦斯突出危险性评估的关键因素,但在井下实际中,其识别方法仍以人工物理观察辨别为主。在智能化、高效化和无人化的智慧矿山建设需求下,将煤体破坏类型作为分类标准,根据不同煤体破坏类型具有显著纹理视觉差异的特点,将通道注意力和差异性纹理特征作为切入点开展了基于深度学习的煤岩图像分类方法研究。针对现有基于深度学习的图像分类方法普遍缺少纹理特征的针对性,存在分类精度较低、难以同时适用于简单纹理和复杂纹理分类的问题。首先提出了改进的双线性神经网络模型B-SE-Res Net,该模型在有益于纹理特征提取的双线性结构基础上,采用SE-Res Net作为特征提取子网络,在避免过拟合的基础上能够给予各特征通道不同程度的注意力,从而提高纹理图像的分类准确率。然后,基于B-Res Net18模型构造能够融合图像差异性纹理特征的并行双线性网络结构,采用自适应决策融合方法,对该网络的通道特征进行权重赋予,获取分类标签,得到了能够满足复杂纹理图像分类需求的B-FT-Res Net模型。以加权平均精确率、召回率和F1-Socre等作为综合评价指标,在与纹理相关的公共数据集KTH-TIPS,KTH-TIPS-2b,UIUC上进行实验,结果表明所提出模型具有较强的纹理图像分类能力,相较于经典方法和近年先进算法中的最优结果,平均提升了3.06%和2.43%。最后,为获得适用于井下煤岩破坏类型图像的分类模型,使用高清防爆相机,在孟村煤矿、神东煤矿、阜生煤矿等矿区井下采集五种破坏类型的煤岩图像,构建了破坏煤岩图像数据集Tectonic Coal,所提出的B-FT-Res Net模型在该数据集上达到了99.52%的平均分类准确率。该论文有图29幅,表9个,参考文献75篇。
面向某3DGIS平台的煤矿井下地图匹配算法研究与应用
这是一篇关于智慧矿山,地图匹配,3DGIS,微服务的论文, 主要内容为三维地理信息系统(3DGIS)是智慧矿山的重要组成部分,人员定位系统作为3DGIS平台的核心,对煤矿的日常运营和安全管理起着重要的作用。我国煤矿企业广泛使用3DGIS平台历史较短,相应平台大多不够成熟。在山东某煤矿企业使用的3DGIS平台(H平台)日常运行中,发现该平台的人员定位系统中存在人员定位偏离巷道、历史轨迹穿模等问题。此类问题不仅会对管理人员造成困扰,更可能引起系统的误判断、误操作,对煤矿的安全生产是一个重大隐患。针对上述问题,本文以H平台为例开展了以下工作:(1)针对平台中人员定位偏离巷道的问题,以基于几何的地图匹配算法为基础,结合煤矿井下UWB定位系统的误差特征,提出一种基于圆弧投影的地图匹配算法。首先,通过定位点组成的轨迹线计算出当前基站位置。其次,以基站为球心,定位点与基站距离为半径构建球体。最后,将球体与巷道的交点作为该定位点的匹配点。同时,利用候选集和加速策略提升了算法的匹配效率。实验结果证明,该算法在煤矿井下巷道中有较好的匹配精度和匹配效率。(2)针对平台中因定位数据缺失导致历史轨迹穿模的问题,提出一种基于数据融合的低采样率地图匹配算法。首先,将原始的轨迹按照连通性分成多个子轨迹,对每段子轨迹使用基于圆弧投影的地图匹配算法,将所有定位点匹配到巷道之内。其次,计算出各段子轨迹之间时间约束下的k最短路径作为候选路径集。然后,以出行习惯和时间匹配度为指标进行数据融合。最后,选择融合值最大的路径为匹配路径,对定位点进行补充。相比于传统的低采样率地图匹配算法,该算法充分考虑了时空约束和个人历史数据,提升了路径匹配精度。同时根据煤矿井下巷道的区域性特征,使用Floyd算法计算出各个巷道间的最短路径并对结果进行持久化,提升了路径匹配效率。实验结果证明,该算法在煤矿井下缺失数据路段上的匹配精度优于同类算法。(3)使用微服务架构对H平台进行了无感知升级。经测试,本文算法模块运行稳定,匹配效果良好。
基于智能视频分析的带式输送机安全监测与保护系统研究及应用
这是一篇关于深度学习,视频分析,带式输送机,目标检测,智慧矿山的论文, 主要内容为煤矿是国家重要的基础产业,随着矿山开采技术的发展,煤矿安全形势虽然逐渐好转,但与其他行业相比,煤矿安全事故仍是我国煤矿安全管理面临的重大问题。面对日益严峻的煤矿安全生产形势,如何提前发现事故隐患,提高煤矿开采效率是目前急需解决的问题。矿用带式输送机是煤炭运输的重要大型机电设备,是煤炭输送的大动脉,也是煤矿安全事故的频发地。随着工业自动化和信息化进程的快速推进,对煤炭的日产量的需要也日益增长,这对于带式输送机的煤炭负载和运输量也随之增高。然而,在带式输送机对煤炭进行运输的过程中,煤流中常会夹杂煤矸石、大块煤、锚杆等异物,且在煤炭运输过程中带式输送机的周边区域也存在人员工作违章等安全隐患,从而引起皮带撕裂、堆煤、堵煤、人员伤亡等事故发生。因此本文围绕带式输送机的安全监测与保护进行研究,通过设计目标检测与识别网络模型对带式输送机的监控视频进行智能视频分析,从源头上建立带式输送机的安全监测与保护系统。本文的主要研究内容与创新点如下:(1)提出面向矿井人工照明光照不均匀条件下的煤流异物检测方法LEYOLOv3,并进行了系统开发和现场测试应用。首先,分析煤矿井下实际的工矿照明环境,然后基于适合于非煤异物检测的目标检测算法模型YOLOv3,提出了面向矿井不均匀光照边缘增强的改进YOLOv3异物检测算法—LE-YOLOv3来提升矿井带式输送机煤流夹杂异物检测的准确性。首先,通过在LLNet的结构中添加EEM边缘增强模块,并将该融合模块进一步与YOLOv3的网络框架相结合,增强矿井带式输送机煤流监测图像的光照信息,然后还通过线性差值和随机裁剪的混合数据集增强方法增强了锚杆数据集样本,使异物检测效果得到明显提升。最后通过客户端界面设计和系统开发,并在煤矿生产现场进行了测试和分析,验证了本文所提出的煤流异物检测方法的有效性。(2)提出面向矿井主运输巷道复杂环境的目标检测算法PS-YOLOv3,并将其应用于实时监测矿井带式输送机运转工作区域人员佩戴安全帽和危险区域入侵等违章行为监测。首先,在原始YOLOv3算法模型上加入了PS多层次特征融合模块,并对骨干网提取的不同层次特征进行聚合。同时,本课题在PSYOLOv3中的Neck层中又引入SE注意力模块,从而关注不同尺度上目标的显著性特征,提高了模型的检测能力。最后通过客户端界面设计和系统开发,并将其应用在煤矿的生产现场,结果表明,本文所提出的方法及系统具有良好的检测效果和实用价值。该论文有图32幅,表3个,参考文献85篇。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈网 ，原文地址：https://m.bishedaima.com/lunwen/52462.html
