煤矿井下图像的双分支耦合Transformer网络增强方法

受煤矿井下光源少、光照不均匀等因素影响,井下采集到的图像存在照度低、呈现大量暗区、细节信息模糊或缺失、过暗产生噪声等问题。现有图像增强方法在进行低照度图像增强时容易出现色彩失真、细节信息丢失等缺点,另外深度学习低照度图像增强方法在一定程度上解决了低照度图像亮度增强的问题,但其模型泛化能力较差,在实际煤矿井下场景应用效果不佳。针对上述问题,利用Transformer本身泛化能力强的优势,提出一种基于Transformer模型的低照度图像增强算法。融合Swin v2模块与卷积模块,构建煤矿井下低照度图像的乘法图和加法图,并与原图像进行叠加拟合,以解决细节信息模糊或缺失、过暗产生噪声的问题。同时采用多尺度模块的注意力机制对叠加拟合后的图像进行色彩处理,以解决图像亮度提升有限、存在大量暗区以及色彩失真的问题。经实验表明,相较于LIME、Zero-DCE、RetiNexNet、MBLLEN、KIND算法,本文算法在客观质量指标峰值信噪比(PSNR)和结构相似性(SSIM)上的表现,分别提高了34.76%、55.73%,47.32%、52.76%,22.52%、25.7%,19.615%、12.285%,5.81%、2.625%。同时定性分析结果表明该方法能够对煤矿井下低照度图像进行显著增强,图像亮度达到可视范围,相比其他方法,色彩更加真实,图像细节信息更为清晰。说明本文提出的算法在图像噪声程度、色彩失真程度、对比度、结构相似度以及亮度等方面均具有良好的性能,整体相对较优。     

一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法

受煤矿井下粉尘、水雾和低照度环境影响,对皮带运输系统的监测图像精准识别极为困难。针对现有去尘雾方法的图像处理结果和效率欠佳的问题,提出一种基于暗亮通道分割融合的低照度环境图像去尘雾及增强方法。首先利用阈值分割结合伽马变换修正通道差,解决因低照度环境影响导致的尘雾浓度较大区域与其他区域间像素值差异不明显的问题,修正后通过引导尘雾图像做引导滤波得到更加符合实际情况的全局大气光强;然后为解决暗通道先验在尘雾浓度较大区域失效问题,引入亮通道先验进行补充,使用通道分量来辅助暗通道及亮通道透射率融合,避免因多次分割而导致的边缘像素归属问题;最后将去雾后RGB图像转至HSV空间,对亮度分量进行直方图均衡化并将均衡化前后的亮度分量进行加权融合,采用客观指标评价,选择最优聚合权值进行聚合,同时考虑去雾过程中饱和度损失和亮度分量与饱和度分量间的相关性提出饱和度自适应矫正函数,对图像饱和度进行矫正,色调分量保持不变,随后将图像转回至RGB空间,得到亮度适中、信息保留丰富和色彩鲜艳的图像;为验证所提方法的有效性,采用主观视觉、客观指标和目标检测精度及置信度进行算法对比,实验结果表明所提方法在上述4个指标上均优于被对比算法,其图像细节保留丰富,图像视觉观感更佳。     

基于改进型生成对抗网络的矿井图像超分辨重建方法研究

智能化无人开采是煤炭资源绿色、智能、安全、高效开采的技术发展趋势,高分辨率的矿井图像能够为煤矿智能开采和智能监控提供关键技术支撑。针对煤矿井下雾尘环境,目前采用常规的深度学习方法虽然能够提高矿井图像重建效果,但是受井下环境噪声影响,模型训练的稳定性较差,难以获得矿井图像的重建高频信息,导致图像重构质量欠佳,易出现矿井图像模糊和分辨率下降等问题。针对上述问题,提出一种基于生成对抗网络的矿井图像超分辨率重建方法。该方法基于SRGAN网络,对网络结构和损失函数进行改进优化,在生成器的浅层特征提取层和重建层分别采用2个5×5的卷积层,并在浅层特征提取层的每个卷积层后加入非线性激活函数,深层特征提取层采用残差结构,通过级联亚像素卷积层以实现矿井图像不同倍数的超分辨重建;采用Wasserstein距离对损失函数进行改进,并去掉判别器输出层的Sigmoid,使用RMSProp方法对网络进行优化,提高模型训练的收敛速度和稳定性;利用训练好的生成器模型,据此分别对矿井图像进行2倍和4倍超分辨重建,并对实验结果进行主观视觉分析和客观评价。结果表明,与传统的双三次插值、SRCNN、SRGAN相比,在相同缩放因子条件下,所提方法的峰值信噪比分别提升了2.68、1.50和1.59 dB,结构相似性分别提升了0.0334、0.0048和0.0061,所提方法能够重建出清晰的矿井图像纹理和细节信息,在主观视觉上以及峰值信噪比和结构相似性上都实现了更好的重建效果,且整体性能优于其他几种方法,有效提高了矿井图像的分辨率。     

基于IHS与NSST的矿井彩色低照度图像融合算法

针对矿井工作环境能见度低,光照条件差,人员检测效果不佳的问题,提出了一种基于 IHS(Intensity-Hue-Saturation)与非下采样剪切波变换 NSST(Non-subsampled Shearlet Transform)的矿井彩色低照度图像融合算法.三通道彩色图像通过 IHS 逆变分别得到亮度分量和色度分量;使用 NSST 逆变换的方法对亮度分量进行分解,系数选择方案使用绝对值取大的方式,得到新的亮度分量;最后,通过 IHS 逆变换将已有的色度分量和亮度分量进行图像融合,得到最终结果.基于 IHS 与 NSST 的彩色低照度图像融合算法可有效提升矿井彩色低照度图像融合性能,减小矿井彩色低照度图像光谱失真,且能较好地保持空间特征信息,支持后续矿井彩色低照度图像中人员的识别与检测任务.     

基于GAN网络的煤岩图像样本生成方法

煤矿智能化要求实现智能化开采,其中煤岩识别是实现无人化开采的核心技术之一,近年来基于图像的煤岩识别方法受到广泛关注。受采掘环境影响导致图像获取困难是制约煤岩图像识别的主要因素之一,针对煤岩图像数据短缺的问题提出解决方法并增加数据量,基于在单张图像上训练的生成式对抗网络提出Var-ConSinGAN模型并构建样本生成与特征迁移框架。ConSinGAN模型生成的图像虽然清晰但对于煤岩图像生成来说仍然缺少多样性,改进模型的训练方式和图像重构方法可提高生成煤岩图像的多样性。模型采用金字塔结构,使用多阶段训练方法,每个阶段训练不同尺度的图像,可以生成任意数量图像。在模型中提出了新的图像尺寸变换方法用来生成分辨率不同的重构图像,同时采用曲线函数使每一阶段的迭代次数逐步增加,之后对第1阶段用单张图像生成的结果使用基于辅助分类器的条件生成式对抗网络进行特征迁移。新图像重建方法保持重建图像高分辨率阶段的密度大于低分辨率阶段的密度,新训练迭代函数在减少模型学习图像结构的次数的同时增加模型学习图像纹理细节的次数。新的训练迭代函数可以减少模型迭代的总次数,从而减少模型训练时消耗的计算资源。模型需要输入一张符合正态分布的噪声图片,经过训练,生成器输出满足真实图像分布的生成样本。实验在500张煤岩图像上进行,每张图像生成400张仿真图像,并使用SSIM指标对生成图像的亮度、对比度、结构等3方面进行测评。其中结构性强的煤岩图像其SSIM指标值很低,反之,结构性弱的煤岩图像其SSIM指标值较高。根据实验结果可得结论:Var-ConSinGAN模型缓解了原始GAN在数据不足时无法训练和ConSinGAN生成的煤岩图像具有明显“边框”感且多样性不足的问题;Var-ConSinGAN与ConSinGAN相比模型性能提高了13.8%;特征迁移的实验结果显示不同种类的煤岩之间学习到了彼此没有的特征;增加了煤岩图像数据量。     

基于图像纹理特征的矿井水灾感知方法

水灾是煤矿重特大事故之一。 现有水灾监测报警方法存在着适应性差、误报和漏报率高等 问题,难以满足煤矿安全生产需求。 为此,提出了基于图像纹理特征的矿井水灾感知方法:在巷道 顶部或巷帮、采煤工作面支架等设置摄像机,实时采集采掘工作面和巷道底板图像;通过双树复小 波变换,提取水、煤、岩石图像纹理特征,建立水灾图像识别模型;对学习样本进行双树复小波变换, 提取 1,2 级系数,统计其方差与期望值,利用相应的方差与期望值构造泊松分布模型,并估计其各 个方向模型的强度参数。 对待测样本同样进行双树复小波变换后,利用 1,2 级系数的方差与期望 值构成的模型强度参数向量与样本参数向量进行皮尔逊相似性比较,最终确定待测样本分类。 根 据水灾图像识别模型,对实时监测的图像进行识别,当分割图像具有水灾纹理特征时,进行水灾报 警。 采集了水灾模拟实验图像,建立了图像数据库。 对所提出的模型编制了相应的实验程序,进行 了模型的训练和实验验证。 研究了水、煤、岩石在双树复小波域泊松分布下系数统计值的分布规 律,并对模型的性能进行了参数化的评估。 通过实验验证了基于图像纹理特征的矿井水灾感知方 法的可行性。 实验表明,基于图像纹理特征的矿井水灾感知方法,识别水灾准确率大于 81% 。     

基于VAE-WGAN的矿井提升机主轴承小样本故障诊断方法

作为提升机的关键组件,主轴承在长时间高速重载服役过程中,其性能会发生退化并导致故障产生,故开展提升机主轴承故障诊断对保障矿井提升机安全高效运行具有重要意义。然而,矿井提升机运行状态监测的数据中正常服役与故障状态的比重严重失调,呈现出正常样本多、故障样本少、标签样本不足等特点,导致矿井提升机主轴承故障模型训练效果不理想、诊断准确度低。针对小样本下矿井提升机主轴承故障诊断准确率低的问题,通过融合变分自编码器和Wasserstein生成对抗网络,构建基于VAE-WGAN的矿井提升机主轴承样本增广模型,进而提出基于CBAM-MoblieNetV2的故障诊断方法,实现小样本数据下的矿井提升机主轴承故障诊断。在算法层面上,引入Wasserstein距离度量,解决生成对抗网络训练梯度消失问题。在数据层面上,使用凯斯西储大学数据集对VAE-WGAN进行测试,并通过量化指标评价VAE-WGAN生成能力的方式优选超参数,再用矿井提升机模拟实验台轴承数据集训练VAE-WGAN,实现小样本数据集增广扩容。为了提升故障诊断模型的特征提取能力和故障诊断准确率,在轻量化卷积神经网络MobileNetV2的基础上,将卷积块注意力机制CBAM融合到MobileNetV2深层特征映射,搭建注意力机制卷积分类网络CBAM-MobileNetV2,通过融合跨通道信息和空间信息实现更多地关注故障特征。最后与WGAN_GP、DCGAN,VAE以及WGAN等传统生成模型进行了对比分析,VAE-WGAN+CBAM-MobileNetV2在4种小样本比例数据集上的准确率均高于其他4种方法,证明了所提样本增广和故障诊断方法在不同小样本比例故障数据集上的故障诊断准确率更高,能够满足小样本下的故障诊断要求。     

融合深度卷积神经网络和Swin Transformer的露天矿遥感图像超分辨率重建

针对现有露天矿遥感图像超分辨率重建模型提取特征能力弱、特征利用不充分的问题,提出了一种融合深度卷积神经网络和Swin Transformer网络的露天矿遥感图像超分辨率重建方法。首先,利用卷积神经网络和Swin Transformer网络将露天矿遥感图像映射到全局和局部特征空间,充分提取遥感图像的深层特征;然后,构造了一种基于注意力机制的多尺度特征融合网络,实现遥感图像局部和全局特征的深度融合,强化有效特征表达的区分能力;最后,将深度融合特征作为超分辨率解码模块的输入,重建出高分辨率的露天矿遥感图像。通过在自建露天矿区图像数据集和开源数据集上进行测试,试验结果表明:与当前主流的图像超分辨率重建算法相比,所提方法重构出的超分辨率图像具有较好的视觉感知,在均方根误差方面也低于其他对比方法。     

小样本下基于改进ACGAN数据增强的X射线矿石图像分类方法

针对工业领域利用深度学习模型对矿石进行在线分类时,矿石样本稀少导致的模型过拟合、分类准确率低的问题,提出一种结合X射线透射成像技术的矿石数据增强分类方法。该方法基于改进辅助生成对抗网络(Enhance-based Classification ACGAN-gp, EC-ACGAN-gp),采用卷积和连续残差块构建判别器和生成器,引入注意力机制捕捉矿石细节特征,生成高质量样本扩充原始数据集,同时使用带梯度惩罚的Wasserstein距离重构判别器的损失函数提高对抗训练的稳定性,避免模式崩溃。通过增加辅助分类器重建样本标签信息,最终实现矿石样本的类别预测。结果表明,该方法能实现矿石品位分类的精准预测,准确率可达89.62%,比现有传统方法提高3.98%。该模型生成的矿石样本泛化性良好,能够显著提高小样本数据集的泛化性,在SVM、LeNet5、VGGNet、ResNet上测试,精度分别提升了2.83%、2.36%、1.89%和3.74%,可进一步用于提升其他分类模型在矿石品位预测方面的性能。     

基于模糊核估计的矿井低照度图像超分辨率重建

在建设智慧矿山的过程中,矿井低光照条件下检测系统对人员违规、机器隐患、环境隐患识别率低,考虑到矿井下图像大多为像素低、噪声多、照度低的真实图像,不适用于常见的重建方法。因此,提出一种基于模糊核估计构建训练集的重建方法,将低分辨率的图像重建为高分辨率的图像。该方法主要包括两部分,首先根据真实数据集DPED中的图像提取真实的模糊核,通过采用基于retinex的方法估计真实图像的模糊核,同时引入梯度先验信息以进一步加强模糊核的边缘;然后,构建矿井数据集,将提取到的真实模糊核与矿井数据集卷积构建训练集,最后对矿井下的真实图像进行超分辨率重建测试。试验表明,基于模糊核估计的真实低照度图像超分辨率重建方法为后续系统的检测识别提供了更高分辨率的图片,将该算法初步应用于选煤厂的异物检测中,检测精度达到了95.3%,大大降低了误报率,使煤矿生产更加安全、高效。     

基于可见光视觉特征融合的矿井外因火灾监测方法

为了解决矿井外因火灾监测实时性差、误报率和漏报率高的问题,提出了基于可见光视觉特征融合的矿井外因火灾监测方法。首先,分析了不同监测环境中火源视频图像对应的视觉特征,并设计了火源纹理、尖角、相似系数和闪动频率的提取方法;其次,采用改进的种子区域生长算法对火灾疑似区域进行分割,并利用不同的火源特征提取方法计算火灾疑似区域的动、静态特征;然后,融合所提取的动、静态特征,构建火灾特征向量;最后,构建了基于BP神经网络的火灾监测模型,并对监测模型进行了验证。结果表明,本文提出的火灾监测方法可有效检测不同场景和不同距离下的外因火灾,正确率和检测率分别达到98.60%和99.09%,误检率低至2.00%,并有很强的抗干扰能力和鲁棒性。     

基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法

冲击地压和煤与瓦斯突出容易造成煤矿重特大事故。针对目前煤矿冲击地压和煤与瓦斯突出事故发生主要靠人工发现,结合灾害造成不同于正常工况下采掘工作面和巷道空间的颜色和深度特征,提出了一种基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法：在煤矿井下巷道顶板、巷帮靠近顶板以及采掘工作面液压支架顶部或靠近顶部等位置多点布置带有补光灯的彩色双目摄像机,实时采集采掘工作面和巷道空间彩色图像和深度图像;以煤矿井下与灾害抛出煤岩有着鲜明颜色差别的生产设备作为背景,监测识别是否出现彩色图像颜色发生较大变化;如果掘进巷道端头、巷道中间、巷道入口,或回采工作面,或进风巷道入口、巷道中间,或回风巷道入口、巷道中间,或主运输、辅助运输大巷等位置彩色双目摄像机监测到图像颜色发生较大变化,则监测彩色图像平均亮度是否小于设定的亮度阈值;如果平均亮度小于设定的亮度阈值,则以与灾害抛出煤岩有鲜明颜色差别的生产设备为背景,监测深度图像是否发生较大变化;如果深度图像发生较大变化,那么监测导致深度图像发生较大变化物体的移动速度是否大于设定的速度阈值（v>13 m/s）;当移动速度大于设定速度阈值时,利用多点布置的甲烷传感器监测监视区域内甲烷浓度,当采煤工作面、掘进工作面、进风巷道、回风巷道、总回风巷道等多个不同地点均监测到甲烷浓度大幅升高或达到报警值,那么进行煤与瓦斯突出报警,反之,则进行冲击地压报警。提出了彩色双目摄像机感知灾害最佳倾角的确定方法,以及导致深度图像发生较大变化物体移动速度的确定方法。在确保安全性的前提下,简化了灾害模拟试验,设计了一套煤矿冲击地压和煤与瓦斯突出颜色和深度特征模拟试验装置：采用与煤岩颜色和比重相近的10 mm橡胶球替代灾害抛出煤岩;利用直径315 mmPVC管模拟煤矿井下巷道受限空间以及与抛出煤岩有着鲜明颜色差异的背景设备;利用轴流式高压鼓风机作为动力装置,进行模拟冲击地压和煤与瓦斯突出发生时大量煤岩抛出造成的采掘工作面和巷道空间颜色和深度异常特征;利用3.4 mm焦距、30FPS、71°×55°视场角的彩色双目摄像机,完成对整个灾害模拟过程的监视与彩色双目图像采集。研究分析表明,提出的方法可识别出灾害发生时颜色和深度特征,验证了基于深度特征的煤矿冲击地压和煤与瓦斯突出图像感知报警方法的可行性与有效性。     

基于LMIENet图像增强的矿井下低光环境目标检测方法

煤矿井下工作环境复杂,存在人造光源亮度低、粉尘多和水气密度大等不利因素,导致现有的目标检测算法在应用到煤矿井下时,存在提取特征困难、目标识别和定位精度低等问题。提出一种煤矿井下低照度环境目标检测算法,由矿井低光图像增强模块LMIENet和目标检测模块组成,使用图像增强模块对原始图像进行画质提升,恢复各类图像信息,再使用目标检测网络对增强图像进行特定目标检测,有效提高检测的精确度。在图像增强模块中,改进Zero-DCE算法设计轻量级增强参数预测网络,计算像素级增强参数矩阵,用于低光照图像的亮度调整和画质增强,该网络通过设计的非参考损失函数隐性衡量图像的增强效果,引导网络进行无监督学习,使网络能够不依赖配对数据集对原始图像进行自适应的画质增强。目标检测模块中,采用YOLO v8n目标检测模型,其轻量化的模型尺寸和高灵活性可避免模型整体复杂度过高;采用Focal-EIoU Loss改进回归损失函数,有效加速模型收敛并提升模型检测精度。实验结果显示：与经典目标检测算法Faster R–CNN,SSD, RetinaNet, FCOS等相比,提出算法在自建矿井人员数据集上表现出色,低光照环境下目标检测的mAP@0.5达到98.0%,mAP@0.5∶0.95达64.8%,在实验环境中单帧图像推理时间仅11 ms,优于其他对比方法,证明提出算法能够有效实现在煤矿井下低照度复杂环境下的目标检测,且耗时短、计算效率高。     

基于注意力机制和空洞卷积的CycleGAN煤矿井下低照度图像增强算法

井下环境复杂,充斥着大量粉尘和水汽且人造光源光照不均,导致井下监控设备采集到的图像往往呈现出照度低、细节特征丢失等问题,严重影响了矿业安全监控设备的实时性,不利于后续计算机视觉任务,同时井下数据采集困难,难以制作配对的井下低照度图像数据集用于模型训练。针对上述问题,提出了一种基于CycleGAN的低照度图像增强算法。针对矿井下采集配对数据集困难,使用CycleGAN网络进行无监督学习;为改善生成器网络的细节特征提取能力,利用无参注意力机制(simAM)和双通道注意力机制(CBAM)构建图像增强网络,提高复杂背景下模型的抗干扰能力,使模型恢复图像细节特征效果更好;引入由残差空洞卷积构建亮度增强模块,在提升图像亮度的同时增大生成器网络的感受野,有利于细节的恢复,提高图像视觉质量;以Patch-GAN作为网络的判别器,将输入映射成一个矩阵,更加全面的关注到图像不同区域的细节特征,提高判别器对图像细节的分辨能力。实验结果表明,相较于算法CycleGAN,所提方法在峰值信噪比(PSNR)、结构相似度(SSIM)、信息熵和视觉信息保真度(VIF)上平均提高了11.31%、8.07%、2.58%、6.18%。     

基于生成对抗网络的罐笼人数统计方法

针对目前煤矿罐笼内部人数统计方法存在成本高、实时性差的问题,提出了一种基于生成对抗网络 (GAN) 的罐笼内部人数统计模型 G-SSD。该模型以经典的 SSD 作为基础目标检测模型,利用 GAN 在数据表达方面的优势进行数据集的扩充,并在基础 SSD 模型中引入了注意力机制模块来增强特征图谱,消除背景中的噪声并稳定模型的训练过程。试验结果表明,笔者所提出的模型在人数较少、人数适中、人数较多 3 种情景下的平均精度分别达到了 98.8%、96.9%、84.8%,相比于经典 SSD 模型其平均精度提升了 10.3%。并通过与多种现有目标检测模型的对比试验,证明了所提算法可以有效提高罐笼内部人数统计的效果。     

基于红外视觉特征融合的矿井外因火灾监测方法

为了解决矿井复杂环境下外因火灾监测误报率和漏报率较高的问题,提出基于红外视觉特征融合的矿井外因火灾监测算法。首先,改进红外小目标检测的局部对比度度量(LCM)模型,提高早期火灾目标的显著度,进而分割出火灾疑似区域;其次,通过分析不同监视场景下外因火灾和主要干扰热源在热红外图像序列中的视觉特征,选出抗干扰能力强的火灾显著特征;然后,优选火灾显著特征提取方法和相似度估计策略,以获取热红外图像序列中火灾疑似区域的主要视觉特征,并构建火灾特征向量;最后,通过建立特征向量集,构建基于支持向量机(SVM)的矿井外因火灾检测模型,对所提算法进行验证。结果表明：所提算法不仅能监测不同场景下的外因火灾,还能够监测远距离和早期阶段的外因火灾,其正确率和检测率分别达到96.93 %、96.24 %,误检率低至2.56 %;相较于对比算法,所提算法在火灾监测的准确率、误报率和漏报率方面均有较大的改善。     

基于图像内凹度的矿井外因火灾识别及抗干扰方法

尽早发现矿井火灾并处置,可避免或减少人员伤亡和财产损失及次生事故的发生。井下没有日光、月光、星光及闪电等自然光源,影响矿井火灾图像识别的主要是矿井光源。圆形度能够排除圆形光源的干扰,但难以排除非圆形光源的干扰。矩形度能够排除矩形光源的干扰,但难以排除非矩形光源的干扰。在工程实际中,因摄像机的拍摄角度不同,矿井光源图像会出现变形,无法呈现理想的规则形状,使用圆形度和矩形度算法难以排除矿井光源的干扰。揭示了火焰图像轮廓外接图面积明显大于其图像实际面积,圆形灯、长方形灯和正方形灯等矿井实际光源图像轮廓外接图面积近似等于其光源图像实际面积等特点。提出基于图像内凹度的矿井火灾识别及抗干扰方法,计算目标图像面积与图像轮廓外接图面积的比值(即图像内凹度),根据火焰图像内凹度数值较小,而矿井光源图像内凹度数值较大,区分火焰与矿井光源。提出的内凹度方法不受摄像机距检测目标距离和图像大小、摄像机安装位置和摄像机拍摄检测目标的角度、矿井光源形状等影响,适应性强,识别准确率高。实验表明,内凹度识别方法计算得到的矿井干扰光源减去火焰图像平均差值最大,波动最小,区分度最好,受摄像机拍摄角度及距离影响最小,抗干扰能力最强,准确率为91.6%。矩形度识别方法计算得到的矿井干扰光源减去火焰图像平均差值较大,波动较小,区分度较好,受摄像机拍摄角度及距离影响较小,抗干扰能力一般,准确率为72.5%。圆形度识别方法计算得到的矿井干扰光源减去火焰图像平均差值最小,波动最大,区分度最差,受摄像机拍摄距离影响较小,受摄像机拍摄角度影响大,抗干扰能力最差,准确率为12.0%。因此,提出的内凹度识别方法,优于矩形度和圆形度,区分度最好,受摄像机拍摄角度及距离影响最小,抗干扰能力最强。     

基于稀疏度自适应的矿井智能监控图像重构方法

矿井智能监控是实现少人或无人工作面自动化开采和可视化作业的重要保障。针对矿井监控图像易受噪声干扰和雾尘环境等影响,采用传统的基于奈奎斯特(Nyquist)采样和压缩方法存在分辨率低、图像模糊和运算时间过长等问题,根据压缩感知和稀疏重建理论,提出了一种利用分块压缩感知模型和自适应匹配追踪均衡策略获取矿井图像的方法。该方法通过建立矿井图像分块压缩感知模型,信源编码过程先利用稀疏随机矩阵对块图像进行压缩、采样、获得观测值,然后使用DFT作为稀疏基进行信号稀疏表示,最后利用一种改进的自适应匹配追踪算法进行图像重构实现解码。研究结果表明,提出的方法在与其他算法的比较中体现了较好的优越性,能有效提高矿井图像在压缩感知重构阶段的解码质量及其压缩处理速度,具有较强的抗噪声性能和鲁棒性,有助于改善矿井监控图像的清晰度和实时处理性能。     

融合ISSA和TA-CapNets的矿井滚动轴承故障诊断方法

滚动轴承作为矿井设备的核心部件,其运行状态直接关系到矿山生产安全和经济效益。为提升矿井滚动轴承故障诊断的性能,提出了一种融合改进麻雀搜索算法(Improved Sparrow Search Algorithm,ISSA)和时频自适应胶囊网络(Time-Frequency Adaptive Capsule Networks,TA-CapNets)的新型诊断方法。首先,通过采集矿井滚动轴承的运行数据,提取出反映轴承健康状况的特征;然后利用ISSA对特征进行优化选择,该算法通过模拟麻雀觅食行为,提高了全局搜索能力和收敛速度;再将优化后的特征输入TA-CapNets中,能够自适应地学习时频特征,有效捕捉轴承故障的动态变化。通过TA-CapNets的输出,结合故障模式识别,实现了对轴承故障的准确诊断。试验结果表明:该方法在故障诊断的准确性和实时性方面均优于传统方法,具有一定的实用价值和推广前景。