模拟暗湿工况下煤矸混合体态势热敏图像精准辨识试验

煤矸井下智能分选作为智慧矿山建设的重要组成,可有效提升矿井资源绿色利用。现阶段可见光图像识别技术针对井下昏暗潮湿环境中煤矸混合体的辨识还有待完善。基于热红外成像技术和改进YOLOv5算法模型,提出了一种暗湿工况下煤矸混合态势热敏图像辨识方法。将YOLOv5模型的Neck部分改用加权双向特征金字塔（BiFPN）结构,通过多层次特征融合提高煤矸的辨识效率,采用CIOU函数作为损失函数,提升煤矸检测精准率;构建了煤矸混合体热敏采集试验平台,模拟了井下密闭空间低照度、高湿度、高风速环境,通过CLAHE与LAPLACE算子对红外摄像机所采集的热敏图像进行对比度增强和边缘强化预处理,以不同数据集、不同改进模块、不同算法模型等多个角度系统分析了煤矸混合体态势热敏图像辨识结果,探究了湿度变化对暗湿工况下煤矸识别准确率的影响规律。研究结果表明：预处理后的图像平均精准率较原始图像提升了1.7%,F-Measure值提升了6.9%;改进后的YOLOv5模型平均精度均值和F-Measure达到了80.2%和84.6%,高于经典模型的74.6%和79.7%,可有效提升煤矸热敏图像检测精度;环境相对湿度与识别准确...     

特厚煤层综放煤-矸-岩放落流动的时序规律及识别方法

综放工作面放煤工艺中的煤矸智能识别是智能化综放开采的瓶颈,经过十几年的不断探索研究,基于煤层的沉积环境和岩性赋存特征,提出了煤岩层低水平自然γ射线辐射高精度实时探测方法和煤矸自动识别原理,为综放工作面放煤工序的煤矸智能识别控制奠定了基础。根据特厚煤层含多层夹矸的复杂结构特征,以提高煤矸识别的精准性为目的,分析了特厚煤层夹矸的赋存特点及自然辐射特性;开展了煤-矸（夹矸）-岩（直接顶岩石）放落流动的时序规律研究,得出顶煤中夹矸的层位、间距、层数等因素会影响放落流动时序,且呈现不同的时序状态,据此进行了放落流动时序分区;相应地不同时序区的混矸率会呈现不同的特征：当夹矸无时序放出时,混矸率在一固定的范围内波动,当煤-夹矸渐次放出时,混矸率呈现上升—稳定—连续台阶式上升的特征,直接顶矸石的混入,使得混矸率呈线性增加;基于煤-矸-岩放落流动的时序特征,得出了不同时序条件下自然射线的辐射变化特征,确定了自然射线辐射强度台阶式变化与夹矸赋存参数的影响关系,区分了放煤流中含有夹矸和直接顶矸石混入的辐射特征,确定了不同煤-矸-岩放落时序区的辐射强度范围,提出了以自然射线辐射强度作为煤-矸-岩自动识别的主要...     

基于改进Faster R-CNN的综放煤矸混合放出状态识别方法

放煤量的智能监测技术是智能化综放开采发展的方向之一。针对厚煤层综放开采混合介质下落过程煤矸智能识别现有方法存在适用范围窄、误判率高等问题,提出一种基于实时区域卷积神经网络（Faster R-CNN）改进的CBAM Faster R-CNN煤矸混合放出状态分析识别方法。该方法以综放开采工作面煤矸石下落状态为背景,将注意力机制算法（CBAM）融入ResNet50特征提取网络,研究了注意力机制融合于ResNet50主干特征提取网络的融合优化方法,确定了以煤矸石下落状态检测为目标的最佳融合位置,增加了提取煤与矸石权重信息的能力,使得特征提取过程重点关注煤矸运动状态参量;构建了粉尘环境下综放开采煤矸混合放出状态试验平台,对高速摄像机所采集的煤矸原始运动图像进行暗通道去雾与模糊集增强预处理操作,分析识别不同工况下静态图像,定量研究了模型权重优化以及粉尘环境预处理对煤矸混合放出状态识别的影响。研究结果表明：基于CBAM Faster R-CNN模型的预处理图像识别精确率较原始图像提升了8.84%,召回率提升了6.68%;模型优化效果方面,CBAM Faster R-CNN模型平均查准率和召回率分别为...     

综放开采煤矸自动识别基础研究

综放开采煤矸自动识别是实现综放开采技术自动化的关键,为此,提出了采用双能γ射线技术对放顶煤煤矸混合体中的矸石含量进行测定识别。分析了双能γ射线穿过煤矸混合体时的衰减规律,建立了煤矸混合体灰分与含矸量间的量化关系,通过实验的方法对双能γ射线煤矸识别的灰分、含矸率等相关参数进行了实验分析,建立了两者之间的相关关系,同时对仪器响应的实时性进行了验证。结果表明,利用双能γ射线技术对放顶煤煤矸混合流中矸石含量进行实时测定识别是可行的。     

放顶煤工作面煤矸混合度自动识别研究进展

自动化放煤是实现自动化综放开采的关键技术,放煤过程中对于煤矸混合度的自动识别是研究的难点。文章依次论述了基于自然射线、声波信号、图像的放顶煤工作面煤矸混合度识别技术的研究进展,提出了基于图像的煤矸混合度识别技术是未来的发展方向,以及综采工作面的煤岩界面的识别技术及分选中的煤矸识别技术的研究进展,总结了为放顶煤工作面煤矸混合度识别提供的宝贵经验。提出了将深度学习理论引入到煤矸混合度识别研究中,为人工智能技术在采矿行业中的应用提供了新思路,对提高综放开采顶煤回收率、提高煤质、实现工作面自动化有重要意义。     

基于图像处理技术与InceptionV3神经网络的煤矸图像识别研究

采用支持向量机对比分析了SVM分类器与InceptionV3网络模型两种方式对煤矸图像的识别准确率。首先对煤和矸石图片进行灰度、降噪处理,提取煤和矸石灰度特征值,确定了灰度方差与灰度均值是区分煤和矸石的有效特征。然后选用SVM分类器与InceptionV3网络模型两种方式分别对采集到的煤和矸石图像各2 000张分为20组进行分类处理。结果发现,以灰度方差为判别依据的SVM分类器对煤矸图像的平均识别正确率为72.3%,以灰度均值为判别依据的InceptionV3网络模型对煤矸图像的平均识别正确率为85.7%.     

面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要.依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统.根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集.基于迁移学习的改进AlexNet...     

煤和矸石的冲击式破碎分离试验

利用冲击式破碎筛分装置,采用正交试验的方法研究煤矸硬度相对差值、物料冲击速度和冲击次数对丢煤率和混矸率的影响,并对试验结果进行了回归和方差分析。分析表明：丢煤率随煤矸硬度相对差值、物料冲击速度和冲击次数的增加而减小;混矸率随煤矸硬度相对差值的增大而减小,随物料冲击速度和冲击次数的增加而增大;物料的冲击速度和冲击次数对丢煤率的影响显著,煤矸硬度相对差值对丢煤率影响不显著;3个影响因素对混矸率影响都特别显著,且主次顺序为冲击速度、冲击次数、煤矸硬度相对差值。     

基于改进YOLOv3的煤矸识别方法研究

煤矸识别技术对实现煤和矸石自动分选具有重要意义,而现有的图像识别算法在实用性、准确率方面无法满足实际需求。基于图像处理技术和深度学习技术,提出一种基于改进YOLOv3的煤矸识别方法,针对煤矸识别目标小、辨识度低等问题,对原始YOLOv3的网络结构及损失函数进行了改进,用训练生成的模型在测试集上进行识别测试。测试结果表明:改进的YOLOv3-M在小样本上,可在短时间内使模型快速收敛,单张图像识别时间为21.6 ms,识别准确率为95.4%,能适应不同环境下的煤矸样本,可实现实时检测识别。     

不同照度下煤矸图像灰度及纹理特征提取的实验研究

研究煤和矸石在不同照度下的响应特性,设计了差异照度煤矸图像采集系统,进行了煤矸图像采集实验,建立了煤矸灰度子图像数据库,对数据库中的子图像的灰度、纹理特征进行了提取,通过定义归一化特征差异指数以及基于支持向量机(SVM)对实验数据进行了分析与讨论。结果表明:在同一照度下,煤和矸石在灰度及纹理特征上存在差异,且随着照度的改变,煤和矸石的特征也发生变化,同时两者的变化规律存在显著差异。基于不同特征的SVM分类器的识别正确率不同,照度的变化也会对分类器的识别正确率产生影响;当考虑照度因素后,分类器的识别正确率最大增加了13.31%,此外基于多特征多照度融合的SVM分类器性能较好,识别正确率为98-39%。     

综放煤矸低水平自然射线的涨落规律及测量识别分析

为研究综放开采煤矸的自动识别问题,提出了采用煤矸自然射线识别方法对放顶煤过程中放煤口的混矸进行测定识别,为此理论分析了矸石中低水平自然射线的涨落规律及测量时间对探测计数误差的影响,确定了放射性识别阈值及其精确判断阈值,通过实验的方法对矸石低水平自然射线的涨落规律及阈值进行了验证,确定了仪器的实时响应特性,研究结果为利用自然射线技术进行综放放煤口矸石出现的判断识别提供了依据,为综放工作面自动化放顶煤技术提供基础。     

用于智能煤矸分选机器人的改进型VGG网络煤矸识别模型

目前机器人煤矸识别方法准确率较低,速度较慢,以及对硬件要求较高等问题都限制了其实用化发展。鉴于深度卷积神经网络在图像识别上取得的优异效果,提出用于智能煤矸分选机器人的改进型VGG网络煤矸识别模型。扩大VGG16网络感受野并引入残差结构以提升模型网络性能,增加噪声和数据增强提升模型泛化能力。实验结果表明,改进型VGG网络煤矸识别模型的识别准确率提升了2.01%,召回率提升了2.58%,减小了所需内存,解决了VGG16网络效率低的弊病。同时模型的各项性能指标明显高于其他经典网络模型,更加满足煤矸分选机器人的各项实用化需求。     

基于ZICM2410通信模块的煤矸识别手持终端设计

为实现放顶煤工作面自动化放煤,解决放煤过程中的煤矸自动识别难题,基于ZICM2410通信模块设计了煤矸识别手持终端,介绍了大采高放顶煤支架煤矸识别系统以及手持终端的工作原理、系统组成、电路设计、软件设计。通过使用振动传感器并结合多种煤矸识别数学模型有效地辨识煤矸状态,采用无线通信技术传输并在嵌入式手持终端上显示煤矸放落实时状态,可以提前提示操作人员进行放煤口的控制,有效地减少了矸石的混入量。煤矸识别手持终端在大同煤矿集团白洞煤矿井下进行放煤试验,结果表明,此手持终端的应用实现了煤矸识别技术应用的图形化,且操作更方便。     

基于图像处理的煤/矸密度识别系统的研究

为提高煤与矸石识别的准确性,开发了一套基于图像处理的煤/矸密度识别系统。该系统是以MATLAB为平台,针对煤/矸图像的特点,对获取的煤/矸图像进行同态滤波、中值滤波、图像分割以及形态学滤波处理,得到煤/矸的轮廓;然后利用积分算法,计算出煤/矸的体积;再利用所测煤/矸的质量,计算出煤/矸的密度,最终根据煤和矸石密度的不同实现二者的识别。试验结果表明,该方法能快速、有效地对煤和矸石进行实时检测。     

低位综放开采顶煤放出率与含矸率的关系

进行了考虑煤矸破碎块度沿厚度方向变化的散体模型放煤工艺试验研究,分析了低位综放开采的煤矸流动形态特征及过量放煤对煤矸分界线形态的影响,研究了混矸程度与顶煤放出率的关系，提出了顶煤拐点放出率的概念；研究了放煤过程中煤矸流中矸石比例的变化规律，分析了过量放煤对后续放煤的影响.在放煤过程中可以将放煤口煤矸流中矸石的比例为1/3作为终止放煤的依据，对应的顶煤放出率可达94％，含矸率为10％左右，增加一定的含矸率可大幅度提高顶煤放出率.放煤口煤矸流中矸石的比例最大不能超过1/2，否则，增加含矸率对提高顶煤整体放出率的作用降低，且不利于后续放煤.     

基于MATLAB和图像灰度值对X射线探测煤矸识别的研究

对X射线识别煤矸技术进行简要介绍,对X射线探测煤矸识别技术进行了模拟实验,对探测的煤矸进行成像,通过MATLAB软件对煤矸图像进行数字化处理,计算出煤矸的图像灰度值,并通过实验数据统计出煤矸的图像灰度阈值。根据灰度信号即可对煤矸进行分选。     

图像识别智能放煤技术原理与应用

煤炭智能开采是煤炭行业高质量发展的必由之路,放顶煤工作面的智能化滞后于综采工作面.智能放煤是实现智能放顶煤开采的关键核心技术,低照度、小空间、高粉尘、煤矸叠压、声振信号干扰、夹矸误识别等问题严重制约智能放煤技术开发.在探索尝试图像、声音、振动等多种煤矸识别技术的基础上,提出了图像识别智能放煤技术.精准快速识别混矸率与适...     

煤矸智能分选的机器视觉识别方法与优化

煤矸图像的在线准确快速识别是煤矸智能分选的关键,深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本,基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型,分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度,基于模型剪枝技术对相似度高的卷积核进行裁剪,实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标,定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果,揭示了模型的识别机理与分类依据。结果表明:利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别,但网络复杂度过低则特征提取能力不足,网络复杂度过高则易产生更严重的过拟合情况,即模型复杂度对识别精度影响较大;基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据,同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异,综合给出识别结果。压缩后的模型在计算量与模型大小减少10倍的同时,识别精度提升了17.8%,实现节约计算与存储资源的同时提升识别精度,模型性能明显优于常规网络模型。     

基于多通道数据耦合技术的智能机器人系统在煤矸分选中的研究与应用

针对原煤车间苦、脏、累、险的人工拣选工作,付村煤业有限公司选煤厂采用非放射性煤矸识别技术,设计开发了集物料识别系统、执行系统、控制系统以及管理系统为一体的智能煤矸分选系统,实现矸石及煤的自动识别、自动分拣、自动煤矸分流处理。生产实践表明：该系统使煤矸分选工艺环节从落后的人工控制方式转变为高效稳定的智能控制方式,煤矸分选效率≥98%。系统运行稳定可靠,提高了选煤厂自动化、智能化程度。     

基于图像处理技术的煤和矸石自动分选研究

提出了基于图像灰度平均值和灰度共生矩阵对煤矸进行分选的方法，先对图像进行预处理，通过实验提取出特征参数并进行分类方程的构造，再用分类方程对煤矸进行分选，在光照均匀和煤矸不重叠等实验室条件下，分割和识别效果都较理想．