基于深度学习的大采高工作面矿压预测分析及模型泛化

综采工作面矿压显现的分析与预测对于复杂地质条件下工作面顶板管理,保证矿井生产安全具有重要意义。采用关系型数据库储存液压支架工作阻力数据以及利用工作面推进过程中矿压显现的时序特性,采用SQL语言,运用长短时记忆网络(Long Short Time Memory,LSTM)深度学习方法,以红庆河矿31101大采高综采工作面矿压规律为研究对象,对工作面支架工作阻力、支架不平衡力、支架安全阀开启情况及初次来压与周期来压等矿压显现规律进行分析;基于建立的数据库,预测了红庆河大采高工作面矿山压力,预测结果表明LSTM方法较BP神经网络预测更具准确性。为进一步讨论本研究采用的LSTM网络模型的泛化能力,在采用布尔台42103大采高工作面、上湾矿12401大采高工作面少量矿压数据的前提下,使用迁移学习方法,对矿压数据进行预测检验,结果表明:LSTM模型具有很好的泛化能力,相比于不使用迁移学习方法,迁移学习可提高模型的泛化能力。最后,探讨了模型在3个大采高工作面矿压预测表现的差别,发现数据量本身对模型预测行为影响较大,增大数据量可弥补原始数据缺失等问题。在预测模型基础上设计了周期来压预警模型,集成形成相应矿压分析与预警系统,经工程验证判定预警系统分析效果良好。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

亚克力人造石废粉对ABS热分解过程的影响

以亚克力人造石废粉为填料,苯乙烯-马来酸酐共聚物(SMA)为相容剂,采用熔融共混法制备了ABS/亚克力人造石废粉复合材料,通过热分析(TGA)测试,研究了相容剂SMA、亚克力人造石废粉用量对复合材料热分解过程的影响。结果表明,相容剂SMA的加入使得ABS与亚克力人造石废粉之间的相容性变好,ABS与亚克力人造石废粉间联结更加紧密,较好抑制了ABS的热解反应;亚克力人造石废粉中的Al(OH) 3属于强脱水性物质,可加速ABS碳化;起始分解温度及最大热分解速率温度均随亚克力人造石废粉用量的增加而增大,当亚克力人造石废粉用量为20%时达到最大值,较纯ABS分别提高了6. 3℃和5. 3℃。     

粘附砂浆含量对再生骨料混凝土抗碳化性能的影响

以再生粗骨料粘附砂浆含量为变量,配制C40再生骨料混凝土进行碳化对比试验,结合碳化模型以碳化深度达到钢筋表面为准则,探究粘附砂浆含量对再生骨料混凝土抗碳化性能的影响.结果 表明,碳化深度与碳化速率均随粘附砂浆含量的增加而增大,且碳化深度增幅较大,粘附砂浆含量处于35％ ～45％(质量分数)时,其碳化深度可以满足一般环境下混凝土结构设计使用年限30 a、50 a和100 a的抗碳化性能要求.     

基于深度卷积神经网络的视觉里程计研究

视觉里程计利用视频信息来估计相机运动的位姿参数，实现对智能体的定位。传统视觉里程计方法需要特征提取、特征匹配/跟踪、外点剔除、运动估计、优化等流程，解算非常复杂，因此，提出了基于卷积神经网络的方法来实现端对端的单目视觉里程计。借助卷积神经网络对彩色图片自动学习提取图像帧间变化的全局特征，将用于分类的卷积神经网络转化为帧间时序特征网络，通过三层全连接层输出相机的帧间相对位姿参数。在KITTI数据集上的实验结果表明，提出的Deep-CNN-VO模型可以较准确地估计车辆的运动轨迹，证明了方法的可行性。在简化了复杂模型的基础上，与传统的视觉里程计系统相比，该模型的精度也有所提高。     

新闻

2020年全国工业和信息化工作会议在京召开2019年12月23日,全国工业和信息化工作会议在京召开。总结2019年工作,分析面临的形势,部署2020年任务。工业和信息化部党组书记、部长苗圩做了题为“坚定不移贯彻新发展理念以更大力度推进制造强国和网络强国建设”的讲话。会议指出,2019年以来,面对国内外风险挑战明显上升的复杂局面,全系统认真贯彻落实党中央、国务院决策部署,统筹推进稳增长、补短板、调结构、促融合、优环境各项工作,较好地完成全年目标任务。一是党对工业和信息化领域的领导持续加强;二是制造业发展质量稳步提升;三是制造强国建设重点任务加快推进;四是网络强国建设取得扎实进展;五是两化深度融合明显加快;六是行业发展环境不断优化。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。