基于机器视觉的输煤皮带大块煤检测方法研究

作     者：油亚鹏 

作者单位：北京化工大学 

学位级别：硕士

导师姓名：马波;王平

授予年度：2024年

学科分类：081901[工学-采矿工程] 0819[工学-矿业工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

主      题：输煤皮带 机器视觉 大块煤 目标检测 虚拟样本 

摘      要：随着煤炭行业智能化建设的稳步推进,实现煤炭开采、运输、选洗等环节的智能化成为了发展趋势。输煤皮带作为煤炭开采、运输和加工过程中的重要设备,其高效稳定运行对于保障煤炭生产的安全性和经济效益具有重要意义。在其运行过程中未被充分破碎的大块煤可能混入煤流中,导致转接处堵塞,引发煤料堆积;或是导致输煤皮带上煤料分布不均,进而引发输煤皮带跑偏、磨损加剧乃至撕裂,给煤炭生产安全带来严重风险。运用先进的机器视觉技术对输煤皮带进行实时智能监控,自动且精确地检测大块煤,对于确保煤炭安全高效生产和促进煤矿智能化建设具有重要意义。基于此开展基于机器视觉的输煤皮带大块煤检测方法研究,论文主要研究工作归纳如下: (1)针对复杂环境下输煤皮带图像受多种因素的影响,图像中存在噪声、模糊、细节信息丢失以及物体轮廓不清晰等问题,提出了一种面向复杂环境的输煤皮带图像预处理方法。通过分析光照、煤尘、皮带运动等影响因素对图像质量的影响机理,构建了一个综合的图像退化模型,并通过综合应用双边滤波、透视变换、维纳滤波、CLAHE等图像预处理技术成功地对受各种环境因素影响的输煤皮带图像进行了有效复原,提升图像的清晰度和细节呈现。采用不同工作环境下的输煤皮带图像对提出方法进行验证。 (2)针对复杂背景下输煤皮带图像中大块煤与散煤难以准确区分,以及不同环境下模型检测性能会显著降低的问题,在YOLOv8模型的基础上进行了针对性的改进,构建了CA-YOLOv8模型,提出一种基于CAYOLOv8的大块煤检测方法。改进措施包括:对输入端进行改进,以适应大块煤的尺寸和比例特征;引入坐标注意力机制,以突出大块煤的显著特征并增强模型对这些特征的关注;移除对大块煤检测作用有限的小目标检测层,避免冗余特征的提取。采用某煤矿4条不同环境输煤皮带的监控视频图像制作的数据集进行了方法的应用验证和对比分析。 (3)针对输煤皮带监控视频中能够被有效标注的大块煤样本数量有限且偏向于尺寸较小的目标,以及只在特定环境条件下的数据集上训练得到模型在面对新环境时模型检测性能降低的问题,提出了一种结合虚拟样本的大块煤检测方法。首先,在Cycle GAN网络的基础上进行改进,指导网络在特定区域内生成大块煤,保证生成过程的目标精确性和背景一致性;其次,通过对大块煤的尺寸和形状特征进行了统计分析,根据分析结果针对性地生成大块煤虚拟样本;最后,结合大块煤真实样本与虚拟样本,训练CA-YOLOv8算法,构建了大块煤检测模型。采用输煤皮带监控视频图像制作的数据集对提出方法进行了验证。