检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

综放工作面煤矸识别技术及其应用

仪器仪表学报 2024年第1期45卷 1-15页

作者：李嘉豪司垒王忠宾魏东顾进恒中国矿业大学机电工程学院徐州221116

综放工作面煤矸识别技术作为智能放煤开采的关键技术,已经成为煤炭智能开采领域的技术难题。首先介绍了综放工作面煤矸识别技术的重要性及其对生产安全和经济效益的影响。随后,指出了该技术目前存在的问题和挑战,如难以识别不同形状、... 详细信息

综放工作面煤矸识别技术作为智能放煤开采的关键技术,已经成为煤炭智能开采领域的技术难题。首先介绍了综放工作面煤矸识别技术的重要性及其对生产安全和经济效益的影响。随后,指出了该技术目前存在的问题和挑战,如难以识别不同形状、颜色和深度的煤块和岩层;识别过程中噪声和复杂背景的影响等。详细阐述了综放工作面煤矸识别技术的主要方法如射线法、视觉法和振动与声音信号法。通过对煤矸识别方法的原理、技术特点和优缺点等方面进行分析,全面评估了当前综放工作面煤矸识别技术的应用现状以及各种方法的适用条件和存在的问题。最后,探讨了该技术的未来发展趋势,强调了多传感器融合、深度学习和智能决策与实时监测作为当前技术发展的主要方向。

关键词：综放工作面煤炭开采煤矸识别煤矸混合物

在线全文

学校读者我要写书评

暂无评论

基于听觉特征融合的煤矸识别方法研究

振动与冲击 2024年第8期43卷 136-144页

作者：杨政王世博饶柱石杨善国杨建华刘送永刘后广中国矿业大学机电工程学院江苏徐州221116 中国矿业大学江苏省矿山智能采掘装备协同创新中心江苏徐州221116 上海交通大学机械系统与振动国家重点实验室上海200240

针对强噪声背景下综放开采过程中垮落煤矸难以识别问题,提出了一种融合低级听觉特征Mel频谱和高级听觉特征听觉神经递质发放率的煤矸识别方法。首先,根据煤矸垮落冲击液压支架尾梁声音信号频谱特点,基于听觉神经滤波器组模型构建了适用... 详细信息

针对强噪声背景下综放开采过程中垮落煤矸难以识别问题,提出了一种融合低级听觉特征Mel频谱和高级听觉特征听觉神经递质发放率的煤矸识别方法。首先,根据煤矸垮落冲击液压支架尾梁声音信号频谱特点,基于听觉神经滤波器组模型构建了适用于煤矸识别任务的听觉模型;然后,利用听觉模型对煤矸垮落声音信号进行分析,获得听觉神经递质发放率;再次,将听觉神经递质发放率与通过Mel频谱提取的峰值特征进行融合,得到煤矸声音听觉感知图;最后,基于所构建的听觉感知图,利用ConvNeXt模型进行煤矸识别。试验结果表明,采用融合听觉特征的煤矸识别方法在不同信噪比下均具有较高的识别准确率;其优越性在背景噪声较大的工况下(信噪比为-5 dB)尤为明显,准确率仍能达到91.52%,显著优于以低级听觉特征和频谱图作为识别特征和利用时频域特征结合机器学习的煤矸识别方法,验证了融合听觉特征的煤矸识别方法对噪声具有优越的鲁棒性。

关键词：放顶煤煤矸识别听觉模型听觉神经递质特征融合卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于IMF能量矩和SVM的煤矸识别

振动与冲击 2020年第24期39卷 39-45页

作者：窦希杰王世博谢洋宣统中国矿业大学机电工程学院江苏徐州221116 中国矿业大学矿山智能采掘装备协同创新中心江苏徐州221116

针对综放工作面的煤矸识别问题,提出了一种基于固有模态函数(IMF)能量矩和支持向量机(SVM)的煤矸识别方法。使用仿真信号验证了该方法所提取的IMF能量矩可以反映信号的能量沿时间轴的分布情况,相较于IMF能量可以更好地表征信号的特征。... 详细信息

针对综放工作面的煤矸识别问题,提出了一种基于固有模态函数(IMF)能量矩和支持向量机(SVM)的煤矸识别方法。使用仿真信号验证了该方法所提取的IMF能量矩可以反映信号的能量沿时间轴的分布情况,相较于IMF能量可以更好地表征信号的特征。使用该方法进行煤矸识别时,对放顶煤过程中采集到的顶煤和矸石冲击液压支架的振动信号进行集合经验模态分解分解(EEMD),得到若干个IMF,根据分解结果提取包含振动信号主要信息的前8个IMF分量,进一步计算其能量矩,将待测样本信号的IMF能量矩作为特征向量输入训练好的支持向量机进行放煤和放矸石两种工况的识别。试验结果表明,该方法能有效的完成对煤矸振动样本数据的识别,平均识别准确率达到90%。

关键词：放顶煤煤矸识别集合经验模态分解(EEMD) 固有模态函数(IMF) 能量矩支持向量机(SVM)

在线全文

学校读者我要写书评

暂无评论

液体介入提升煤矸识别效率的试验研究

煤炭学报 2021年第S02期46卷 681-691页

作者：张锦旺王家臣何庚程东亮韩星范天瑞中国矿业大学(北京)能源与矿业学院北京100083 放顶煤开采煤炭行业工程研究中心北京100083 中国矿业大学煤炭资源与安全开采国家重点实验室江苏徐州221116

煤矸智能识别是深部资源实现无人智能化开采的基础技术之一。提出了采用液体介入+红外检测提升煤矸识别效率的新思路。进行了不同液体介入煤矸识别试验,从红外图像特征、煤矸温度变化以及煤-矸间温差变化的角度详细分析了液体介入对煤... 详细信息

煤矸智能识别是深部资源实现无人智能化开采的基础技术之一。提出了采用液体介入+红外检测提升煤矸识别效率的新思路。进行了不同液体介入煤矸识别试验,从红外图像特征、煤矸温度变化以及煤-矸间温差变化的角度详细分析了液体介入对煤矸红外图像差异增大的影响,并从宏观反应-微观结构相结合的角度揭示了液体介入提升煤矸识别效率的机理。研究结果表明:液体介入后煤矸试样表面产生了不同程度的温降现象,有效增大了煤、矸石在红外图像上的差异,可显著提升煤矸识别效率;不同液体的介入效果不同,稀盐酸、氢氧化钠碱液、清水与自然状态试样相比,煤矸温差增大的程度为:清水>氢氧化钠碱液>稀盐酸>自然状态试样,其中清水介入3 s后煤矸间温度差异可达1.5℃,试验全过程中温度差异最大可达2.7℃,说明清水介入可在短时间内显著提升煤矸识别效率,是一种有潜力的候选液体;煤矸混合试样识别试验表明清水介入对煤矸混合试样也有较好的区分效果;液体介入后煤矸产生的显著温降现象是由液体挥发作用与缓慢化学反应共同作用的结果,其中挥发作用占主导作用,酒精介入试验结果佐证了这一点。煤、矸石表面微观结构的差异导致煤样表面产生的液滴聚集现象,是液体介入引发煤矸温差增大的内在原因。

关键词：煤矸识别智能放煤液体介入红外热成像温度差异

基于TW-RN优化CNN的煤矸识别方法研究

在线全文

学校读者我要写书评

暂无评论

煤炭科学技术 2022年第1期50卷 228-236页

作者：郭永存王希何磊刘普壮安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室安徽淮南232001 矿山智能技术与装备省部共建协同创新中心安徽淮南232001 安徽理工大学矿山智能装备与技术安徽省重点实验室安徽淮南232001 安徽理工大学电气与信息工程学院安徽淮南232001

针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台,采用CCD(Charge Couplect Device... 详细信息

针对小样本数据难以构建深度学习模型和实际工况下多尺度形态、颜色煤矸的识别率低的问题,提出了一种融合迁移学习思想与结构优化的煤矸深度识别模型的优化方法。模仿井下实际生产环境搭建机器视觉平台,采用CCD(Charge Couplect Device)工业相机实时获取煤和矸石图像,利用图像旋转、翻转以及增加噪声方式扩展煤和矸石数据集的多样性。从降低模型训练时间出发,提出一种迁移权重和简化神经元(Transfer Weight-Reduce Neurons,TW-RN)模型优化方法改进预训练卷积神经网络(Convolutional Neural Network,CNN)模型,构建了改进后的Im_AlexNet、Im_VGG16、Im_VGG19、Im_ResNet50四种煤矸识别模型。依托扩充后的煤和矸石数据集,仿真对比了4种模型在不同优化器类型、学习率设置方式下的训练结果,确定了每种模型的最佳优化器类型和学习率设置方式。以测试准确率、F_(1)分数、模型内存大小、训练时间4种评估参数为基准,定量评价改进前后每种模型的性能,确定了基于TW-RN优化CNN的最佳煤矸识别网络模型。结果表明:基于TW-RN改进的4种煤矸识别模型的识别准确率均得到了有效提高,且模型训练时间、内存大小均显著降低。煤矸识别率与模型复杂度的关系呈非正相关,相比改进后的Im_VGG16、Im_VGG19和Im_ResNet50深度识别模型,TW-RN方法改进的浅层Im_AlexNet模型性能得到显著提升,其识别精度提高了2.149个百分点,达97.461%,占用内存降低了190 MB,单张图像的识别时间节省了0.788 ms。

关键词：煤矸识别深度学习迁移学习结构优化机器视觉预训练模型卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于X射线图像和激光点云的煤矸识别方法

仪器仪表学报 2022年第9期43卷 193-205页

作者：司垒谭超朱嘉皓王忠宾李嘉豪中国矿业大学机电工程学院徐州221116

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。因此,本文提出了基于X射线图像和激光点云融合的煤矸识别方法。首先,设计了基于局部熵和全局均差加权的改进Otsu分割算法,以此提高X射线图像的分割... 详细信息

煤矸高效分选是实现煤炭资源绿色开采的重要手段,其核心技术是煤和矸石的快速精准识别。因此,本文提出了基于X射线图像和激光点云融合的煤矸识别方法。首先,设计了基于局部熵和全局均差加权的改进Otsu分割算法,以此提高X射线图像的分割精度和分割效率;同时,利用直通滤波和体素栅格降采样简化了煤矸激光点云数据,进而提取了X射线图像和激光点云的煤矸组合特征。然后,针对传统麻雀搜索算法(SSA)易陷入局部最优和种群多样性差等问题,提出了多策略改进的SSA算法(ISSA),并用于轻量梯度提升机(LightGBM)参数的寻优,进而设计了基于ISSA-LightGBM的煤矸快速识别模型。最后,搭建了煤矸识别实验平台,开展了相应的实验对比分析,结果表明:ISSA-LightGBM模型的煤矸识别准确达99.00%,综合性能优于其它模型,满足了煤矸高效识别的需求。

关键词：煤矸识别 X射线图像激光点云特征提取轻量梯度提升机

在线全文

学校读者我要写书评

暂无评论

基于激光雷达的双通道伪彩图像煤矸识别方法

激光与光电子学进展 2024年第4期61卷 522-531页

作者：王言邢冀川王遥志北京理工大学光电学院北京100081

煤矸石快速精准的识别对提升煤炭产能有着极大的影响,而现有的煤矸识别分选方法在分选设备、准确率以及效率上尚有不足。提出了一种基于深度学习的激光雷达双通道伪彩图像煤矸识别方法。首先,基于激光雷达距离通道信息,设定高度阈值去... 详细信息

煤矸石快速精准的识别对提升煤炭产能有着极大的影响,而现有的煤矸识别分选方法在分选设备、准确率以及效率上尚有不足。提出了一种基于深度学习的激光雷达双通道伪彩图像煤矸识别方法。首先,基于激光雷达距离通道信息,设定高度阈值去除目标矿石以外的干扰信息;其次,对原始点云数据降维投影,以快速获得煤矸反射强度信息和表面纹理特征;然后,对降维处理后的强度通道与距离通道进行融合,构建煤矸双通道伪彩图像数据集;在此基础上,针对伪彩数据集对经典稠密连接网络(DenseNet-121)进行优化,利用优化后的DenseNet-40网络进行模型训练及测试,测试结果表明:该模型对煤矸的识别率达94.56%,证明激光雷达采集的双通道伪彩图像在矿石识别领域具有科研和工程应用价值。

关键词：煤矸识别激光雷达双通道图像深度学习

嵌入空洞卷积和批归一化模块的智能煤矸识别算法

在线全文

学校读者我要写书评

暂无评论

矿业安全与环保 2022年第3期49卷 45-50页

作者：郭永存张勇李飞杨鹏安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室安徽淮南232001 安徽理工大学电气与信息工程学院安徽淮南232001 安徽理工大学机械工程学院安徽淮南232001

为解决现有机器视觉煤、矸石识别算法感受野小、特征提取能力低和训练收敛速度慢的问题,提出一种嵌入空洞卷积和批归一化模块的智能煤矸识别算法。该算法利用空洞卷积替换VGGNet16网络中尺寸为3×3的卷积核,增大卷积核感受野、提高网络... 详细信息

为解决现有机器视觉煤、矸石识别算法感受野小、特征提取能力低和训练收敛速度慢的问题,提出一种嵌入空洞卷积和批归一化模块的智能煤矸识别算法。该算法利用空洞卷积替换VGGNet16网络中尺寸为3×3的卷积核,增大卷积核感受野、提高网络的特征提取能力,同时在卷积层和激活层之间嵌入批归一化模块,在避免梯度消失的同时可加快模型训练收敛速度。利用搭建的实验装置采集煤和矸石图片,制作煤和矸石图像数据集,对模型进行训练,并基于浮点运算次数FLOPs和F1分数对模型的训练结果和预测效果进行评价。实验结果表明,改进后的煤矸识别算法FLOPs为71 632 538次,测试集F1分数为0.994 3,训练在第5个周期即收敛且准确率达到97%以上。通过与其他网络模型训练结果进行对比,说明所建模型具有较快的收敛速度且预测效果较好。

关键词：机器视觉煤矸识别数据增强空洞卷积批归一化模型优化

同方期刊数据库

井下煤炭运输多环节复杂背景下高精度煤矸识别方法研究

在线全文

学校读者我要写书评

暂无评论

煤炭科学技术 2024年

作者：栾亨宣安乐田莹顾颉颖张强陈宏伟付翔胡成军崔志芳陈锐山东科技大学机械电子工程学院山东科技大学智能装备学院中铁十七局集团有限公司太原理工大学矿业工程学院中煤(天津)地下工程智能研究院有限公司山西新元煤炭有限责任公司新元煤矿上海华能电子商务有限公司

煤矸智能分选是发展煤炭智能绿色开采的关键技术之一。准确识别煤矸石是智能分选的先决条件，如何克服井下复杂环境的影响，已成为影响机器视觉识别效果的现实难题。针对井下煤炭运输系统，构建具有单一、二混合和三混合背景的11类图像... 详细信息

煤矸智能分选是发展煤炭智能绿色开采的关键技术之一。准确识别煤矸石是智能分选的先决条件，如何克服井下复杂环境的影响，已成为影响机器视觉识别效果的现实难题。针对井下煤炭运输系统，构建具有单一、二混合和三混合背景的11类图像数据集，包含水渍、煤粉、碎煤与碎矸石及运输设备部件等背景干扰因素。提出了一种融合多种注意力与残差连接的高精度煤矸智能识别方法，高分辨率阶段使用残差卷积块快速生成高质量标记(token)，后续阶段使用级联的Channel Spatial Swin Transformer Block (CSSTB)进行深层表征学习。为提升模型对背景噪声的抗干扰能力，网络集成全局、通道、空间多种注意力机制，增强特征表达的鲁棒性。CSSTB中利用基于负斜率特性强化稀疏激活的LeakyReLU线性注意力机制建模全局信息，通过卷积注意力机制模块(CBAM)优化模型注意力分布，提升模型泛化能力。此外，考虑到煤、矸石和输送设备零部件的尺度差异，跨阶段使用残差连接以增强多尺度特征的通信和信息流通。研究结果表明：所提模型在单一、二混合和三混合背景上的平均准确度达到95.06%、97.77%和95.65%，相较于基线网络Swin Transformer-Tiny分别提高7.01%、4.83%和1.03%。可视化实验表明，对比模型在水渍、暗光和反光等复杂背景干扰下难以准确区分煤和矸石，而所提出模型能够精准聚焦于煤和矸石的关键特征区域，抗干扰能力强。研究结果为井下原煤运输中的煤矸高效分选提供了理论参考。

关键词：深度学习煤矸识别井下环境注意力机制梯度加权类激活热图