基于图像识别的带式输送机输煤量和跑偏检测方法

韩涛, 黄友锐, 张立志, 徐善永, 许家昌, 鲍士水

韩涛，黄友锐，张立志，等.基于图像识别的带式输送机输煤量和跑偏检测方法［J］.工矿自动化，2020,46（4）：17-22.. DOI: 10.13272/j.issn.1671-251x.2019080055
引用本文: 韩涛，黄友锐，张立志，等.基于图像识别的带式输送机输煤量和跑偏检测方法［J］.工矿自动化，2020,46（4）：17-22.. DOI: 10.13272/j.issn.1671-251x.2019080055
shu
HAN Tao, HUANG Yourui, ZHANG Lizhi, XU Shanyong, XU Jiachang, BAO Shishui. Detection method of coal quantity and deviation of belt conveyor based on image recognitio[J]. Journal of Mine Automation, 2020, 46(4): 17-22. DOI: 10.13272/j.issn.1671-251x.2019080055
Citation: HAN Tao, HUANG Yourui, ZHANG Lizhi, XU Shanyong, XU Jiachang, BAO Shishui. Detection method of coal quantity and deviation of belt conveyor based on image recognitio[J]. Journal of Mine Automation, 2020, 46(4): 17-22. DOI: 10.13272/j.issn.1671-251x.2019080055
shu

基于图像识别的带式输送机输煤量和跑偏检测方法

  • 1.

    安徽理工大学 电气与信息工程学院， 安徽 淮南232001

  • 2.

    西安外事学院 工学院， 陕西 西安710077

基金项目: 

国家自然科学基金资助项目（61772033）

陕西省教育厅科研计划资助项目（18JK1131）

详细信息

  • 中图分类号: TD634.1

Detection method of coal quantity and deviation of belt conveyor based on image recognitio

  • 1.

    School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan 232001, China

  • 2.

    School of Engineering, Xi''an International University, Xi''an 710077, China

摘要

    摘要
  • 摘要: 传统的卷积神经网络（CNN）是单任务网络，为实现带式输送机输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。为降低网络结构的复杂性，提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数。在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建了MT-CNN；对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后，获取训练数据集和测试数据集，并对MT-CNN进行训练；使用训练好的MT-CNN对输送带图像进行识别分类，实现输煤量和跑偏的准确、快速检测。实验结果表明，训练后的MT-CNN在测试数据集中检测准确率为97.3%，平均处理每张图像的时间约为23.1 ms。通过现场实际运行验证了该方法的有效性。
    Abstract: Traditional convolutional neural network（CNN） is a single-task network. In order to realize simultaneous detection of coal quantity and deviation of belt conveyor, two CNNs are used to detect coal quantity and deviation respectively, resulting in large network volume, many parameters, large computation and long operation time, which seriously affect detection performance. In order to reduce complexity of network structure, a detection method of coal quantity and deviation of belt conveyor based on multi-task convolutional neural network (MT-CNN) was proposed, which could make two tasks of coal quantity detection and deviation detection to share the same network underlying structure and parameters. On the basis of VGGNet model, MT-CNN is constructed by increasing scale of convolution kernel and pooling kernel, reducing the number of channels in full connection layer, and changing structure of output layer. After preprocessing the acquired conveyor belt images, such as graying, median filtering and extracting region of interest, the training dataset and test dataset are acquired, and the MT-CNN is trained. The trained MT-CNN is used to identify and classify the conveyor belt images, so as to realize accurate and fast detection of coal quantity and deviation. The experimental results show that detection accuracy of the trained MT-CNN in the test dataset is 97.3%, and average processing time of each image is about 23.1 ms. The effectiveness of the method is verified by field operation.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(49)

  • 期刊类型引用(35)

    1. 张文科，郭瑜，赵辉. 基于图像识别的煤矿带式输送机自适应调速系统设计. 煤炭工程. 2024(01): 220-224 . 百度学术
    2. 刘锋，白金牛. 基于视觉技术的胶带输送机煤量检测方法. 陕西煤炭. 2024(01): 52-57+64 . 百度学术
    3. 刘文梅. 基于煤流量监控的带式输送机监测方案设计. 机械管理开发. 2024(02): 243-244+247 . 百度学术
    4. 岑梁，尹小明，黄海棠，胡文博，张世荣. 带式输送系统节能优化调度研究. 制造业自动化. 2024(05): 114-119 . 百度学术
    5. 尚伟栋，杨大山，张坤. 基于深度神经网络的带式输送机煤量检测方法. 工矿自动化. 2024(S1): 139-145 . 本站查看
    6. 张克亮. 基于MT-CNN的矿井带式输送机输煤量检测技术. 中国矿业. 2024(06): 137-142 . 百度学术
    7. 王涛. 基于改进MobileNet的带式输送机煤量检测研究. 能源与环保. 2024(07): 198-202 . 百度学术
    8. 尹瑞，张冬雪，倪强. 基于数组的刮板输送机运载模型及煤量计算算法研究. 工矿自动化. 2024(08): 84-90 . 本站查看
    9. 段树深. 基于ROI边缘图像直线特征的井下带式输送机跑偏故障检测方法. 中国矿业. 2024(10): 162-167 . 百度学术
    10. 刘西尧，纪妙，陈恩博，余宝意，曾庆杰，李海生. 基于机器视觉的烟草输送机皮带跑偏识别方法研究. 设备管理与维修. 2024(19): 165-169 . 百度学术
    11. 左明明，张习，杨子豪，孙其飞，张梦超，张媛，李虎. 基于深度学习的输送带跑偏状态智能监测方法. 工矿自动化. 2024(12): 166-172+182 . 本站查看
    12. 尚伟栋. 矿用带式输送机过载传感检测中的模糊阈值判断. 煤矿机械. 2023(04): 197-200 . 百度学术
    13. 秦亚敏，张雷，赵东哲，张金辉，贾英新，靳晔. 基于机器视觉的带式输送机跑偏监测预警方法. 煤矿机械. 2023(05): 165-167 . 百度学术
    14. 曾飞，胡文祥，高彦鑫，宋杰杰. 基于激光扫描的输送带横向跑偏检测系统. 制造业自动化. 2023(05): 21-24 . 百度学术
    15. 吕晨辉，李新，刘新龙，赵安新，张晨阳. 基于煤量检测与变频一体机的煤流自适应智能调速. 煤矿机械. 2023(08): 213-216 . 百度学术
    16. 李阿红. 基于图像处理的矿用带式输送机系统设计及其能效分析. 能源与环保. 2023(07): 228-232+238 . 百度学术
    17. 曾飞，陶玉衡，苏俊彬，李翔. 融合ResNet18和Deconvolution的输送带横向跑偏检测方法. 现代制造工程. 2023(08): 121-126 . 百度学术
    18. 毛清华，郭文瑾，翟姣，王荣泉，尚新芒，李世坤，薛旭升. 煤矿带式输送机异常状态视频AI识别技术研究. 工矿自动化. 2023(09): 36-46 . 本站查看
    19. 高京，董华丛. 基于目标检测的铁路货车承载鞍错位故障识别. 自动化技术与应用. 2023(10): 63-67 . 百度学术
    20. 周坪，马国庆，周公博，马天兵，李远博. 智能化带式输送机健康监测技术研究综述. 仪器仪表学报. 2023(12): 1-21 . 百度学术
    21. 杨志方，张立亚，郝博南，刘渊，赵青. 基于双流融合网络的输送带跑偏检测方法. 煤炭科学技术. 2023(S2): 259-267 . 百度学术
    22. 王桂梅，李学晖，杨立洁，刘杰辉. 基于深度学习的永磁直驱带式输送机煤量检测方法研究. 煤炭技术. 2022(01): 188-190 . 百度学术
    23. 邢建旭，岑梁，卢峰，黄益军，胡文博，邱泽晶，张世荣. 基于带式输送机的仓储转运系统优化调度研究. 机电工程. 2022(03): 402-410 . 百度学术
    24. 屠鑫. 基于图像识别的中长跑运动员摆臂高度校准方法研究. 河北北方学院学报(自然科学版). 2022(07): 7-12+18 . 百度学术
    25. 白光星，陈炜乐，孙勇，宋双林，李国芳，王彩萍，王伟峰，康付如. 煤矿带式输送机运输火灾风险智能监测与早期预警技术研究进展. 煤矿安全. 2022(09): 47-54 . 百度学术
    26. 王海军，王洪磊. 带式输送机智能化关键技术现状与展望. 煤炭科学技术. 2022(12): 225-239 . 百度学术
    27. 刘孝军，王飞. 基于AI的煤矿视频智能分析技术. 煤炭科学技术. 2022(S2): 260-264 . 百度学术
    28. 姜阔胜，李良和，王开松，胡坤. 煤矿输送带修复点定位及监测系统设计. 煤矿机械. 2021(02): 1-4 . 百度学术
    29. 王平. 基于数字图像处理的输送带跑偏状态实时监测技术. 煤矿机械. 2021(02): 168-170 . 百度学术
    30. 云艳. 矿用带式输送机跑偏机理及纠偏系统设计. 能源与环保. 2021(12): 264-268 . 百度学术
    31. 李林. 矿用皮带输送机纠偏装置的分析研究. 机械管理开发. 2020(08): 74-75+78 . 百度学术
    32. 高云飞. 带式输送机托辊结构受力分析. 中国石油和化工标准与质量. 2020(15): 157-158 . 百度学术
    33. 张凯，田原，贾曲. 机器视觉在煤机装备中的应用现状与趋势. 煤矿机械. 2020(12): 123-125 . 百度学术
    34. 陈小霞，徐伟同，侯飞，高奎，刘兆雪，温玺杰，王兵，王延勇，王晓倩. 基于图像处理的煤炭量AI识别系统的设计. 选煤技术. 2020(06): 75-80 . 百度学术
    35. 成新文. 带式输送机防跑偏技术分析研究. 内蒙古煤炭经济. 2020(15): 47-48 . 百度学术

    其他类型引用(14)

    • 资源附件(0)
计量
  • 文章访问数:  123
  • HTML全文浏览量:  19
  • PDF下载量:  37
  • 被引次数: 49
出版历程
  • 刊出日期:  2020-04-19

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(49)
    资源附件(0)

    /

    返回文章
    返回

    苏ICP备 05016349号-2

    本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1145674    百度统计