煤矿副井矿车装载物智能识别方法

靳舒凯, 魏冠楠, 王春明, 王统海, 吴忠伦, 杨克虎

靳舒凯,魏冠楠,王春明,等. 煤矿副井矿车装载物智能识别方法[J]. 工矿自动化,2022,48(4):14-19, 30. DOI: 10.13272/j.issn.1671-251x.2021110055
引用本文: 靳舒凯,魏冠楠,王春明,等. 煤矿副井矿车装载物智能识别方法[J]. 工矿自动化,2022,48(4):14-19, 30. DOI: 10.13272/j.issn.1671-251x.2021110055
JIN Shukai, WEI Guannan, WANG Chunming, et al. Intelligent identification method for mine car load in coal mine auxiliary shaft[J]. Journal of Mine Automation,2022,48(4):14-19, 30. DOI: 10.13272/j.issn.1671-251x.2021110055
Citation: JIN Shukai, WEI Guannan, WANG Chunming, et al. Intelligent identification method for mine car load in coal mine auxiliary shaft[J]. Journal of Mine Automation,2022,48(4):14-19, 30. DOI: 10.13272/j.issn.1671-251x.2021110055

煤矿副井矿车装载物智能识别方法

基金项目: 国家自然科学基金资助项目(61936008,61973307)。
详细信息
    作者简介:

    靳舒凯(1994-),男,山西神池人,硕士研究生,研究方向为煤矿智能开采技术,E-mail:569082993@qq.com

    通讯作者:

    杨克虎(1982-),男,湖北仙桃人,教授,博士,主要从事煤矿智能开采、电力电子变换器建模与控制等教学及研究工作,E-mail:ykh@cumtb.edu.cn

  • 中图分类号: TD54/67

Intelligent identification method for mine car load in coal mine auxiliary shaft

  • 摘要: 基于卷积神经网络实现煤矿副井矿车装载物自动分类在实际应用中因触发条件简易导致误判与漏判情况,且非矿车物体经过检测区域时会引起司控道岔误动作。针对该问题,提出了基于目标检测模型的煤矿副井矿车装载物智能识别方法。在煤矿副井井口安装工业相机采集矿车装载物图像并进行人工标注,构建矿车识别数据集,对Faster R−CNN,YOLOv4,SSD 3种目标检测模型的识别准确率与实时性进行评估,根据评估结果,得出YOLOv4模型更适用于矿车装载物识别任务的结论;为降低模型大小,提高识别速度,对YOLOv4模型进行改进,采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53,构建MobileNetv3−YOLOv4模型,测试结果表明MobileNetv3−YOLOv4模型的平均精度均值(mAP)为95.03%,识别速度为44 帧/s,较YOLOv4模型分别提高了0.77%,27 帧/s;为方便现场应用和部署,提高矿车装载物识别模型在嵌入式平台上的性能,提出了基于层间融合和模型量化的模型加速方法,并将加速前后的MobileNetv3−YOLOv4模型移植到Jetson TX2进行矿车装载物识别现场试验,结果表明识别速度由MobileNetv3−YOLOv4模型加速前的18.3 帧/s提升至35.42 帧/s,mAP为94.68%,满足现场实时、精确检测需求,且仅在矿车经过检测区域时启动检测任务,避免了因其他物体引起的司控道岔误动作现象。
    Abstract: The automatic classification of mine car load based on convolution neural network in coal mine auxiliary shaft is realized in practical application. The misdetection and false alarm are caused by simple trigger conditions. Non-mine car objects passing through the detection area can cause the misoperation of driver controlled switch. In order to solve this problem, an intelligent identification method for mine car load in coal mine auxiliary shaft based on target detection model is proposed. An industrial camera is installed at the wellhead of a coal mine auxiliary shaft to collect the images of mine car load and the images are manually labeled so as to construct a mine car identification data set. And the identification accuracy and the real-time performance of three target detection models, namely Faster R-CNN, YOLOv4 and SSD are evaluated. According to the evaluation results, it is concluded that the YOLOv4 model is more suitable for the identification task of mine car load. In order to reduce the model size and improve the identification speed, the YOLOv4 model is improved. The lightweight network MobileNet is used to replace the original backbone characteristic extraction network CSPDarknet53. So the MobileNetv3-YOLOv4 model is constructed. The test results show that the mean average precision(mAP) of the MobileNetv3-YOLOv4 model is 95.03%, and the identification speed is 44 frames/s, which is 0.77% and 27 frames/s higher than that of the YOLOv4 model respectively. In order to facilitate field application and deployment and improve the performance of the mine car load identification model on the embedded platform, a model acceleration method based on inter-layer fusion and model quantization is proposed. The MobileNetv3-YOLOv4 model before and after the acceleration is transplanted to Jetson TX2 for field test of mine car load identification. The results show that the identification speed is increased from 18.3 frames/s before the acceleration of the MobileNetv3-YOLOv4 model to 35.42 frames/s, and the mAP is 94.68%, which meets the real-time and precise detection requirements in the field. And the detection task is only started when the mine car passes the detection area, which avoids the misoperation of driver controlled switch caused by other objects.
  • 煤矿开采会导致不同程度的顶板垮塌和折断,从而引发矿山动力灾害。煤矿微震监测的目的是对大能量震动进行实时监测,明确能量来源及能量释放异常区域,为制定卸压措施提供科学依据。微震监测技术是指在井下布置震动检波器,接收煤岩体破裂产生的弹性波,并进行震源定位和能量计算,通过微震事件统计分析,对井下震动情况作出危险性评估和预警[1-2]。微震监测技术的核心是震源定位,而震源定位精度受微震监测台网布置质量的影响较大。合理的台网布置可以有效提高震源定位精度。

    文献[3-5]利用最优实验方法对微震监测台网的监测能力进行了评价,建立了震源误差期望值模型。文献[6]得出传感器台网布置会影响震源定位求解系统的稳定性和定位精度,且对震源定位结果的影响具有非均匀性。文献[7-8]利用主成分分析法对某金矿微震监测台网进行优化,效果良好。文献[9]通过近震震级公式评估测震台网的理论监测能力,结果与台网实际地震监测能力基本相符。文献[10]综合利用震级−频度关系式和频度−震级图评估水库地震台网监测能力。文献[11]采用井下微震台站与地面微震台站联合监测的方法,优化了台网的空间结构,大幅提高了震源定位精度,尤其是垂直定位精度。文献[12]基于Sigma−Optimal方法对微震监测台网进行快速分析和优化,降低了微震监测台网的定位误差,提高了灵敏度。

    以上文献利用不同优化算法和模型,从不同角度对微震监测台网的监测能力进行评估,取得了一些有益结论。为了进一步提高微震监测台网的监测能力,本文在前人研究基础上,对有效波形数、最大空隙角、近台震中距和台站高差四因素进行逐项分析,对微震监测台网的监测能力进行评价,根据评价结果优化台网布置,然后进行震源定位误差数值仿真模拟和灵敏度分析,对优化后的微震监测台网进行二次评价,确定最佳台网布置方案,形成了一种系统化的台网评价和优化方法。

    微震监测台网的监测能力取决于多种因素,如台网布置、速度模型、震相读取误差、走时区域异常、震源定位算法、设备运行状态和环境噪声等。其中震相读取误差具有一定的随机性;环境噪声没有规律且无法彻底避免;主流的震源定位算法目前发展较为成熟;由于煤矿井下存在诸多不规则采空区和巷道,以及断层、陷落柱等地质构造,这种各向不同性和非均质性导致无法得到精确的速度模型;现阶段只有台网布置可人为优化并取得良好效果。

    在台网布置因素中,有效波形数、最大空隙角、近台震中距和台站高差是对微震监测台网监测能力影响最大、最直接的4个因素。

    假设震动波传播介质为各向同性的均匀介质。震源处震动发生后,震动波从震源出发传播至多个微震监测台站,如图1所示。震动波形被台站记录下来,其中P波起震点清晰且可用于震源定位的波形称为有效波形,其P波初至的拾取精度较高。

    图  1  震动波的传播
    Figure  1.  Propagation of shock waves

    设震源坐标为(x0y0z0),发震时刻为t0,则待求解震源参数h=(x0y0z0t0)可通过求震源定位残差函数F(h)的最小值来估算:

    $$ {\rm{m}}{\text{in}}\;{F({{h}})} = {\sum\limits_{i = 1}^n {\left| {{t_i} - {t_0} - \frac{{\sqrt {{{({x_0} - {x_i})}^2} + {{({y_0} - {y_i})}^2} + {{({z_0} - {z_i})}^2}} }}{V}} \right|} ^2} $$ (1)

    式中:n为有效波形数,n≥4;ti为第i个有效台站的观测到时;(xiyizi)为第i个有效台站的坐标;V为P波波速。

    在正常情况下,有效波形数越多,式(1)的解越稳定,震源定位精度越高。因此,在重点监测区域应加密台站,以确保有效波形数满足高精度定位要求。

    最大空隙角反映台站对震源的包围程度。将震中和所有台站连线,相邻连线夹角θi中的最大值为台网的最大空隙角,即

    $$\alpha ={\rm{max}}(\theta _{1}, \theta_{2}, \cdots , \theta_{n}) $$ (2)

    最大空隙角越小,台站对震源的包围越好,观测数据相似性越低,震中定位精度越高,台网监测能力越强。最大空隙角如图2所示。α≤90°时,台站能从4个象限包围震中,台网监测能力最好;90°<α<180°时,台站能从3个象限包围震中,台网监测能力较好;当台站集中于震中单侧,即α≥180°时,台站只能从2个象限包围震中,台网监测效果较差。因此布置台网时应尽量使重点监测工作面处于α<180°区域内。

    图  2  最大空隙角
    Figure  2.  Maximum gap angle

    台网中离震源最近的台站与震中的平面距离称为近台震中距。目前煤矿微震监测领域主流的震源定位算法均是基于走时进行计算,这类算法往往以最近台站坐标作为震源迭代求解的起算点,因此近台震中距对震源深度求解误差影响较大。如果缺乏近台资料,即震中距远大于震源深度,就会导致震源深度求解困难。

    某典型井下爆破事件中,利用34种不同的台站组合进行定位,得到震源深度求解误差与近台震中距的关系,如图3所示。当近台震中距为41 m时,震源深度求解误差平均值为7 m,基本处于10 m以内;当近台震中距增大到249 m时,震源深度求解误差急剧升高。故可以得出结论:近台震中距越小,震源深度求解误差越小。

    图  3  震源深度求解误差与近台震中距的关系
    Figure  3.  The relationship between the epicenter depth solution error and the near-station epicenter distance

    当参与震源定位的台站之间垂直方向上高差较小时(如近水平煤层),震源求解方程的偏导数矩阵接近奇异值,导致震源求解方程不收敛或者无解,因此现场布置台站时,必须尽量拉大台站之间的高差。

    不失一般性,假设工作面内共布置7个台站,在其他影响因素不变的情况下,针对台站无高差(即水平煤层)和台站高差合理2种情况,进行震源深度求解误差数值仿真模拟,2种情况下的台站坐标(xiyizi)见表1,模拟结果如图4所示。图4中,红框内为工作面,圆点为台站,等高线上的数值为震源深度求解误差,单位为m。对比可知,当台站之间高差较合理时,震源深度求解误差远小于台站无高差时的误差。

    表  1  2种情况下的台站坐标
    Table  1.  Station coordinates in 2 cases m
    台站编号台站无高差台站高差合理
    xiyizixiyizi
    1470450−600470450−500
    2770450−600770450−550
    31070450−6001070450−600
    41370550−6001370550−650
    51070650−6001070650−700
    6770650−600770650−560
    7470650−600470650−620
    下载: 导出CSV 
    | 显示表格
    图  4  台站高差对震源深度求解精度的影响
    Figure  4.  Influence of height difference between stations on the accuracy of epicenter depth solution

    综上所述,有效波形数、近台震中距和台站高差对震源深度求解误差起决定性作用;有效波形数和最大空隙角对震中定位精度起决定性作用。

    P波到达第i个台站的时间为

    $$ t_{i}= \frac{{\sqrt {{{\left( {{x_0} - {x_i}} \right)}^2} + {{\left( {{y_0} - {y_i}} \right)}^2} + {{\left( {{{\textit{z}}_0} - {{\textit{z}}_i}} \right)}^2}} }}{V} + {\varepsilon _i} $$ (3)

    式中εi为第i个台站的到时误差。

    用式(3)对待求解参数h进行n×4阶偏微分计算,得到偏微分矩阵:

    $$ {\boldsymbol{A}} = \left[ {\begin{array}{*{20}{c}} 1 & {\dfrac{{\partial {t_1}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_1}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_1}}}{{\partial {{\textit{z}}_0}}}}\\ 1 & {\dfrac{{\partial {t_2}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_2}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_2}}}{{\partial {{\textit{z}}_0}}}}\\ \vdots & \vdots & \vdots & \vdots \\ 1 & {\dfrac{{\partial {t_n}}}{{\partial {x_0}}}} & {\dfrac{{\partial {t_n}}}{{\partial {y_0}}}} & {\dfrac{{\partial {t_n}}}{{\partial {{\textit{z}}_0}}}} \end{array}} \right]$$ (4)

    计算矩阵Axyz三个维度的特征值$ {\lambda _{{x_0}}}, \; {\lambda _{{y_0}}}, \; {\lambda _{{{\textit{z}}_0}}} $,从而得到震中定位误差$ {\sigma _{xy}} $和震源定位误差${\sigma _{xy{\textit{z}}}} $[13,3]

    $$ {\sigma _{xy}} = \sqrt {\sqrt {{\lambda _{{x_0}}}{\lambda _{{y_0}}}} } $$ (5)
    $$ {\sigma _{xy{\textit{z}}}} = \sqrt[3]{{\sqrt {{\lambda _{{x_0}}}{\lambda _{{y_0}}}{\lambda _{{{\textit{z}}_0}}}} }} $$ (6)

    井田范围内,重点监测区域震中和震源定位误差表征了微震监测台网的监测质量。震中和震源定位误差越小,台网监测质量越高。

    微震事件的能量E与传播半径r的关系为

    $$ E=\mu r^{q} $$ (7)

    式中μq均为与煤矿地质条件相关的常数,q=1.9。

    结合式(7)和震级公式lg(E/J)=a+bM,可得震级:

    $$ M=({\rm{lg}}(\mu r^{q}/{\rm{J}})-a)/b $$ (8)

    式中:a=1.8;b=1.9。

    灵敏度用最小可测震级衡量,最小可测震级越小,表示灵敏度越高。通过灵敏度分析可得出矿井台网的灵敏度分布云图,该云图表示在某一地点必须至少发生多大震级的微震事件才可以被微震监测台网监测到。因此,灵敏度可以很好地反映局部监测能力。

    台网监测能力分级评价与优化流程如图5所示。

    图  5  台网监测能力分级评价与优化流程
    Figure  5.  Grading evaluation and optimization process of network monitoring capability

    (1) 结合现有台网和工作面情况,得出四因素的分布云图,通过四因素分布云图逐项对台网进行评价,根据评价结果进行优化,得出新的台网布置方案。

    (2) 对新方案进行定位误差与灵敏度分析,得出全矿井的震中定位误差、震源定位误差及区域灵敏度,对新方案进行二次评价与检验。

    (3) 若二次评价结果满足要求,则可将新方案作为最终方案;若不满足要求,则重新进行四因素分项评价并对方案进行优化,直至满足要求为止。

    山东唐口煤业有限公司(以下简称唐口煤矿)使用ARAMIS M/E微震监测系统对全矿范围内的微震事件进行监测,该系统可自动记录微震活动,并对微震事件进行震源定位和能量计算,为评价全矿范围内的动力灾害危险提供依据。通过拾震器(或微震探头)获得震动信号,由数字通信系统传送至地面采集站。系统标准采样频率为500 Hz,可以监测震动能量大于100 J、震动频率为0~150 Hz、动态范围低于100 dB的震动事件。选择4 000 m/s作为初始波速进行震源定位计算。

    优化前,唐口煤矿5307工作面微震监测台网共包含5个台站(3个探头式台站T1—T3,2个拾震器式台站S4,S5),如图6(a)所示。通过定点爆破测试发现,部分微震事件震源定位误差较大且残差无法降低。因此,使用本文方法对微震监测台网进行评价,结果见表2。优化后的台网布置方案如图6(b)所示,在工作面前方增加台站S6,在630轨道大巷增加台站S7和S8

    图  6  微震台网布置方案
    Figure  6.  Microseismic network layout plan
    表  2  台网监测能力分级评价结论与改进措施
    Table  2.  Classification evaluation conclusions and improvement measures of network monitoring capability
    研究项评价结论改进措施
    有效波形数台站数少增加3个台站
    最大空隙角单侧布置工作面后方增加S7,S8
    近台震中距低值区小工作面前方增加S6
    台站高差需要扩大S7,S8位于630轨道大巷内
    下载: 导出CSV 
    | 显示表格

    (1) 有效波形数。假设微震事件能量可以激发700 m范围内的台站,优化前后微震监测台网的有效波形数云图如图7所示,其中XY坐标系为西安80坐标系。震源定位算法要求至少有4个有效波形才可进行震源定位。优化前,能产生4个以上有效波形的区域面积为6.2×105 m2,优化后为1.3×106 m2,提高了110%。

    图  7  有效波形数云图
    Figure  7.  Cloud map of effective waveform number

    优化前,最大有效波形数为5,有效波形数为5的区域大部分位于工作面与630轨道大巷的煤柱上,且面积较小。工作面前方有效波形均只能达到3个或4个。优化后,最大有效波形数达到7,工作面和煤柱全部位于4个及以上有效波形覆盖区域,有效波形数较高的区域分布范围大幅增加。

    (2) 最大空隙角。优化前后微震监测台网的最大空隙角云图如图8所示。其中红色180°等值线(以弧度形式表示,3.14就是π,即180°)内部区域可以保证最大空隙角满足监测要求。优化前,180°等值线包围区域面积为1.8×105 m2,大部分位于煤柱上,且未覆盖工作面前方区域;优化后,180°等值线包围区域面积为5.5×105 m2,比优化前提高了200%,工作面前方和煤柱大部分均被覆盖,可以保证监测效果。

    图  8  最大空隙角云图
    Figure  8.  Cloud map of maximum gap angle

    (3) 近台震中距。优化前后微震监测台网的近台震中距等值线如图9所示。近台震中距小于200 m(图9中红色等值线)可满足震源深度监测要求。优化前,近台震中距在200 m以内的区域面积为3.8×105 m2,优化后为9.1×105 m2,提高了140%。尤其是工作面前方区域面积提升较大,有效保证了工作面前方微震事件监测精度。

    图  9  近台震中距等值线
    Figure  9.  Contour line of near-station epicenter distance

    (4) 台站高差。由于井下可布置台站的地点有限,所以台站高差是最难改进的因素。优化前后各台站的三维坐标见表3

    表  3  优化前后台站坐标
    Table  3.  Station coordinates before and after optimization m
    阶段台站xiyizi
    优化前T1394527673921063−901
    T2394529113920964−891
    T3394527433920849−903
    S4394527503920312−958
    S5394531163920053−964
    优化后T1394527673921063−901
    T2394530373920889−888
    T3394527433920849−903
    S4394527503920312−958
    S5394531163920053−964
    S6394530763920616−889
    S7394521233920745−958
    S8394516133921114−949
    下载: 导出CSV 
    | 显示表格

    台站高程离散度系数K能够很好地反映垂直方向台站分布的分散程度,其计算公式为

    $$ K=N \operatorname{var}\left(\Delta {\textit{z}}_{i}\right) \frac{\left|\operatorname{max}\left(\Delta {\textit{z}}_{i}\right)-\operatorname{min}\left(\Delta {\textit{z}}_{i}\right)\right|}{ 10^{5}} $$ (9)

    式中:N为样本数;var(·)表示求样本方差;Δzi为台站与煤层的高差,$\Delta {\textit{z}}_i={\textit{z}}_i - {\textit{z}}' , \;{\textit{z}}'$为工作面煤层平均标高。

    优化前台站高程离散度系数为1.13,优化后为1.92,提升了70%,效果显著。

    煤矿对微震震源定位的精度要求较高,一般要求水平定位误差在±20 m以内,垂直定位误差在±50 m以内。震源定位误差等值线如图10所示,其中红色等值线为误差50 m等值线。优化前50 m等值线包围区域面积较小,无法满足监测要求;优化后50 m等值线包围区域大幅增加,实现了重点监测区域全面覆盖。

    图  10  震源定位误差等值线
    Figure  10.  Contour line of hypocenter positioning error

    区域灵敏度等值线如图11所示,其中红色等值线为震级0.7级等值线,该等值线内区域监测灵敏度较高。优化前0.7级等值线包围区域面积较小,且主要覆盖煤柱区域;优化后0.7级等值线包围区域面积大幅增加,且完全覆盖整个工作面和煤柱区域,监测灵敏度满足要求。

    图  11  区域灵敏度等值线
    Figure  11.  Contour line of area sensitivity

    选取唐口煤矿5307工作面作为试验地点,对台网优化前55个爆破事件和优化后55个爆破事件进行震源定位误差对比分析。典型爆破波形如图12所示,震源定位误差区间分布如图13所示。震源定位误差对比见表4

    表  4  震源定位误差对比
    Table  4.  Comparison of hypocenter positioning error
    对比项误差
    均值/m
    误差
    标准差/m
    误差
    最大值/m
    误差≤50 m
    事件占比/%
    优化前59.238.717545.5
    优化后37.223.29669.0
    改进度/%37.240.145.151.6
    下载: 导出CSV 
    | 显示表格
    图  12  典型爆破波形
    Figure  12.  Typical blasting waveforms
    图  13  震源定位误差区间分布
    Figure  13.  The distribution of hypocenter positioning error interval

    台网优化后,震源定位误差均值由59.2 m降到37.2 m,定位误差最大值降到100 m以下,误差≤50 m的爆破事件占总数的69%,表明本文提出的方法能够显著提高微震监测台网的监测能力。

    (1) 有效波形数越多,震源定位精度越高。近台震中距越大,震源深度求解误差越小。台站高差对震源深度求解误差起决定性作用,有效波形数和最大空隙角对震中定位精度起决定性作用。

    (2) 通过震源定位误差数值仿真模拟与灵敏度分析,证明通过四因素分析得出的优化措施合理有效。

    (3) 利用本文方法对微震监测台网进行优化后,爆破震源定位误差均值由59.2 m降到37.2 m,定位误差最大值降到100 m以下,误差在50 m以下的爆破事件占总数的69.0%,表明本文方法能够有效提高微震定位精度,优化台网监测能力。

  • 图  1   部分矿车装载物采集图像

    Figure  1.   Part of collected mine car load images

    图  2   YOLOv4模型优化

    Figure  2.   Optimization of YOLOv4 model

    图  3   神经网络模型层间横向融合过程

    Figure  3.   Horizontal interlamination fusion process of neural network model

    图  4   CSPDarknet53第1种残差块层间融合过程

    Figure  4.   Interlamination fusion process of the first residual block in CSPDarknet53

    图  5   矿车装载物智能识别现场试验平台

    Figure  5.   Field test platform for intelligent identification of mine car load

    图  6   矿车装载物智能识别现场试验结果

    Figure  6.   Field test results of intelligent identification of mine car load

    表  1   3种目标检测模型训练结果对比

    Table  1   Comparison of training results of three target detection models

    指标Faster R−CNNYOLOv4SSD
    epoch1009749
    训练集损失函数值0.092 10.7240.925
    验证集损失函数值0.144 80.8070.989
    下载: 导出CSV

    表  2   3种目标检测模型检测性能对比

    Table  2   Comparison of detection performance of three target detection models

    指标Faster R−CNNYOLOv4SSD
    mAP/%96.6194.2681.92
    识别速度/(帧·s−161724
    下载: 导出CSV

    表  3   YOLOv4模型优化前后检测性能对比

    Table  3   Comparison of detection performance of YOLOv4 model before and after optimization

    指标YOLOv4MobileNetv1−
    YOLOv4
    MobileNetv2−
    YOLOv4
    MobileNetv3−
    YOLOv4
    mAP/%94.2693.2692.1995.03
    识别速度/
    (帧·s−1
    17394744
    下载: 导出CSV

    表  4   目标检测模型加速前后对比

    Table  4   Comparison of target detection models before and after acceleration

    指标Faster R−CNNYOLOv4SSDMobileNetv3−
    YOLOv4
    mAP/% 加速前 96.61 94.26 81.92 95.03
    加速后 95.83 93.52 79.23 94.68
    识别速度/
    (帧·s−1
    加速前 6 17 24 44
    加速后 14 43 51 76
    下载: 导出CSV

    表  5   Jetson TX2上MobileNetv3−YOLOv4模型检测性能

    Table  5   Detection performance of MobileNetv3-YOLOv4 model on Jetson TX2

    指标MobileNetv3−YOLOv4加速后的
    MobileNetv3−YOLOv4
    mAP/%95.0394.68
    识别速度/(帧·s−118.335.42
    下载: 导出CSV
  • [1] 韩安,陈晓晶,贺耀宜,等. 智能矿山综合管控平台建设构思[J]. 工矿自动化,2021,47(8):7-14.

    HAN An,CHEN Xiaojing,HE Yaoyi,et al. Construction conception of intelligent mine integrated management and control platform[J]. Industry and Mine Automation,2021,47(8):7-14.

    [2] 王国法,任怀伟,赵国瑞,等. 煤矿智能化十大“痛点”解析及对策[J]. 工矿自动化,2021,47(6):1-11.

    WANG Guofa,REN Huaiwei,ZHAO Guorui,et al. Analysis and countermeasures of ten 'pain points' of intelligent coal mine[J]. Industry and Mine Automation,2021,47(6):1-11.

    [3] 李慧. 副井井口自动化运输系统研究[J]. 工矿自动化,2021,47(6):124-127,132.

    LI Hui. Research on automatic transport system in auxilary shaft pithead[J]. Industry and Mine Automation,2021,47(6):124-127,132.

    [4] 宋庆军, 姜海燕, 王忠勇, 等. 一种矿车运输智能煤矸识别及分运装置: CN201610922689.2[P]. 2019-08-13.

    SONG Qingjun, JIANG Haiyan, WANG Zhongyong, et al. An intelligent coal gangue identification and separation device for mine car transportation: CN201610922689.2[P]. 2019-08-13.

    [5] 袁源,汪嘉文,朱德昇,等. 顶煤放落过程煤矸声信号特征提取与分类方法[J]. 矿业科学学报,2021,6(6):711-720.

    YUAN Yuan,WANG Jiawen,ZHU Desheng,et al. Feature extraction and classification method of coal gangue acoustic signal during top coal caving[J]. Journal of Mining Science and Technology,2021,6(6):711-720.

    [6] 饶中钰,吴景涛,李明. 煤矸石图像分类方法[J]. 工矿自动化,2020,46(3):69-73.

    RAO Zhongyu,WU Jingtao,LI Ming. Coal-gangue image classification method[J]. Industry and Mine Automation,2020,46(3):69-73.

    [7]

    KIDO S, HIRANO Y, HASHIMOTO N. Detection and classification of lung abnormalities by use of convolutional neural network( CNN) and regions with CNN features (R-CNN)[C]//International Workshop on Advanced Image Technology, Chiang Mai, 2018: 1-4.

    [8] 刘彪, 郭翔, 张帆, 等. 基于卷积神经网络的煤矿副井矿车装载物自动分类系统[C]//第32届中国控制与决策会议论文集, 合肥, 2020: 580-585.

    LIU Biao, GUO Xiang, ZHANG Fan, et al. Automatic classification system of auxiliary mine car load based on convolutional neural network[C]//Proceedings of the 32nd Chinese Control and Decision Conference, Hefei, 2020: 580-585.

    [9]

    ROH M C, LEE J Y. Refining faster-RCNN for accurate object detection[C]//The 15th International Conference on Machine Vision Applications, Nagoya, 2017: 514-517.

    [10]

    BOCHKOVSKIY A, WANG C Y, LIAO H Y M. YOLOv4: optimal speed and accuracy of object detection[Z/OL]. arvPrint, arXiv: 2004.10934. https://arxiv.org/abs/2004.10934.

    [11] 张帆,栾佳星,崔东林,等. 基于SSD−LeNet的矿井移动目标检测与识别方法[J]. 矿业科学学报,2021,6(1):100-108.

    ZHANG Fan,LUAN Jiaxing,CUI Donglin,et al. SSD-LeNet based method of mine moving target detection and recognition[J]. Journal of Mining Science and Technology,2021,6(1):100-108.

    [12]

    PANG Shanchen,WANG Shuo,RODRIGUEZ-PATON A,et al. An artificial intelligent diagnostic system on mobile Android terminals for cholelithiasis by lightweight convolutional neural network[J]. PLoS One,2019,14(9):e0221720. DOI: 10.1371/journal.pone.0221720

    [13] 陈智超,焦海宁,杨杰,等. 基于改进MobileNet v2的垃圾图像分类算法[J]. 浙江大学学报(工学版),2021,55(8):1490-1499.

    CHEN Zhichao,JIAO Haining,YANG Jie,et al. Garbage image classification algorithm based on improved MobileNet v2[J]. Journal of Zhejiang University(Engineering Science),2021,55(8):1490-1499.

    [14] 邵伟平,王兴,曹昭睿,等. 基于MobileNet与YOLOv3的轻量化卷积神经网络设计[J]. 计算机应用,2020,40(增刊1):8-13.

    SHAO Weiping,WANG Xing,CAO Zhaorui,et al. Design of lightweight convolutional neural network based on MobileNet and YOLOv3[J]. Journal of Computer Applications,2020,40(S1):8-13.

    [15]

    MA C,MU X,SHA D. Multi-Layers feature fusion of convolutional neural network for scene classification of remote sensing[J]. IEEE Access,2019,7:121685-121694. DOI: 10.1109/ACCESS.2019.2936215

    [16]

    BAO Jian, ZHOU Bin. Optimization of neural network with fixed-point weights and touch-screen calibration[C]//The 4th IEEE Conference on Industrial Electronics and Applications, Xi'an, 2009: 3704-3708.

  • 期刊类型引用(2)

    1. 张冲. 锌铁矿井下微震监测技术分析. 新疆钢铁. 2024(01): 86-88 . 百度学术
    2. 唐世斌,刘艳晖,徐浩然,陈希茂. 深埋隧道围岩破裂的微震定位综述(英文). Journal of Central South University. 2023(12): 4182-4196 . 百度学术

    其他类型引用(2)

图(6)  /  表(5)
计量
  • 文章访问数: 
  • HTML全文浏览量: 
  • PDF下载量: 
  • 被引次数: 4
出版历程
  • 收稿日期:  2021-11-21
  • 修回日期:  2022-03-28
  • 网络出版日期:  2022-03-07
  • 刊出日期:  2022-04-24

目录

/

返回文章
返回