Intelligent coal mine data warehouse modeling method
-
摘要: 煤矿海量数据存在“数据孤岛”、关联性弱、因缺乏数据管理体系而导致数据质量差等问题,难以充分利用,无法为煤矿智能化提供分析决策支撑。数据仓库可满足煤矿多源异构数据集成需求,为煤矿智能化应用提供数据基础。通过分析煤矿数据类型、特点及实际数据智能化应用需求,研究了智能化煤矿数据仓库建模方法。首先,构建了智能化煤矿数据仓库分层架构,分析了原始数据层、明细数据层、基础指标层、服务数据层、公共维度层数据模型特点;其次,以综采工作面数据为例,从业务数据分析、应用需求分析、分层架构设计等方面阐述了数据仓库建模过程;再次,介绍了煤矿数据仓库中数据模型构建方法,即通过维度对齐、维度关联、维度化指标聚合等将原始数据转换为数据仓库维度模型,解决了不同维度的煤矿数据关联应用问题;最后,为解决煤矿数据仓库的可迁移性问题,提出了煤炭行业通用数据仓库+参数化ETL(抽取、转换、加载)方法的煤矿参数化数据仓库设计思路。在实验室环境下搭建了煤矿数据仓库平台,对山西天地王坡煤业有限公司综采工作面数据进行处理,并基于处理数据辅助机理模型分析、实现可视化管理驾驶舱,验证了智能化煤矿数据仓库的实用性;对比了原始数据模型与智能化煤矿数据仓库的性能指标,结果表明智能化煤矿数据仓库的数据组织度、模型复用度和迭代难易度均优于原始数据模型,且数据查询响应时间缩短50%以上。Abstract: The coal mine massive data has problems such as 'data island', weak correlation, poor data quality due to lack of data management system. It is difficult to make full use of the data and provide analysis and decision-making support for coal mine intelligence. The data warehouse can meet the requirements of multi-source heterogeneous data integration in coal mine, and provide data basis for intelligent application in coal mine. By analyzing the coal mine data types, characteristics and intelligent application requirements of actual data, the intelligent coal mine data warehouse modeling method is studied. Firstly, the layered architecture of intelligent coal mine data warehouse is constructed, and the characteristics of data model of original data layer, detailed data layer, basic index layer, service data layer and public dimension layer are analyzed. Secondly, taking the data of fully mechanized working face as an example, the modeling process of data warehouse is expounded from the aspects of business data analysis, application demand analysis and layered architecture design. Thirdly, the construction method of data model in coal mine data warehouse is introduced. The original data is transformed into data warehouse dimensional model through dimension alignment, dimension association and dimensional index aggregation. The method solves the application problem of coal mine data association in different dimensions. Finally, in order to solve the problem of portability of coal mine data warehouse, the design idea of coal mine parametric data warehouse based on general data warehouse in coal mine industry + parametric ETL (extraction-transformation-load) method is proposed. The platform of coal mine data warehouse in the laboratory environment is set up to process the data of fully mechanized working face of Shanxi Tiandi Wangpo Coal Industry Co., Ltd. The auxiliary mechanism model analysis and visual management cockpit are realized based on the processing data, which verifies the practicability of intelligent coal mine data warehouse. The performance indexes of the original data model and the intelligent coal mine data warehouse are compared. The results show that the data organization, model reuse and iteration difficulty of the intelligent coal mine data warehouse are better than those of the original data model, and the data query response time is shortened by more than 50%.
-
0. 引言
在地下矿山生产中,对作业人员佩戴安全帽情况进行检测对保障其人身安全和生产安全具有重要意义[1]。目前矿山生产中的行为监测通常采用人工方式,调度室监控人员通过视频监控数据判断作业人员的不安全行为[2]。该方式费时费力,误检率高,且难以实现全程监控。因此,地下矿山作业人员不佩戴或不规范佩戴安全帽的情况仍时有发生。
随着矿山智能化技术的不断发展,有学者对矿山作业人员佩戴安全帽智能检测进行了研究,其中以基于视觉图像的检测方法为热点[3-4]。李晓宇等[5]提出了一种基于超像素特征提取与SVM(Support Vector Machine,支持向量机)分类的矿井人员安全帽分割方法。毕林等[6]构建了3种不同深度的卷积神经网络,对矿山背景及矿工是否佩戴安全帽进行检测。仝泽友等[7]基于Inception-V3网络模型,实现矿工人脸识别及安全帽佩戴检测。上述方法较人工方式极大提高了检测效率,但由于所用的地下矿山数据较少,导致安全帽特征分类不够精确。
近年来,深度学习算法在工业检测领域应用越来越广泛。其中,基于单阶段的YOLO系列算法[8-10]发展迅速,其检测速度快,对于小目标检测精度高,被许多学者用于工业现场施工环境下的作业人员佩戴安全帽检测研究中[11-15],为实现地下矿山环境下人员佩戴安全帽智能检测提供了参考。基于此,本文采用对小目标识别效果好的YOLOX算法[10]进行地下矿山作业人员佩戴安全帽智能检测。考虑YOLOX采用多层残差网络结构提取目标特征,过分关注特征图局部特征而忽略了全局特征信息,将AM(Attention Mechanism,注意力机制)引入YOLOX,以增强全局特征提取能力,由此构建了YOLOX−A模型。针对目前缺少适用矿山安全帽检测数据集的问题,通过采集地下矿山实际生产场景的图像,构建了MHWD(Mine Helmet Wearing Dataset,矿山安全帽佩戴数据集),其包含12个地下矿山不同场景中作业人员佩戴安全帽的图像,并对安全帽佩戴情况进行进一步细分。基于MHWD对YOLOX−A模型进行训练和验证,结果表明该模型能对地下矿山现场中不同场景与不同尺度的安全帽进行准确识别。
1. 数据集构建
1.1 作业人员佩戴安全帽图像分类
地下矿山企业要求下井人员需将安全帽戴正,帽舌朝正前方;调节下颌调节器,使下颌带紧贴下颚,并携带好矿灯。作业人员佩戴安全帽检测通常分为佩戴与不佩戴两类,难以满足实际检测需求。考虑目前大多数地下矿山为方便下井人员作业,将矿灯安置在安全帽上,因此将人员佩戴安全帽图像划分为正确佩戴、不规范佩戴(佩戴未携带矿灯的安全帽)和未佩戴3种,如图1所示。
1.2 MHWD制作
基于深度学习的目标检测模型前期需要大量的标签样本,以提升模型的准确度和泛化能力。SHWD(Safety Helmet Wearing Dataset)[16]是目前最大的开源安全帽检测数据集,通过网络爬虫收集了部分露天工地场景下工人佩戴安全帽的图像,以及教室监控中未佩戴安全帽人员的图像,共7 581张。直接将该数据集用于地下矿山作业人员佩戴安全帽检测存在2个问题:① 未考虑矿山井下弱光环境;② 缺乏不规范佩戴安全帽数据。
针对上述问题,采集湖南省长沙市、衡阳市、娄底市等12个矿山调度室的实际监控视频及现场拍摄的作业人员佩戴安全帽图像。监控视频每10 s剪切1帧并筛选。考虑矿井中未佩戴安全帽的图像很少,通过网络爬虫方式获取部分适用于井下环境安全帽检测的数据,并从SHWD中选取部分适合矿山检测环境的人员未佩戴安全帽图像。
MHWD中数据涵盖矿山采场、井巷等复杂场景,以及作业人员正确佩戴、不规范佩戴、未佩戴安全帽等情况,共有8 151张图像,含5 000张矿山现场采集图像、3 151张网络爬虫获取图像和SHWD图像。采用图像标注软件LabelImage进行标签分类,如图2所示。正确佩戴安全帽图像采用红色框,标记为WithHelmet;不规范佩戴安全帽图像采用绿色框,标记为IrregularWearing;未佩戴安全帽图像采用蓝色框,标记为Person。
MHWD标签分类结果:WithHelmet标签6 590个,IrregularWearing标签3 224个,IrregularWearing标签99 483个。将MHWD数据按9∶1随机划分为训练集和验证集,并使用mosaic方法进行扩充,以增强模型泛化能力。
2. YOLOX−A模型构建
2.1 模型结构
YOLOX网络由Darknet−53[17] Backbone(主干网络)、PAFPN(Path Aggregation Feature Pyramid Network,路径聚合特征金字塔网络)[18]及YoloHead[10]组成。YOLOX−A基于YOLOX网络结构,在Backbone的SPPB(Spatial Pyramid Pooling BottleNeck,空间金字塔池化瓶颈)[19]层嵌入ECA(Efficient Channel Attention,有效通道注意力)模块[20],在PAFPN中每个上采样(UpSample)和下采样(DownSample)后添加CBAM(Convolutional Block Attention Module,卷积块注意力模块)[21],如图3所示。YOLOX−A通过融合轻量级AM模块,加强网络对全局信息的关注度,以增强特征提取能力。
2.2 改进SPPB
YOLOX的Backbone使用SPPB提取特征。SPPB采用1×1卷积进行通道数缩减,再用3×3卷积进行通道数扩张,以降低参数量。卷积核通常是局部的,忽略了特征图中部分全局信息,导致检测结果不理想。而AM可通过权值分配和信息过滤实现网络自适应,增强重要特征信息,从而从海量的特征信息中提取出对网络训练更有价值的信息。因此,在SPPB中嵌入ECA模块,通过全局平均池化得到特征图聚合特征,以增强全局特征信息。改进前后的SPPB结构如图4所示。
ECA是一种用于提升深度卷积网络性能的超轻注意力模块,通过执行大小为$ K $的快速一维卷积生成通道权重。
$$ K={\left|\frac{{{{\rm{log}}}}_{2}C}{\gamma }+\frac{b}{\gamma }\right|}_{{\rm{odd}}} $$ (1) 式中:$ C $为输入特征图的通道数;$ \mathrm{\gamma },{b} $为常数,设置$ \mathrm{\gamma } $=2,$ {b} $=1;$ {\left|·\right|}_{{\rm{odd}}} $为取最近的奇数。
2.3 改进PAFPN
YOLOX模型Backbone的Dark3,Dark4,Dark5输出的多尺度特征进入PAFPN融合。为保留更多的高级语义信息,在PAFPN的每个上采样、下采样之后加入CBAM,从而对重要的语义信息给予更多关注,如图5所示。
CBAM包含通道注意力模块和空间注意力模块,可更好地选择对当前任务目标更关键的信息,使得卷积提取的特征相关性更强,捕获的高级语义信息更丰富,从而更好地识别目标。
$$ {\boldsymbol{I}}{{'}}={{\boldsymbol{M}}}_{{\rm{c}}}\otimes {\boldsymbol{I}} $$ (2) $$ {{\boldsymbol{I}}}{{'}{'}}={{\boldsymbol{M}}}_{{\rm{s}}}\otimes {{\boldsymbol{I}}}{{'}} $$ (3) 式中:${{\boldsymbol{I}}}{{'}}$为经通道注意力模块处理的特征图;Mc为通道注意力模块,${{{{\boldsymbol{M}}}}}_{{\rm{c}}}\in {{\bf{R}}}^{C \times 1 \times 1}$;I为输入特征图,${\boldsymbol{I}}\in {{\bf{R}}}^{C \times H \times W}$,H,W分别为输入特征图的高度和宽度;$ {{\boldsymbol{I}}}{{'}{'}} $为CBAM输出特征图;Ms为空间注意力模块,${{\boldsymbol{M}}}_{{\rm{s}}}\in {{\bf{R}}}^{1\times H \times W}$。
3. 实验验证
3.1 实验环境及模型参数
实验基于Windows10系统、Pytorch深度学习框架;处理器为Intel(R) Core(TM) i5−10400F CPU @ 2.90 GHz,16 GiB内存;GPU为NVIDIA GeForce RTX 1650,显存为4 GiB。
实验数据集为MHWD,输入图像尺寸为640 × 640。模型训练100个epoch,batch-size设置为2,使用yolox_s.pth权重文件。模型参数由SGD优化器更新,初始学习率设置为 0.01,并通过余弦退火方法减小学习率。
3.2 模型评价结果
采用目标检测中常用的AP(Average Precision,平均精度)、mAP(mean Average Precision,平均精度均值)和$ F1 $分数作为模型的评价指标。
分别对YOLOX,YOLOX−A模型进行训练,之后设置置信度阈值0.5过滤掉错误检测框,采用$ F1 $分数评价模型性能,结果如图6所示。可看出YOLOX−A模型针对IrregularWearing类检测的F1分数较YOLOX模型提升了3%,WithHelmet类提升了1%,Person类保持不变,整体提升了4%。
采用MHWD对主流目标检测算法EfficientDet,YOLOv3,YOLOv4,YOLOv5,YOLOX进行训练,并与YOLOX−A模型的检测结果进行对比,见表1。可看出YOLOX−A模型对IrregularWearing,WithHelmet,Person类检测的AP分别为93.16%,95.76%,91.69%,mAP为93.54%,均高于其他检测模型。
表 1 不同目标检测模型在MHWD上的检测指标Table 1. Detection indexes of different target detection models on MHWD% 模型 AP mAP IrregularWearing WithHelmet Person EfficientDet 83.08 90.80 37.53 70.47 YOLOv3 74.87 89.21 79.12 81.06 YOLOv4 75.36 89.23 80.63 81.74 YOLOv5 77.3 90.53 87.22 85.02 YOLOX 91.67 95.48 92.28 93.15 YOLOX−A 93.16 95.76 91.69 93.54 3.3 消融实验
为了检验改进模块的有效性,在MHWD上进行消融实验,结果见表2。可看出YOLOX模型依次加入CBAM和ECA后,检测结果的mAP分别较前一模型提升了0.12%和0.27%,验证了CBAM和ECA均能提高人员佩戴安全帽检测精度。
表 2 消融实验结果Table 2. Ablation experiment resultsYOLOX CBAM ECA mAP/% √ 93.15 √ √ 93.27 √ √ √ 93.54 3.4 作业人员佩戴安全帽识别实验
分别采用YOLOX模型与YOLOX−A模型识别图像中作业人员佩戴安全帽情况,热力图可视化对比如图7所示。红色表示网络提取特征时需高度注意的区域,颜色越深表示显著性越高。可看出YOLOX−A模型对安全帽的目标特征更加集中且敏感度更高。
YOLOX−A模型对作业人员佩戴安全帽的识别结果如图8所示。可看出YOLOX−A模型针对矿井图像照度低、模糊、有障碍物遮挡等情况,均能较准确地检测出安全帽,但对于图像6中安全帽目标较小且存在反光的情况,YOLOX−A模型将不规范佩戴安全帽误检为正确佩戴。总体上,采用MHWD训练的YOLOX−A模型基本满足地下矿山工作人员佩戴安全帽自动检测要求。
分别采用EfficientDet,YOLOv3,YOLOv4,YOLOv5,YOLOX,YOLOX−A模型对地下矿山复杂场景下的作业人员佩戴安全帽图像进行检测,结果如图9所示。可看出在低照度环境且存在人员遮挡条件下,EfficientDet,YOLOv3,YOLOv4模型对于小目标存在漏检情况,YOLOv5,YOLOX模型能检测出微光下的安全帽,但对于更弱光照条件下的安全帽无法完整检测,而YOLOX−A模型能准确检测出人员佩戴安全帽情况。
4. 结论
1) 提出了更适用于地下矿山作业人员佩戴安全帽检测的数据集−MHWD。该数据集全面扩充了地下矿山采场、井巷等复杂场景,以及作业人员非规范佩戴安全帽分类标签。
2) 将ECA和CBAM融合策略引入YOLOX模型,建立YOLOX−A模型,增强了对特征图像全局信息和高级语义信息的抓取效力。
3) 基于MHWD训练的YOLOX−A模型对IrregularWearing,WithHelmet,Person 3种分类的AP分别为93.16%,95.76%,91.69%,mAP为93.54%,均高于主流的EfficientDet,YOLOv3,YOLOv4,YOLOv5,YOLOX模型,且针对低照度、模糊、有人员遮挡的矿井图像,能够准确识别人员佩戴安全帽情况,满足地下矿山作业人员佩戴安全帽智能检测要求。
-
表 1 综采工作面核心数据分类
Table 1 Classification of kernel data of fully mechanized working face
数据来源 数据描述内容 采煤机 采煤机位置、机身俯仰角及倾斜角、左右牵引速度、左右滚筒高度、温度、电流等 刮板输送机 电流、电压、闭锁状态、转速、启停、故障信息等 转载机 电流、电压、闭锁状态、转矩、转速、启停、故障信息等 破碎机 电流、电压、闭锁状态、速度、启停、故障信息等 带式输送机 电流、电压、温度、转速等 液压支架 压力、行程、跟机动作、人工操作信息等 泵站 乳化液泵、喷雾泵的电流、电压、温度、转速等 表 2 综采工作面采煤机位置数据
Table 2 Location data of shearer in fully mechanized working face
数据类别 标签 时间 数据值 数据状态 采煤机 位置架 2019−12−06T17:12:42.819 13 Good 采煤机 位置架 2019−12−06T17:13:20.439 14 Good 采煤机 位置架 2019−12−06T17:13:46.658 15 Good 采煤机 位置架 2019−12−06T17:14:07.437 16 Good 采煤机 位置架 2019−12−06T17:14:39.942 17 Good 表 3 割煤阶段维表数据结构
Table 3 Dimension table data structure of coal cutting stage
割煤
刀号方向 开始
架号开始时间 结束
架号结束时间 110 1 6 2020−04−28T05:40:41 200 2020−04−28T16:06:08 111 2 200 2020−04−28T16:06:08 6 2020−04−28T19:32:38 112 1 6 2020−04−28T19:32:38 200 2020−04−28T22:29:13 113 2 200 2020−04−28T22:29:13 7 2020−04−29T02:02:37 表 4 液压支架循环动作阶段维表数据结构
Table 4 Dimension table data structure of cyclic hydraulic support action
割煤刀号 架号 动作阶段 开始时间 结束时间 140 70 1 2020−05−05T01:08:18 2020−05−05T01:08:23 140 70 2 2020−05−05T01:08:23 2020−05−05T01:08:28 140 70 3 2020−05−05T01:08:23 2020−05−05T01:13:09 表 5 原始数据模型与煤矿数据仓库的定性对比
Table 5 Qualitative comparison between primary data model and coal mine data warehouse
指标 原始数据模型 煤矿数据仓库 数据
组织度按照数据来源组织,与
业务过程缺乏关联性按照数据域、业务过程、业务事实进行
组织,便于从业务角度理解数据模型
复用度统计分析过程基于原始
数据,逻辑实现复杂,无
法重复使用提供多层级数据模型,统计分析过程基
于服务数据层查询,新增数据可不断沉
淀到基础指标层,实现模型复用迭代
难易度数据模型随业务系统变
更,按照业务分析需要
迭代根据需求类型支持不同层级迭代,数据
源变化可迭代明细数据层,指标变化可
迭代基础指标层表 6 原始数据模型与煤矿数据仓库的定量对比
Table 6 Quantitative comparison between primary data model and coal mine data warehouse
数据计算指标 查询响应时间/min 原始数据模型 煤矿数据仓库 设备能耗(粒度:1 h,跨度:48 h) 5~10 <1 设备能耗(粒度:1 d,跨度:30 d) >10 1~3 设备运行时长(粒度:1 d,跨度30 d) 5~10 1~3 数据上传量(粒度:1 h,跨度:48 h) 5~10 <1 工作面开机率(粒度:1 d,跨度:30 d) 5~10 1~3 工作面割煤量(粒度:1 d,跨度:7 d) >10 1~3 工作面推进度(粒度:1 d,跨度:7 d) >10 1~3 矿压分布(粒度:1 s,跨度:1 d) >10 3~5 液压支架支护时长(粒度:架号+1 s,
跨度:48 h)>10 1~3 采煤机循环时长(粒度:割煤刀号+1 s,
跨度:48 h)>10 1~3 -
[1] 王国法,王虹,任怀伟,等. 智慧煤矿2025情景目标和发展路径[J]. 煤炭学报,2018,43(2):295-305. WANG Guofa,WANG Hong,REN Huaiwei,et al. 2025 scenarios and development path of intelligent coal mine[J]. Journal of China Coal Society,2018,43(2):295-305.
[2] 韩安. 基于Hadoop的煤矿数据中心架构设计[J]. 工矿自动化,2019,45(8):60-64. HAN An. Architecture design of coal mine data center based on Hadoop[J]. Industry and Mine Automation,2019,45(8):60-64.
[3] 毛善君,杨乃时,高彦清,等. 煤矿分布式协同“一张图”系统的设计和关键技术[J]. 煤炭学报,2018,43(1):280-286. MAO Shanjun,YANG Naishi,GAO Yanqing,et al. Design and key technology research of coal mine distributed cooperative "one map" system[J]. Journal of China Coal Society,2018,43(1):280-286.
[4] 王国法,刘峰,孟祥军,等. 煤矿智能化(初级阶段)研究与实践[J]. 煤炭科学技术,2019,47(8):1-36. WANG Guofa,LIU Feng,MENG Xiangjun,et al. Research and practice on intelligent coal mine construction (primary stage)[J]. Coal Science and Technology,2019,47(8):1-36.
[5] 高士岗,高登彦,欧阳一博,等. 煤矿智能一体化辅助生产系统及关键技术[J]. 煤炭科学技术,2020,48(7):150-160. GAO Shigang,GAO Dengyan,OUYANG Yibo,et al. Mine intelligent integrated auxiliary production system and key technologies[J]. Coal Science and Technology,2020,48(7):150-160.
[6] 何敏. 智能煤矿数据治理框架与发展路径[J]. 工矿自动化,2020,46(11):23-27. HE Min. Framework and development path of data governance in intelligent coal mine[J]. Industry and Mine Automation,2020,46(11):23-27.
[7] 李首滨. 煤炭工业互联网及其关键技术[J]. 煤炭科学技术,2020,48(7):98-108. LI Shoubin. Coal industry Internet and its key technologies[J]. Coal Science and Technology,2020,48(7):98-108.
[8] 杜毅博,赵国瑞,巩师鑫. 智能化煤矿大数据平台架构及数据处理关键技术研究[J]. 煤炭科学技术,2020,48(7):177-185. DU Yibo,ZHAO Guorui,GONG Shixin. Study on big data platform architecture of intelligent coal mine and key technologies of data processing[J]. Coal Science and Technology,2020,48(7):177-185.
[9] 吴群英,蒋林,王国法,等. 智慧矿山顶层架构设计及其关键技术[J]. 煤炭科学技术,2020,48(7):80-91. WU Qunying,JIANG Lin,WANG Guofa,et al. Top-level architecture design and key technologies of smart mine[J]. Coal Science and Technology,2020,48(7):80-91.
[10] BOJICIC I, MARJANOVIC Z, TURAJLIC N, et al. A comparative analysis of data warehouse data models[C]//The 6th IEEE International Conference on Computers Communications and Control, Oradea, 2016: 151-159.
[11] 曾志浩,姚贝,张琼林,等. 基于Hadoop平台的用户行为挖掘[J]. 计算技术与自动化,2015,34(2):100-103. DOI: 10.3969/j.issn.1003-6199.2015.02.024 ZENG Zhihao,YAO Bei,ZHANG Qionglin,et al. User behavior mining based on Hadoop platform[J]. Computing Technology and Automation,2015,34(2):100-103. DOI: 10.3969/j.issn.1003-6199.2015.02.024
[12] 温国锋,陈立文. 煤矿安全管理数据仓库的建立与应用研究[J]. 中国矿业,2009,18(1):95-97. DOI: 10.3969/j.issn.1004-4051.2009.01.027 WEN Guofeng,CHEN Liwen. On building and applacation of coal mine security management data warehouse[J]. China Mining Magazine,2009,18(1):95-97. DOI: 10.3969/j.issn.1004-4051.2009.01.027
[13] INMON W H, LINSTEDT D, ELLIOT S. Data architecture, a primer for the data scientist: big data, data warehouse and data vault[M]. Amsterdam: Morgan Kaufmann, 2015.
[14] 赵随海. 铁路列车调度指挥系统数据仓库体系结构的研究[J]. 铁道运输与经济,2018,40(12):55-59. ZHAO Suihai. A study on the architecture of data warehouse for the railway train dispatching command system[J]. Railway Transport and Economy,2018,40(12):55-59.
[15] STAVRAKAS Y,GERGATSOULIS M,DOULKERIDIS C,et al. Representingand querying histories of semistructured databases using multidimensional OEM[J]. Information Systems,2003,29(6):461-482.
[16] 马宏伟,吴少杰,曹现刚,等. 煤矿综采设备运行状态大数据清洗建模[J]. 工矿自动化,2018,44(11):80-83. MA Hongwei,WU Shaojie,CAO Xiangang,et al. Big data cleaning modeling of operation status of coal mine fully-mechanized coal mining equipment[J]. Industry and Mine Automation,2018,44(11):80-83.
[17] 高金标,何利力,邹云阳. 基于分布式存储系统的Hive与Hbase的研究[J]. 工业控制计算机,2015,28(12):44-45. DOI: 10.3969/j.issn.1001-182X.2015.12.021 GAO Jinbiao,HE Lili,ZOU Yunyang. Hive and Hbase based on research on hadoop distributed file system[J]. Industrial Control Computer,2015,28(12):44-45. DOI: 10.3969/j.issn.1001-182X.2015.12.021
-
期刊类型引用(7)
1. 柳小波,范立鹏,秦丽杰,王连成,张兴帆. 机器视觉技术在矿山行业的应用现状与展望. 有色金属(矿山部分). 2025(02): 1-15 . 百度学术
2. 王新良,王璐莹. 特征增强的低照度爆破现场安全帽检测算法. 计算机工程. 2025(03): 252-260 . 百度学术
3. 柏跃屹,华心祝. 基于轻量化YOLOv7的井下高压场景安全识别研究. 煤炭工程. 2024(04): 157-163 . 百度学术
4. 韩忠利. 基于卷积神经网络的矿用安全帽佩戴检测. 工矿自动化. 2024(S1): 82-87 . 本站查看
5. 张婧,冯莹莹,李洪安,杜思哲,莫金明. 煤矿工作面喷雾除尘场景下的安全帽识别算法. 矿业安全与环保. 2024(04): 9-16 . 百度学术
6. 齐瑞洁,袁玉英,孙立云,乔世超. 基于改进YOLOv8n的施工现场安全帽检测算法. 电子测量技术. 2024(13): 100-109 . 百度学术
7. 杨志方. 基于雷达与视觉融合的双模态煤矿井下环境感知技术. 工矿自动化. 2023(11): 67-75 . 本站查看
其他类型引用(0)