基于边缘智能的煤矿外因火灾感知方法

赵端, 李涛, 董彦强, 王志强, 刘春

赵端,李涛,董彦强,等. 基于边缘智能的煤矿外因火灾感知方法[J]. 工矿自动化,2022,48(12):108-115. DOI: 10.13272/j.issn.1671-251x.2022080046
引用本文: 赵端,李涛,董彦强,等. 基于边缘智能的煤矿外因火灾感知方法[J]. 工矿自动化,2022,48(12):108-115. DOI: 10.13272/j.issn.1671-251x.2022080046
ZHAO Duan, LI Tao, DONG Yanqiang, et al. Coal mine external fire detection method based on edge intelligence[J]. Journal of Mine Automation,2022,48(12):108-115. DOI: 10.13272/j.issn.1671-251x.2022080046
Citation: ZHAO Duan, LI Tao, DONG Yanqiang, et al. Coal mine external fire detection method based on edge intelligence[J]. Journal of Mine Automation,2022,48(12):108-115. DOI: 10.13272/j.issn.1671-251x.2022080046

基于边缘智能的煤矿外因火灾感知方法

基金项目: 中央高校基本科研业务费专项资金项目(XJ2021005101)。
详细信息
    作者简介:

    赵端(1983—),男,河北承德人,教授,博士,硕士研究生导师,主要从事无线传感器网络、煤矿能量采集、机器学习方面的研究工作,E-mail:duan.zhao@cumt.edu.cn

  • 中图分类号: TD752.3

Coal mine external fire detection method based on edge intelligence

  • 摘要: 对煤矿外因火灾隐患进行检测,实现对初期火灾的可靠判识,对于提升煤矿火灾检测水平有重要意义,也是未来智能矿山建设的重要方向。为了提高煤矿外因火灾检测速度、精度和实时性,提出一种基于边缘智能的煤矿外因火灾感知方法。对YOLOv5s模型主干网络特征尺度进行改进,使模型能够充分学习浅层特征,改善小目标检测性能,同时在原有的特征金字塔网络(FPN)基础上添加自适应注意模块,提高模型检测精度。为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题,采用多传感器辅助检测,通过动态加权算法对视频检测信息和多传感器检测信息进行加权融合判识,构建了YOLOv5s−as模型。将YOLOv5s−as模型移植到智能边缘处理器上,并进行轻量化处理,实现边缘智能设备部署。实验结果表明:与未加入传感器信息融合推理的YOLOv5s−a模型相比,YOLOv5s−as模型推理时间略长,但交并比为0.5时的平均精度均值(mAP@0.5)提高了7.24%;与移植前的YOLOv5s模型相比,移植到智能边缘处理器上并进行轻量化处理的YOLOv5s−as模型mAP@0.5提高15.04%;SSD 300,SSD 512及YOLOv5s模型无法识别小目标火源,YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好;使用边缘处理方式时,YOLOv5s−as模型的响应周期为238 ms,比集中式处理方法缩短了38.66%。
    Abstract: The detection of external fire in coal mines and the reliable identification of initial fire are of great significance for improving the level of coal mine fire detection. It is also an important direction of intelligent mine construction in the future. In order to improve the speed, precision and real-time of coal mine external fire detection, a coal mine external fire detection method based on edge intelligence is proposed. The feature scale of the backbone network of the YOLOv5s model is improved. The model can fully learn the shallow features and improve the small target detection performance. At the same time, an adaptive attention module is added on the basis of the original feature pyramid network (FPN) to improve the detection precision of the model. There are problems of image detection error and missed detection caused by poor light conditions, more dust and camera shooting angle in the underground mine. In order to solve the above problems, the YOLOv5s-as model is constructed by using multi-sensor auxiliary detection and weighting fusion identification of video detection information and multi-sensor detection information through dynamic weighting algorithm. The YOLOv5s-as model is transplanted to the intelligent edge processor, and lightweight processing is carried out to realize the deployment of edge intelligent devices. The experimental results show that the reasoning time of the YOLOv5s-as model is slightly longer than that of the YOLOv5s-a model without sensor information fusion reasoning, but mean value of average precision when the intersection over union is 0.5 (mAP@0.5) is increased by 7.24%. Compared with the YOLOv5s model before transplantation, the mAP@0.5 of the YOLOv5s-as model transplanted to the intelligent edge processor and subjected to lightweight processing increased by 15.04%. For small target fire sources, SSD 300, SSD 512 and YOLOv5s models cannot identify them. The YOLOv5s-a and YOLOv5s-as models can detect small target fire sources with good adaptability. When using the edge processing method, the response period of YOLOv5s as model is 238 ms, which is 38.66% shorter than the centralized processing method.
  • 我国西部矿区具有埋藏浅、煤层厚、地质条件简单等特点。为提高工作面开采效率,缓解接续紧张局面,回采巷道多采用双巷布置方式,双巷间留设一定宽度的区段煤柱,用于维护回采巷道的稳定[1-3]。煤柱宽度过小则不能有效支撑顶板,在采动影响产生的高集中应力作用下破坏失稳[4-5];煤柱宽度过大,不仅造成煤炭资源浪费,还有可能引发冲击地压等动力灾害[6-7]

    近年来,学者们针对区段煤柱合理宽度设计开展了大量研究,主要运用极限平衡理论计算煤柱塑性区宽度,在考虑一定安全系数的情况下,预留一定宽度的弹性核区,将两者宽度之和作为煤柱合理宽度[8-10]。张念超等[11]在统一强度理论的基础上,提出了区段煤柱合理宽度理论计算方法。王琦等[12]提出了最大临界尺寸的概念,认为区段煤柱合理宽度应小于最大临界尺寸。姚强岭等[13]考虑采空区积水弱化作用,提出了煤矿地下水库煤柱坝体塑性区宽度计算公式。周光华等[14]针对特定的近距离倾斜煤层群采掘地质条件,研究了煤矿地下水库煤柱坝体的合理尺寸及其稳定性问题。研究表明,区段煤柱合理宽度的确定不仅受到工作面采动的影响[15-16],而且与区段煤柱一侧采空区积水弱化作用有关[17-19]。采空区积水与煤岩作用会弱化区段煤柱强度而引起煤柱逐渐破坏和失效,水岩作用是区段煤柱合理宽度设计中必须考虑的关键因素。

    本文考虑内蒙古鄂尔多斯新街矿区某矿31采区采空区积水对煤体强度的弱化作用,通过单轴压缩实验获得了煤体强度弱化系数,分析了水岩作用下区段煤柱塑性区宽度特征;利用FLAC3D数值计算模型实现煤体强度的动态弱化,并在此基础上开展了不同宽度煤柱稳定性数值模拟研究,可为相似工程条件下煤柱宽度设计提供参考。

    新街矿区某矿31301工作面位于31采区(主采3−1煤层),为31采区的首采工作面,走向长度为2 503.74 m,宽度为300.58 m,面积为752 573 m2。煤层平均厚度为6 m,倾角为1~3°。直接顶为厚5.96 m的砂质泥岩,基本顶为厚18.7 m的中粒砂岩,直接底为厚1.23 m的泥岩,基本底为厚9.2 m的砂质泥岩。

    31采区煤层底板总体呈东北部高、西南部低的趋势。31301采空区积水高度超过3 m,部分区域达7 m以上,采空区积水对3−1煤层始终存在强度弱化作用。目前,根据矿井的接续安排,需要在31301采空区一侧布置33采区33301工作面,如图1所示。

    图  1  工作面布置
    Figure  1.  Layout of working face

    在31采区同一位置选择大小适中(300 mm×300 mm×300 mm)、形状规则、层理分布均匀且表面无明显裂纹的煤块,将现场选择的煤块运回实验室后加工处理成标准试样,用于单轴压缩实验,结果如图2所示。3−1煤层试样在干燥、饱和条件下的抗压强度分别为18.45,7.89 MPa,弹性模量分别为2.1,1.1 GPa。根据实验结果,确定煤层饱和条件下强度弱化系数为0.43,弹性模量弱化系数为0.52。

    图  2  煤样应力−应变曲线及破坏形态
    Figure  2.  Stress-strain curves and failure mode of coal sample

    区段煤柱服务期间,先后经历掘进影响、31301工作面一次采动影响和33301工作面二次采动影响阶段,其中,31301工作面回采结束后,由于侧向顶板破断,导致煤柱侧产生宽度为x0的塑性破坏区,在33301工作面回采期间,31301采空区积水对煤柱强度进一步弱化,产生新的塑性区(宽度为x1),根据极限平衡理论,可得[13]

    $$ {x_1} = \frac{{{M}}}{{2\lambda f}}\ln \left[ {\frac{{{{{K}}_{\text{1}}}\gamma H}}{{\lambda p + {\sigma _{\rm{r}}}}} - \frac{{{V_{\rm{m}}}{S_{\rm{g}}}\left( {1 - {\exp\left({\dfrac{{2\lambda f}}{{{S_{\rm{m}}}{S_{\rm{g}}}}}({\sigma _{\rm{c}}} - {\sigma _{\rm{r}}})}\right)}} \right)}}{{2\lambda f\left( {\lambda p + {\sigma _{\rm{r}}}} \right)}}} \right] $$ (1)

    式中:M为煤层开采厚度;λ为应力系数,λ=(1+sin φ)/(1−sin φ),φ为内摩擦角; f为煤层与顶底板的摩擦因数;K1为煤柱积水侧应力集中系数;γ为覆岩容重;H为煤层埋深;p为积水侧静水压力;σr为煤体残余强度;Vm为煤体软化模量;Sg为塑性区煤体应变梯度;σc为弹性阶段煤体的单轴抗压强度。

    由式(1)可知,区段煤柱积水侧塑性区宽度随煤体强度弱化程度的增加而扩大。31301工作面具体参数:M=6 m,λ=2.5,f=0.56,K1=3,γ=25 kN/m3H=380 m,p=0.06 MPa,Vm=800 MPa,Sg=0.08,σr=1.81 MPa,σc=7.89 MPa。将以上参数代入式(1),可得x1=6.42 m。

    由于33301工作面为33采区首采工作面,区段煤柱需要长期保持稳定,以防止31301采空区积水溃入,区段煤柱保持稳定的基本条件:区段煤柱两侧产生塑性变形后,在煤柱中央存在一定宽度的弹性核区。保持煤柱稳定的最小宽度为

    $$ B = 2{x_0} + kM + {x_1} $$ (2)

    式中k为安全系数,取3。

    根据31301工作面现场测试结果,x0取14.6 m。通过理论计算,确定31301工作面和33301工作面间的区段煤柱宽度为53.62 m。

    根据实际条件建立不同宽度煤柱FLAC3D数值计算模型,模型大小为880 m×400 m×190 m(长×宽×高),在模型的顶面施加6.8 MPa载荷来代替上方未建立岩层的重力作用,模型单元体材料采用Mohr-Coulomb强度准则,煤岩体物理力学参数见表1

    表  1  数值计算模型煤岩体物理力学参数
    Table  1.  Physical and mechanical parameters of coal and rock mass in numerical calculation model
    岩层厚度/m弹性模
    量/GPa
    泊松比黏聚
    力/MPa
    内摩擦
    角/(°)
    抗拉强
    度/MPa
    粉砂岩343.510.175.1634.581.500
    细粒砂岩81.610.174.3731.830.510
    粉砂岩345.860.155.6636.000.890
    中粒砂岩63.450.094.2431.340.480
    砂质泥岩265.350.196.2637.441.080
    泥岩26.300.194.9233.830.670
    60.990.213.0526.090.610
    煤(浸水)0.490.210.429.530.004
    泥岩66.750.185.8031.770.680
    粉砂岩264.690.176.4633.580.860
    下载: 导出CSV 
    | 显示表格

    分别取煤柱宽度为50,56,62,68,74 m进行模拟,通过编写Fish语言,对煤柱塑性区单元强度进行弱化,并在数值计算过程中进行迭代,实现模拟水岩作用的动态过程,即随着33301工作面推进,逐次弱化位于31301采空区积水侧的煤柱,直至33301工作面回采结束。 31301及33301工作面模拟走向长度均为300 m,推进长度为100 m。

    31301工作面回采后煤柱塑性区分布如图3所示。可看出当31301工作面回采80 m左右时,煤柱塑性区范围达到最大,随着工作面继续推进,煤柱塑性区范围变化不大,当工作面推进100 m时,塑性区宽度约为12 m。

    图  3  31301工作面回采后煤柱塑性区分布
    Figure  3.  Distribution of plastic zone after 31301 working face mining

    煤柱宽度为50,56 m时塑性区分布如图4所示。由图4(a)可知,当33301工作面回采70 m时,50 m宽煤柱距离开切眼25 m处塑性区发生贯通,同时,该处直接顶也产生了塑性区的贯通,直接底具有塑性区贯通的危险,33301工作面回采结束后,整个煤柱已大面积发生破坏,失去承载能力。由图4(b)可知,当33301工作面回采90 m时,56 m宽煤柱距离开切眼65 m处塑性区发生贯通,同时,该处直接顶也产生了塑性区的贯通,直接底具有塑性区贯通的危险,33301工作面回采结束后,煤柱大部分发生破坏,承载能力极低。

    图  4  煤柱宽度为50,56 m时塑性区分布
    Figure  4.  Distribution of plastic zone when the width of coal pillar is 50 m and 56 m

    煤柱宽度为62 m时塑性区分布如图5所示。可看出当33301工作面回采结束时,若不考虑采空区积水弱化作用,煤柱未产生塑性区贯通,中央保留约14 m宽的弹性核区;若考虑采空区积水弱化作用,煤柱中部距开切眼45 m处塑性区产生贯通,同时,该处直接顶和直接底具有塑性区贯通的危险性较大,煤柱仅保留较弱的承载能力。

    图  5  煤柱宽度为62 m时塑性区分布
    Figure  5.  Distribution of plastic zone when the width of coal pillar is 62 m

    煤柱宽度为68 m时塑性区分布如图6所示。可看出当33301工作面回采结束时,68 m宽煤柱采空区积水侧塑性区宽度为24 m,33301工作面回采全过程中煤柱及直接顶、直接底均无贯通危险,完整弹性核区宽度为32 m,33301工作面回采结束后,煤柱虽具备一定的承载能力,但采空区积水弱化作用对煤柱强度仍有一定影响,煤柱中部塑性区有凸出发育的趋势。

    图  6  煤柱宽度为68 m时塑性区分布
    Figure  6.  Distribution of plastic zone when the width of coal pillar is 68 m

    煤柱宽度为74 m时塑性区分布如图7所示。可看出33301工作面回采结束后,74 m宽煤柱采空区积水侧距开切眼50 m处塑性区宽度为24 m,弹性核区宽度为40 m,采空区积水弱化作用对煤柱稳定性的影响较弱,煤柱整体稳定性强。

    图  7  煤柱宽度为74 m时塑性区分布
    Figure  7.  Distribution of plastic zone when the width of coal pillar is 74 m

    综上所述,在弹性核区处于相对较高的集中应力承载状态时,采空区积水弱化作用对煤柱的稳定性影响显著,易造成煤柱及直接顶、直接底的贯通型渗漏,并大幅降低了整体承载性能。煤柱宽度在68 m以下时,煤柱均会发生不同程度的贯通破坏,且直接顶、直接底也存在贯通破坏的危险,采空区积水渗漏途径不会仅局限于煤壁,加之煤柱的承载能力很弱,稳定性得不到可靠保障;68 m宽煤柱虽然弹性核区尚可,但煤柱中部塑性区仍有凸出发育的趋势,采空区积水长期作用下存在一定的贯通渗漏隐患;74 m宽煤柱稳定性更好,采空区积水弱化作用不显著。

    不同宽度煤柱的应力分布云图、垂直应力集中系数分布曲线分别如图8图9所示。

    图  8  煤柱应力分布云图
    Figure  8.  Nephogram of coal pillar stress distribution
    图  9  垂直应力集中系数分布曲线
    Figure  9.  Vertical stress concentration coefficient distribution curve

    不同宽度煤柱在33301工作面回风巷侧垂直应力集中系数远高于采空区积水侧,最高达2.89;随着煤柱宽度增加,垂直应力集中系数不断下降,平均降幅为4.2%;50~68 m宽煤柱最高垂直应力集中位置距离33301工作面回风巷右帮8 m左右;煤柱宽度为74 m时,最高垂直应力集中系数大幅下降至2.08,降幅为15.5%;煤柱采空区积水侧除62 m宽煤柱垂直应力集中程度较低外(由距开切眼45 m处小范围贯通破坏影响所致),其他宽度煤柱垂直应力集中系数稳定在1.9左右,且随着煤柱宽度的增加,垂直应力集中位置逐渐远离33301工作面回风巷侧。

    随着煤柱宽度的增大,其承载能力增强,两侧形成的应力集中差异性减小,弹性核区较低应力集中区域范围逐渐增大。68 m宽煤柱双侧最高垂直应力集中系数相差0.45,弹性核区最低垂直应力集中系数为1.63,垂直应力分布均匀;74 m宽煤柱双侧最高垂直应力集中系数相差0.15,弹性核区最低垂直应力集中系数为1.47,垂直应力分布均匀。煤柱宽度较小时,采空区积水弱化作用对较高应力集中的弹性核区具有更强的破坏能力;随着煤柱宽度的增大,弹性核区应力集中程度降低,采空区积水侧垂直应力低于原岩垂直应力的区域范围则有所增大,煤柱两侧应力集中分布趋于均匀,采空区积水弱化作用对弹性核区的影响不再显著。综合以上数值模拟结果,确定煤柱宽度应不小于68 m。

    根据理论计算和数值模拟结果,确定31301采空区与33301工作面之间的煤柱宽度为70 m。在33301回风巷内布置测站,对二次采动影响条件下矿压显现规律进行监测,结果如图10所示。可看出70 m留设煤柱可以有效承载顶板压力,33301回风巷顶板最大变形量为103 mm,两帮最大移近量为39 mm,巷道围岩变形小,锚索受力稳定,为矿井安全高效生产提供了保障。

    图  10  33301回风巷矿压显现规律
    Figure  10.  Mine pressure behavior law of 33301 return airway

    (1) 水岩作用对煤体强度弱化产生显著影响,区段煤柱积水侧塑性区宽度随煤体强度弱化程度的增加而扩大。基于区段煤柱保持稳定的基本条件,通过理论计算确定了区段煤柱的合理宽度为53.62 m。

    (2) 数值模拟结果表明:煤柱宽度小于62 m时,采空区积水弱化作用对较高应力集中的弹性核区具有更强的破坏能力;随着煤柱宽度的增大,弹性核区应力集中程度降低,采空区积水侧垂直应力低于原岩垂直应力的区域范围则有所增大,煤柱两侧应力集中分布趋于均匀,采空区积水弱化作用对弹性核区的影响不再显著。

    (3) 综合理论计算与数值模拟结果,确定了区段煤柱宽度为70 m。工程应用结果表明,70 m宽留设煤柱可以有效承载顶板压力,巷道围岩变形小,锚索受力稳定,保障了矿井安全生产。

  • 图  1   基于边缘智能的煤矿外因火灾检测模型

    Figure  1.   Detection model of coal mine external fire based on edge intelligence

    图  2   YOLOv5s模型结构

    Figure  2.   Structure of YOLOv5s model

    图  3   改进后的4尺度检测网络

    Figure  3.   Improved 4-scale detection network

    图  4   自适应注意模块结构

    Figure  4.   Structure of adaptive attention module

    图  5   图像和传感信息加权融合判识流程

    Figure  5.   Weighted fusion identification process of image and sensor information

    图  6   实验巷道

    Figure  6.   Experimental roadway

    图  7   部分现场拍摄样本

    Figure  7.   Some samples taken on site

    图  8   火灾检测实验结果

    Figure  8.   Fire detection test results

    表  1   各权重对比分析结果

    Table  1   Comparative analysis results of each weight

    $ {\beta }_{1} $$ {\beta }_{2} $$ {\beta }_{3} $$ {\beta }_{4} $阈值准确率
    0.700.10.10.10.810.83
    0.750.120.070.060.850.88
    0.810.080.060.050.880.90
    0.900.050.030.020.920.98
    00.650.250.10.70.75
    00.730.220.070.80.80
    00.780.140.080.830.87
    00.790.110.100.890.90
    下载: 导出CSV

    表  2   图像拍摄参数

    Table  2   Image capture parameters

    相机编号拍摄角度安装高度/cm图像/张光线粉尘
    1号正水平01 000正常
    2号正水平02 000较暗
    3号正45°2101 000正常
    4号正45°2102 000较暗
    5号后水平01 000正常
    6号后水平02 000较暗
    7号后45°2101 000正常
    8号后45°2102 000较暗
    下载: 导出CSV

    表  3   各模型移植前检测结果对比

    Table  3   Comparison of detection results of each algorithm before transplantation

    模型召回率mAP@0.5每帧推理时间/ms
    SSD 300(VGG16)0.7640.73226
    SSD 521(VGG16)0.7790.75162
    YOLOv5s0.8250.81124
    YOLOv5s−a0.9150.90718
    YOLOv5s−as0.9670.94120
    下载: 导出CSV

    表  4   各模型移植后检测结果对比

    Table  4   Comparison of detection results of each algorithm after transplantation

    模型每帧推理时间/msmAP@0.5
    SSD 300(VGG16)190.710
    SSD 521(VGG16)530.742
    YOLOv5s180.803
    YOLOv5s−a110.870
    YOLOv5s−as120.933
    下载: 导出CSV

    表  5   边缘计算性能测试结果

    Table  5   Edge computing performance test results

    步骤边缘处理集中式处理
    步骤1捕获图像用时39 ms捕获图像用时39 ms
    步骤2边缘计算用时157 ms上传图像用时154 ms
    步骤3响应警报用时42 ms算法计算用时49 ms
    步骤4反馈检测结果用时104 ms
    步骤5响应警报用时42 ms
    响应周期/ms238388
    下载: 导出CSV
  • [1] 孙继平,钱晓红. 2004—2015年全国煤矿事故分析[J]. 工矿自动化,2016,42(11):1-5. DOI: 10.13272/j.issn.1671-251x.2016.11.001

    SUN Jiping,QIAN Xiaohong. Analysis of coal mine accidents in China during 2004-2015[J]. Industry and Mine Automation,2016,42(11):1-5. DOI: 10.13272/j.issn.1671-251x.2016.11.001

    [2] 宁小亮. 2013—2018年全国煤矿事故规律分析及对策研究[J]. 工矿自动化,2020,46(7):34-41. DOI: 10.13272/j.issn.1671-251x.17610

    NING Xiaoliang. Law analysis and counter measures research of coal mine accidents in China from 2013 to 2018[J]. Industry and Mine Automation,2020,46(7):34-41. DOI: 10.13272/j.issn.1671-251x.17610

    [3] 孟远,谢东海,苏波,等. 2010年—2019年全国煤矿生产安全事故统计与现状分析[J]. 矿业工程研究,2020,35(4):27-33. DOI: 10.13582/j.cnki.1674-5876.2020.04.005

    MENG Yuan,XIE Donghai,SU Bo,et al. Statistics and analysis of coal mine production safety accidents in China from 2010 to 2019[J]. Mineral Engineering Research,2020,35(4):27-33. DOI: 10.13582/j.cnki.1674-5876.2020.04.005

    [4] 何勇军,易欣,王伟峰,等. 煤矿井下电气火灾智能监控与灭火技术综述[J]. 煤矿安全,2022,53(9):55-64. DOI: 10.13347/j.cnki.mkaq.2022.09.008

    HE Yongjun,YI Xin,WANG Weifeng,et al. Review of intelligent monitoring and extinguishing technology of electrical fire in coal mine[J]. Safety in Coal Mines,2022,53(9):55-64. DOI: 10.13347/j.cnki.mkaq.2022.09.008

    [5] 李国伟. 石丘煤矿外因火灾防治措施分析[J]. 能源与节能,2022(6):111-113. DOI: 10.3969/j.issn.2095-0802.2022.06.035

    LI Guowei. Prevention and control measures of exogenous fire in Shiqiu Coal Mine[J]. Energy and Energy Conservation,2022(6):111-113. DOI: 10.3969/j.issn.2095-0802.2022.06.035

    [6] 王慧,宋宇宁. D−S证据理论在火灾检测中的应用[J]. 中国安全科学学报,2016,26(5):19-23.

    WANG Hui,SONG Yuning. Application of D-S evidence theory in fire detection[J]. China Safety Science Journal,2016,26(5):19-23.

    [7] 黄圆明,徐泽. 基于DSP的多传感器信息融合的厨房火灾检测系统[J]. 科学技术创新,2020(11):51-53. DOI: 10.3969/j.issn.1673-1328.2020.11.028

    HUANG Yuanming,XU Ze. Kitchen fire detection system based on DSP multi-sensor information fusion[J]. Scientific and Technological Innovation,2020(11):51-53. DOI: 10.3969/j.issn.1673-1328.2020.11.028

    [8] 段锁林,杨可,毛丹,等. 基于模糊证据理论算法在火灾检测中的应用[J]. 计算机工程与应用,2017,53(5):231-235. DOI: 10.3778/j.issn.1002-8331.1507-0231

    DUAN Suolin,YANG Ke,MAO Dan,et al. Fuzzy evidence theory-based algorithm in application of fire detection[J]. Computer Engineering and Applications,2017,53(5):231-235. DOI: 10.3778/j.issn.1002-8331.1507-0231

    [9] 兰琪,贾敏智. 基于图像型的矿井火灾探测方法研究[J]. 煤炭技术,2016,35(4):187-189. DOI: 10.13301/j.cnki.ct.2016.04.076

    LAN Qi,JIA Minzhi. Research on fire detection based on image in coal mine[J]. Coal Technology,2016,35(4):187-189. DOI: 10.13301/j.cnki.ct.2016.04.076

    [10] 孙继平,孙雁宇,范伟强. 基于可见光和红外图像的矿井外因火灾识别方法[J]. 工矿自动化,2019,45(5):1-5,21. DOI: 10.13272/j.issn.1671-251x.17435

    SUN Jiping,SUN Yanyu,FAN Weiqiang. Mine exogenous fire identification method based on visible light and infrared image[J]. Industry and Mine Automation,2019,45(5):1-5,21. DOI: 10.13272/j.issn.1671-251x.17435

    [11] 孙继平,崔佳伟. 矿井外因火灾感知方法[J]. 工矿自动化,2021,47(4):1-5,38. DOI: 10.13272/j.issn.1671-251x.17760

    SUN Jiping,CUI Jiawei. Mine external fire sensing method[J]. Industry and Mine Automation,2021,47(4):1-5,38. DOI: 10.13272/j.issn.1671-251x.17760

    [12] 何凯,冯旭,高圣楠,等. 基于多尺度特征融合与反复注意力机制的细粒度图像分类算法[J]. 天津大学学报(自然科学与工程技术版),2020,53(10):1077-1085.

    HE Kai,FENG Xu,GAO Shengnan,et al. Fine-grained image classification algorithm using multi-scale feature fusion and re-attention mechanism[J]. Journal of Tianjin University(Science and Technology),2020,53(10):1077-1085.

    [13]

    HUANG Chenchen, CHEN Siqi, XU Longtao. Object detection based on multi-source information fusion in different traffic scenes[C]. 12th International Conference on Advanced Computational Intelligence, Dali, 2020: 213-217.

    [14] 傅天驹,郑嫦娥,田野,等. 复杂背景下基于深度卷积神经网络的森林火灾识别[J]. 计算机与现代化,2016(3):52-57. DOI: 10.3969/j.issn.1006-2475.2016.03.011

    FU Tianju,ZHENG Chang'e,TIAN Ye,et al. Forest fire recognition based on deep convolutional neural network under complex background[J]. Computer and Modernization,2016(3):52-57. DOI: 10.3969/j.issn.1006-2475.2016.03.011

    [15] 喻丽春,刘金清. 基于改进Mask R−CNN的火焰图像识别算法[J]. 计算机工程与应用,2020,56(21):194-198. DOI: 10.3778/j.issn.1002-8331.2006-0194

    YU Lichun,LIU Jinqing. Fire image recognition algorithm based on improved Mask R-CNN[J]. Computer Engineering and Applications,2020,56(21):194-198. DOI: 10.3778/j.issn.1002-8331.2006-0194

    [16] 侯易呈,王慧琴,王可. 改进的多尺度火焰检测方法[J]. 液晶与显示,2021,36(5):751-759. DOI: 10.37188/CJLCD.2020-0221

    HOU Yicheng,WANG Huiqin,WANG Ke. Improved multi-scale flame detection method[J]. Chinese Journal of Liquid Crystals and Displays,2021,36(5):751-759. DOI: 10.37188/CJLCD.2020-0221

    [17]

    REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[EB/OL]. [2022-07-21]. https://arxiv.org/abs/1506.02640.

    [18]

    WANG C-Y, LIAO H-Y M, WU Y-H, et al. CSPNet: a new backbone that can enhance learning capability of CNN[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, Seattle, 2020: 390-391.

    [19]

    LIU Shu, QI Lu, QIN Haifang, et al. Path aggregation network for instance segmentation[EB/OL]. [2022-07-20]. https://arxiv.org/abs/1803.01534.

    [20] 柳小军,鲍鸿. 基于ARM9多传感器数据融合火灾报警系统的实现[J]. 工业控制计算机,2009,22(3):52-53. DOI: 10.3969/j.issn.1001-182X.2009.03.028

    LIU Xiaojun,BAO Hong. Implementation of fire alarm system based on ARM9 multi-sensor data fusion[J]. Industrial Control Computer,2009,22(3):52-53. DOI: 10.3969/j.issn.1001-182X.2009.03.028

    [21]

    HOWARD A G, ZHU Menglong, CHEN Bo, et al. MobileNets: efficient convolutional neural networks for mobile vision applications[EB/OL]. [2022-07-20]. https://arxiv.org/abs/1704.04861.

    [22]

    LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]. European Conference on Computer Vision, 2016: 21-37.

  • 期刊类型引用(6)

    1. 石龙飞. 工作面停采煤柱宽度的确定与实践. 煤炭与化工. 2024(04): 14-17+24 . 百度学术
    2. 刘华锋. 干湿循环处理后煤在差速循环荷载作用下的力学特征. 工矿自动化. 2024(11): 152-160 . 本站查看
    3. 屈世甲,杨欢. 巷道内瓦斯爆炸状态下人工坝体的力学响应研究. 工矿自动化. 2023(09): 132-139 . 本站查看
    4. 贾尚伟,徐壮飞,王海洋,贺富领. 特厚煤层大采高综放开采区段煤柱留设宽度研究. 河南科学. 2023(10): 1446-1453 . 百度学术
    5. 高振东,郑文翔. 煤柱尺寸对沿空巷道稳定性影响研究. 内蒙古煤炭经济. 2023(19): 7-9 . 百度学术
    6. 胡平,孙爱东,温国惠,朱建平,连平小,段会强,唐共龙,戴永帅,史振,杨超,常超. 东胜矿区浅埋煤层区段煤柱宽度优化设计. 煤炭技术. 2023(12): 56-60 . 百度学术

    其他类型引用(2)

图(8)  /  表(5)
计量
  • 文章访问数:  318
  • HTML全文浏览量:  56
  • PDF下载量:  38
  • 被引次数: 8
出版历程
  • 收稿日期:  2022-08-15
  • 修回日期:  2022-12-09
  • 网络出版日期:  2022-12-04
  • 刊出日期:  2022-12-26

目录

/

返回文章
返回