煤矿巷道支护钢带锚孔智能识别与定位

张夫净, 王宏伟, 王浩然, 李正龙, 王宇衡

张夫净,王宏伟,王浩然,等. 煤矿巷道支护钢带锚孔智能识别与定位[J]. 工矿自动化,2022,48(10):76-81. DOI: 10.13272/j.issn.1671-251x.2022080070
引用本文: 张夫净,王宏伟,王浩然,等. 煤矿巷道支护钢带锚孔智能识别与定位[J]. 工矿自动化,2022,48(10):76-81. DOI: 10.13272/j.issn.1671-251x.2022080070
ZHANG Fujing, WANG Hongwei, WANG Haoran, et al. Intelligent identification and positioning of steel belt anchor hole in coal mine roadway support[J]. Journal of Mine Automation,2022,48(10):76-81. DOI: 10.13272/j.issn.1671-251x.2022080070
Citation: ZHANG Fujing, WANG Hongwei, WANG Haoran, et al. Intelligent identification and positioning of steel belt anchor hole in coal mine roadway support[J]. Journal of Mine Automation,2022,48(10):76-81. DOI: 10.13272/j.issn.1671-251x.2022080070

煤矿巷道支护钢带锚孔智能识别与定位

基金项目: 国家重点研发计划项目(2020YFB1314004);山西省揭榜招标项目(20201101008);山西省重点研发计划项目(202102100401015)
详细信息
    作者简介:

    张夫净(1997—),男,四川雅安人,硕士研究生,主要从事机器视觉、深度学习及煤机智能化改造研究,E-mail:1458256838@qq.com

    通讯作者:

    王宏伟(1977—),女,黑龙江勃利人,教授,博士,博士研究生导师,主要研究方向为煤机装备智能化、人工智能与5G+智慧矿山等,E-mail:lntuwhw@126.com

  • 中图分类号: TD67

Intelligent identification and positioning of steel belt anchor hole in coal mine roadway support

  • 摘要: 煤矿井下掘进巷道使用钢带辅助锚杆支护时,如果支护钢带锚孔的定位不准确,钻头打在钢带或锚网上易造成设备损坏,存在较大安全隐患。针对上述问题,提出了一种基于改进YOLOv5s模型的煤矿巷道支护钢带锚孔智能识别与定位方法。① 通过超分辨率重构技术(SR)增加锚孔图像的清晰度,防止因图像模糊而丢失图像中锚孔边缘高频信息。② 由于锚孔较小且摄像头距锚孔有一定距离,在卷积神经网络中易丢失较小锚孔的特征信息,影响锚孔检测效果。在YOLOv5s模型的Backbone网络中添加坐标注意力机制(CA)模块,增加YOLOv5s网络中特征提取网络的网络层数,将目标物体的坐标信息融入到卷积网络中,可有效提取锚孔小目标特征信息,从而提高锚孔检测成功率。③ 利用嵌入CA模块的YOLOv5s网络训练经SR重构后的锚孔数据集,得到改进后的YOLOv5s模型,即SR−CA−YOLOv5s模型。④ 采用SR−CA−YOLOv5s模型结合双目摄像头对锚孔进行实时识别与定位。实验结果表明:相较于YOLOv5s模型,SR−CA−YOLOv5s模型的平均精度均值为96.8%,较YOLOv5s模型提高了3.1%;SR−CA−YOLOv5s模型有更好的检测能力,在一定程度上避免了漏检;虽然SR−CA−YOLOv5s模型的每秒填充图像的帧数(FPS)降低了18.5帧/s,但其FPS仍保持在166.7帧/s,并不影响模型的实时检测功能。实际测试结果表明:SR−CA−YOLOv5s模型能够在不同光照条件下准确检测出锚孔并获得锚孔相对于摄像头的三维坐标,坐标误差在6 mm以内,且FPS满足实时性要求。
    Abstract: When the steel belt auxiliary bolt is used in the coal mine underground heading roadway, if the positioning of the steel belt anchor hole is not accurate, the drill bit is easy to cause equipment damage when hitting the steel belt or anchor net. There are large potential safety hazards. In order to solve the above problems, an intelligent identification and positioning method of steel belt anchor hole in coal mine roadway support based on improved YOLOv5s model is proposed. ① The definition of the anchor hole image is increased by the super-resolution(SR). The high-frequency information of the anchor hole edge in the image is prevented from being lost due to image blurring. ② Because the anchor hole is small and the camera has a certain distance from the anchor hole, it is easy to lose the characteristic information of the small anchor hole in the convolutional neural network. This affects the detection effect of the anchor hole. The coordinate attention mechanism (CA) module is added to the Backbone network of YOLOv5s model. The network layers of the characteristic extraction network in the YOLOv5s network are increased. The coordinate information of the target object is integrated into the convolutional network. The characteristic information of the anchor hole small target can be effectively extracted, and the success rate of anchor hole detection is improved. ③ The YOLOv5s network embedded in the CA module is trained to the anchor hole dataset reconstructed by SR, and the improved YOLOv5s model, namely SR-CA-YOLOv5s model, is obtained. ④ The SR-CA-YOLOv5s model combined with the binocular camera is used to identify and locate the anchor hole in real-time. The experimental results show that compared with the YOLOv5s model, the mean average precision of the SR-CA-YOLOv5s model is 96.8%, which is 3.1% higher than the YOLOv5s model. The SR-CA-YOLOv5s model has better detection capability and avoids missing detection to a certain extent. Although the frames per second (FPS) of the SR-CA-YOLOv5s model is reduced by 18.5 frames/s, its FPS remains at 166.7 frames/s, which does not affect the real-time detection function of the model. The actual test results show that the SR-CA-YOLOv5s model can accurately detect the anchor hole and obtain the three-dimensional coordinate of the anchor hole relative to the camera under different lighting conditions. The coordinate error is within 6 mm, and the FPS meets the real-time requirements.
  • 煤矿巷道的形变和破坏是煤矿生产实践中需要着重考虑解决的问题。煤矿巷道形变是指巷道岩层在受到外力因素作用下产生的形状和尺寸的变化,巷道形变会造成井下交通中断、生产设备损坏、人员伤亡等事故,严重威胁煤矿正常生产。因此,在煤矿开采过程中,及时、科学、准确地监测巷道形变,掌握巷道状态及形变趋势,对保障煤矿安全生产具有十分重要的意义[1]

    随着计算机技术的快速发展,多种数值模拟技术被广泛应用于巷道形变的研究中,如有限元法、离散元法、边界元法、有限差分法、十字观测法等。王伟等[2]运用理论计算与数值模拟分析,分析了动压巷道的应力分布规律,为巷道的布设位置选取与支护提供了指导。姜耀东等[3]对开滦矿区赵各庄矿、唐山矿深部开采过程中巷道形变、破坏特征进行了研究,采用FLAC2D数值模拟软件研究地应力与巷道岩层之间的密切关系。余伟健等[4]利用离散裂隙网络在FLAC3D软件中对矿山现场调查得到的裂隙进行了重构还原,研究分析了裂隙发育岩体巷道及典型支护结构体的变形破坏特征。杨景贺[5]采用离散元数值模拟方法,建立了不同支护条件下的高应力软岩巷道模型,研究了高应力软岩巷道变形破坏和支护加固的机理。

    目前,针对巷道形变破坏的研究以现场实测为主,通过实测可掌握巷道形变破坏情况,直观了解导致巷道形变破坏的因素及作用效果。叶美图等[6]针对现有矿井巷道表面位移十字交叉测量方法存在的测量不便、耗时长、工作强度大、误差不可控等问题,设计了一种矿井巷道表面位移激光测量装置。该装置基于激光测距原理,利用激光测距仪完成十字定心和变形测量,通过单个激光测距仪可分别测得巷道中每个测试站顶板、底板、左帮和右帮4个方向的表面位移量。井下试验结果表明,该装置实现了无绳测量,测量效率高,结果准确。宋康磊等[7]采用地质雷达测定巷道松动圈,研究了极薄煤层跨采条件下的松动圈大小及巷道形变规律。荣耀等[8]提出了综采工作面三维激光扫描建模总体方案,对煤壁与顶板交线提取、标靶球检测、点云拼接及坐标转换等关键技术进行了研究,实现了三维地质坐标系下煤壁与顶板交线信息的近实时获取,该信息可直接发送给采煤机滚筒,为采煤机下一刀截割提供数据参考。杜江丽等[9]提出了多边形分割法,将模型的重点关注区域划分为多个多边形,对矿区边坡形变监测数据进行研究。亓玉浩等[10]提出了一种综采工作面实时三维建图方法,可满足综采工作面监控的精度需求。刘晓阳等[11]针对岩性变化和构造的分析监测越来越困难的问题,研究了当前巷道顶板稳定性监测方法。王峰[12]提出了以煤层透明化、综采装备透明化、决策及控制透明化为核心的基于透明工作面的智能化开采概念。邹筱瑜等[13]面向移动机器人在煤矿巷道的建图需求,提出了一种基于集成式因子图优化的煤矿巷道移动机器人三维地图构建方法。高晓进等[14]提出了软岩巷道超前爆破预裂顶板防控技术,以解决软岩巷道结构的形变问题。

    上述方法为巷道形变监测提供了可行的解决方案,但还存在如下问题:① 单一的形变量指标难以准确反映巷道形变演化规律及围岩状态与发展趋势。② 巷道形变具有区域性、连续性、突发性的特点,现有方法存在监测站点单一、测点有限的问题,难以实现大范围、多站点、区域性同步测量。因此需要选取多个指标建立巷道形变监测指标体系,且需要研究一种具有区域性、连续性、实时性特点的巷道形变监测方法,及时、准确、全面地监测巷道形变以确保煤矿开采安全。

    三维激光扫描技术可快速获取被测物体表面三维坐标,点云数据精度高、密度大,包含反射强度等信息[15],可实现对巷道形变连续监测。因此,针对煤矿巷道形变监测面临的问题,本文提出了一种基于三维激光扫描的煤矿巷道形变监测方法。首先,利用深度学习模型VoxelNet对三维激光扫描数据进行检测去噪。然后,利用alphashape算法对断面离散点进行拟合,并采用基于差值的方法,对数据进行多维差值计算,得到巷道形变的具体数据,实现矿区巷道形变监测的全覆盖。最后,利用中煤大同能源有限责任公司塔山煤矿为期1个月的实际监测数据,对巷道形变进行截面分析和三维整体分析。

    三维激光扫描技术是一种先进的全自动、高精度立体扫描技术,具有操作简单、速度快、灵活性高、精度高等特点[16],数字化、自动化、实时性强,解决了目前空间信息技术发展的瓶颈。

    三维激光扫描技术借助水平方位偏转控制器及对应的高度角偏转控制器科学控制反射棱镜的实际转动,使激光测距系统发射的激光能够顺着不同的坐标轴实时移动并扫描测量。扫描仪自身定义的坐标系统中, X轴在横向扫描面内,Y轴在横向扫描面内与X轴垂直,Z轴与横向扫描面垂直。借助测得的三维扫描仪中心到目标点的斜距S、激光束水平方向偏转角a和竖直方向偏转角b来校准并计算激光脚点的实际三维坐标PXYZ[17]

    $$ X = S \cos b \cos a $$ (1)
    $$ Y = S \cos b \sin a $$ (2)
    $$ Z = S \sin b $$ (3)

    三维激光点坐标计算原理如图1所示,通过测量大量物体表面点位的三维坐标,读取并集成现场物体的反射率和纹理等信息,生成被测物点云模型,获取高精度、高分辨率的三维巷道点云数据。

    图  1  三维激光点坐标计算原理
    Figure  1.  Principle of 3D laser point coordinate calculation

    对三维巷道点云数据去噪是煤矿巷道形变监测得以有效应用的重要预处理步骤[18]。将噪点设为巷道内的人物和内壁附着的螺丝钉和管道等,通过VoxelNet网络检测出噪点后,再对数据进行分离。

    首先使用点云标注工具Semantic Segmentation Editor制造数据集,标注人物和管道等信息后送入VoxelNet训练。然后使用VoxelNet中的Voxel将三维空间中的一定空间划分为一个格子,并使用PointNet网络对格子的数据进行特征提取。最后用提取出来的特征代表这个格子,并放回到三维空间。将无序的点云数据变成高维特征数据,并使用三维卷积抽取有序的三维Voxel数据。

    给定2个来自不同坐标系的三维数据点集,找到2个三维数据点集的空间变换关系,使2个三维数据点集处于同一坐标系中,即可实现三维点云配准[19]。配准目标是在全局坐标框架中找到单独获取视图的相对位置和方向,使2个三维数据点集之间的相交区域完全重叠。通过求点云M和点云N 之间的旋转矩阵和平移向量,使点云M和点云N的坐标处于同一坐标系下。通过欧拉角生成旋转矩阵,将点云数据进行平移和旋转。设新的空间直角坐标轴分别为X'Y'Z',绕X'Y'Z' 3个轴旋转的角度分别为α,β,γ,绕X'Y'Z'旋转分别得到的旋转矩阵为

    $$ {{\boldsymbol{R}}_{X'}}\left( \alpha \right) = \left[ \begin{gathered} 1\quad \quad 0\quad \quad 0 \\ 0\quad \cos \alpha \quad - \sin \alpha \\ 0\quad \sin \alpha \quad \cos \alpha \\ \end{gathered} \right] $$ (4)
    $$ {{\boldsymbol{R}}_{Y'}}\left( \beta \right) = \left[ \begin{gathered} \cos \beta \quad \;0\quad \sin \beta \\ \quad 0\quad \quad 1\quad \;\;0 \\ - \sin \beta \;\;\;0\quad \cos \beta \\ \end{gathered} \right] $$ (5)
    $$ {{\boldsymbol{R}}_{Z'}}\left( \gamma \right) = \left[ \begin{gathered} \cos \gamma \quad - \sin \gamma \;\;\;0 \\ \sin \gamma \quad \;\cos \gamma \quad \;0 \\ 0\;\;\;\;\;\;\;\;\;\;\;\;0\quad \,\,\cos \gamma \\ \end{gathered} \right] $$ (6)

    对3个旋转矩阵的点云坐标进行逐元素相乘,得到最终的旋转矩阵R

    $$ {\boldsymbol{R}} = {{\boldsymbol{R}}_{Z'}}\left( \gamma \right) {{\boldsymbol{R}}_{Y'}}\left( \beta \right) {{\boldsymbol{R}}_{X'}}\left( \alpha \right) $$ (7)

    将巷道切分为连续的断面,根据断面对巷道进行形变分析,分别向点云的X'OY'Y'OZ'面进行数据投影,计算当前断面的中心点$ {P^*} \left( {{x^ * },{y^ * },{{\textit{z}}^ * }} \right) $,其中,$ {x^ * },{y^ * },{{\textit{z}}^ * } $为中心点$ {P^*} $在X'Y'Z' 3个坐标轴上对应的数值。

    随后,构造与Z'轴平行的平面,平面与Z'轴平行且与Y'轴相切,则该平面的法向量u=[0 1 0],该平面的方程为$ y - {y^ * } = 0 $。由于落于平面的点比较稀疏,所以赋予平面一定的厚度,将点到平面一定距离d内的点都算作该平面的点。

    在实际扫描作业中,由于障碍物遮挡或受巷道空间扫描角度的限制,会出现部分点云空洞,难以保证断面上处处都有激光斑点,所以需要对投影后的断面离散点集进行拟合。alphashape算法可控制点集边界拟合以创建非凸区域,采用该算法拟合投影后的断面离散点集,其计算圆心的原理如图2所示,计算步骤如下:

    图  2  alphashape算法计算圆心原理
    Figure  2.  Diagram of alphashape algorithm calculating the center of a circle

    1) 选取任意一点$ p \left( {x,y} \right) $,以半径为r的圆进行滚动,在断面点集中搜索所有距离$ p $点2r以内的点的集合,形成点集Q

    2) 选取点集Q中的任意点$ {p_1} \left( {{x_1},{y_1}} \right) $,根据$ p $和$ {p_1} $2个点的坐标和半径r,计算出经过$ p $和$ {p_1} $2个点且半径为r的圆心${p_2} \left( {{x_2},{y_2}} \right) $,${p_3} \left( {{x_3},{y_3}} \right) $。

    $$ \left\{ \begin{array}{l} {x_2} = x + 1/2({x_1} - x) - H ({y_1} - y) \\ {y_2} = y + 1/2({y_1} - y) - H (x - {x_1}) \\ {x_3} = x + 1/2({x_1} - x) + H ({y_1} - y) \\ {y_3} = y + 1/2({y_1} - y) + H (x - {x_1}) \\ \end{array} \right. $$ (8)

    式中H为参数。

    3) 计算点集Q中(除$ {p_1} $点)剩余点分别到$ {p_2},{p_3} $点的距离。若所有点到$ {p_2} $或$ {p_3} $的距离均大于半径r,则证明$ p $点为边界点。

    4) 若剩余的点到$ {p_2} $或$ {p_3} $点的距离不全都大于半径r,则遍历点集Q内的所有点,将其轮换作为$ {p_1} $点,重复上述过程。若存在某点满足2)和3),则该点为边界点,终止该点的判断,继续判断下一点。若点集Q中所有临近点中均不存在$ {p_1} $这样的点,则$ p $点为非边界点。

    根据alphashape算法拟合巷道断面轮廓图,构建不同监测时期同一位置的巷道断面,将其叠加后,采用对比不同时期同一位置巷道断面的高度和宽度等信息的方法,可以更直观地分析巷道形变趋势。具体分析过程:首先,由alphashapes算法计算第一期巷道断面的轮廓点,分别计算相邻2个点$p'\left( {{x_0},{y_0},{{\textit{z}}_0}} \right), q\left( {{x_1},{y_1},{{\textit{z}}_1}} \right)$所构成的线段$ {l_1} $的方向向量,默认$p',q$处于同一平面内,故只保留X轴和Z轴值,记为$p'\left( {{x_0},{{\textit{z}}_0}} \right), q\left( {{x_1},{{\textit{z}}_1}} \right)$。然后,计算过$p '$点与$ {l_1} $垂直的直线$ {l_2} $,$ {l_2} $即法向直线。最后,计算第二期与第一期相同法向直线的点的坐标,计算2个点间的距离,将其记为形变值。

    中煤大同能源有限责任公司塔山煤矿的开采工作面为30507工作面,工作面采用单巷布置方式,即在工作面分别布置胶带巷和回风巷。工作面西侧布置回风巷,东侧布置胶带巷,胶带巷东侧为实煤区,回风巷西侧为30509工作面采空区(2018年6月停采),30507工作面与30509工作面之间区段煤柱为8 m,因此将30507工作面回风巷作为监测地点,进行为期1个月的实际形变监测。

    通过对30507工作面进行实地勘查,其具有以下特点:

    1) 靠近工作面的回风巷区域形变量大,已有控制点坐标经过一定时间会发生变化,无法直接利用。

    2) 对于井下空间地理坐标系,除用全站仪进行测点定位外,没有更好的方式将点云数据和矿井坐标系进行联系。

    3) 矿区井下环境相对复杂,煤尘、空气湿度、振动等工况极易影响工作效率和数据精度。

    塔山煤矿正在回采的工作面为30507工作面,开始监测时采煤机所处位置在里程1 000 m处,监测范围为里程600~900 m。在测绘区域起始位置即里程600 m处,前后上下交错架设多个360°棱镜。根据30507回风巷实际情况,考虑到工作面附近棱镜位置会产生变化,因此以风门处于终采线以内的基准点为基准,测量各个360°棱镜的三维坐标,使棱镜与井下基准点处于同一坐标系下。采用后方交会的方式,在每次进行巷道形变监测数据采集时,以相同基准点作为初始测点的定向点,将矿井坐标系赋予点云数据,以保证每次进行形变监测工作所采集的点云数据都处于同一个空间坐标系下。

    受巷道结构影响,只能选取接近于直线的布站路线进行三维激光扫描。为避免由于线性布站及井下煤尘、湿气等因素造成的拼接误差,相邻测站之间采用棱镜定位的方式进行拼接定位,选择应用可识别棱镜并记录棱镜信息的三维激光扫描仪。相邻测站间需保证有2个及以上共同的棱镜作为拼接基准。

    将周期性采集的点云数据置于同一坐标系下,对多次的点云数据进行对比,得出巷道顶底板和煤柱侧、回采侧两侧壁的形变量。

    1) 控制测量。由于三维激光扫描仪具有独立的坐标系统,为了将点云数据坐标系转换为实际地理坐标系,需结合全站仪进行控制测量。在里程600 m处做3个能够固定在锚杆上的棱镜放置装置,并在其上安置3个360°棱镜。以风门处7号、9号、11号基准点为基准,采用全站仪测出3个棱镜在矿区地测坐标系中的坐标。

    2) 在里程600~900 m段,按30 m的间距,在巷道两帮粉刷并做标记,作为扫描的架站位置;在里程600 m处开始架设三维激光扫描仪,并进行对中整平等操作。

    3) 定位棱镜测量。扫描仪架设完毕后,使用棱镜扫描功能采集设置的360°棱镜点位数据,将定位棱镜信息同步至点云模型中。

    4) 根据项目要求选择合适的扫描参数,建立测站文件夹,使用棱镜的扫描功能,识别测站间用于点云拼接所架设的棱镜,识别完成后开始三维激光扫描,获取该测站全景点云数据。

    5) 检查数据质量,若数据质量合格,即可将扫描仪迁移至下一预设测站,并以同样步骤进行该测站的三维激光扫描。依次循环,直至待测区域全部扫描完成,即数据采集工作完成。

    数据处理过程只需将相邻测站间相同的棱镜目标进行匹配,即可达到点云拼接目的,过程如下:

    1) 控制点坐标录入。在数据处理软件中,使用起始测站中采集的定位棱镜点创建目标,将全站仪测量的定位棱镜坐标赋予对应目标,控制点坐标录入,如图3所示。

    图  3  控制点坐标录入
    Figure  3.  Control point coordinate input

    2) 后方交会拼接。起始测站点云利用其中的定位棱镜点与已赋予现场坐标系坐标的目标点位匹配。第二测站点云以起始测站为基准,利用与起始测站共视的2个或2个以上棱镜进行后方交会,将其与起始测站拼接[20]。后续测站依次进行,得到定位于现场坐标系中的整体测区点云模型。

    3) 数据去噪。为采集完整的巷道顶板、底板及煤柱侧、回采侧两侧壁数据,采用360°全景扫描仪采集现场所有可视数据。由于噪点数据[21]图4)会对实施效率及结果精度造成影响,所以需对噪点数据进行去噪,去噪后数据如图5所示。

    图  4  选取的噪点数据
    Figure  4.  Selected noise data
    图  5  去噪后数据
    Figure  5.  Denoised data

    4) 数据输出。对数据进行拼接、去噪后,在确保点云定位信息固定的前提下,导出相应格式的点云模型,如图6图7所示。

    图  6  煤矿巷道点云数据内部视角
    Figure  6.  Internal perspective of point cloud data in coal mine roadway
    图  7  煤矿巷道点云数据外部视角
    Figure  7.  External perspective of point cloud data of coal mine roadway

    在数据处理过程中,将所有三维点云模型置于同一坐标系下,因此在将同一测区的2期三维点云数据导入对比分析软件后,2期三维点云模型会自动放置在同一位置。

    1) 三维整体分析。将置于同一位置的2期点云数据沿其法线方向进行差值分析,得到整体形变量,以色谱的形式将差值进行显示,不同颜色的分布表示不同区域2期点云模型偏差的分布,颜色的深浅表示该区域偏差大小。通过对模型上颜色的分布和深浅分析,得到该测段巷道形变的整体趋势,如图8所示。如果巷道受到向内的挤压,会变成红色,红色越深,表明挤压程度越大;如果巷道趋近于无变化,则会变成绿色;如果巷道向外扩张,会变成蓝色,蓝色越深,表明向外扩张程度越大。

    图  8  三维整体分析结果
    Figure  8.  3D overall analysis results

    2) 截面分析。以三维整体分析为基础,在整体巷道点云模型的竖直方向上按一定距离布置截面,截取2期点云在截面上的偏差,以色谱的形式将差值进行显示,截面分析结果如图9所示。可看出离工作面距离越近,附色模型的颜色越偏向红色和蓝色,且颜色越深,代表巷道形变越大。

    图  9  巷道截面分析结果
    Figure  9.  Roadway section analysis results

    两期巷道截面对比如图10所示,通过2个巷道轮廓的相对偏差,可看出该区域主要存在的形变:如果上轮廓向内偏离,则顶板发生塌陷;如果下轮廓向外偏离,则底板发生鼓起。

    图  10  巷道截面对比
    Figure  10.  Comparison of roadway section

    3) 预警记录。点选预警记录可查看预警位置、里程位置和最大形变值等信息,数据精确,可随时观察巷道形变情况,以便采取相应维护措施,巷道形变预警记录如图11所示。

    图  11  巷道形变预警记录
    Figure  11.  Roadway deformation warning record

    1) 将三维激光扫描技术应用于塔山煤矿30507工作面的形变监测,将人工智能与传统方法相结合,提出了基于三维激光扫描的煤矿巷道形变监测方法。利用深度学习VoxelNet模型对点云数据进行去噪,利用alphashape算法对断面离散点进行拟合,并采用基于差值的方法,将数据进行多维差值计算以得到巷道形变数据。

    2) 利用塔山煤矿的实际监测数据,对巷道三维点云数据进行了截面分析和三维整体分析。截面分析主要基于巷道三维点云按固定间距选取截面,比对2期点云截面数据,通过截面轮廓差异判断巷道形变情况;三维整体分析利用2期巷道三维点云数据进行整体比对,通过色谱显示比对结果,分析巷道形变区域和变化趋势。随着测点距工作面的距离越近,附色模型越偏向红色和蓝色,且颜色越深,表明巷道形变越大。

  • 图  1   锚孔智能识别与定位流程

    Figure  1.   Process of intelligent identification and positioning of anchor hole

    图  2   各模型检测结果对比

    Figure  2.   Comparison of test results of each model

    图  3   实验装配

    Figure  3.   Experimental assembly

    表  1   测试结果

    Table  1   Test results

    指标数值
    PSNR30.912
    SSIM0.860
    单张图像重构时间/ms533
    下载: 导出CSV

    表  2   YOLOv5s模型与SR−CA−YOLOv5s模型对比结果

    Table  2   Comparison results of the YOLOv5s model and the SR-CA-YOLOv5s model %

    模型准确率召回率mAP
    YOLOv5s93.992.893.7
    SR−CA−YOLOv5s96.697.096.8
    下载: 导出CSV

    表  3   消融实验结果

    Table  3   Results of the ablation test

    模型SR加入CA机制mAP/%FPS/(帧·s−1)
    YOLOv5s××93.7185.2
    SR−YOLOv5s×94.5119.0
    CA−YOLOv5s×95.5169.5
    SR−CA−YOLOv5s96.8166.7
    下载: 导出CSV

    表  4   锚孔识别与定位结果

    Table  4   Anchor hole identification and positioning results

    序号实际坐标/mm检测坐标/mm误差/mmFPS/(帧·s−1)
    1(225,36,542)(221,34,538)(4,2,4)30.1
    2(518,−10,1012)(519,−13,1015)(1,3,3)28.5
    3(−355,237,680)(−350,236,675)(5,1,5)28.7
    4(−247,−106,735)(−251,−108,741)(4,2,6)29.8
    5(−112,209,1021)(−109,206,1020)(3,3,1)28.1
    下载: 导出CSV
  • [1] 王步康. 煤矿巷道掘进技术与装备的现状及趋势分析[J]. 煤炭科学技术,2020,48(11):1-11. DOI: 10.13199/j.cnki.cst.2020.11.001

    WANG Bukang. Current status and trend analysis of readway driving technology and equipment in coal mine[J]. Coal Science and Technology,2020,48(11):1-11. DOI: 10.13199/j.cnki.cst.2020.11.001

    [2] 薛光辉,程继杰,管健,等. 深部综掘巷道机器人化超前支护方案与最佳支护时机研究[J]. 矿业科学学报,2019,4(4):349-356.

    XUE Guanghui,CHENG Jijie,GUAN Jian,et al. Robotized advance support scheme and optimum support opportunity for deep fully mechanized roadway[J]. Journal of Minging Science and Technology,2019,4(4):349-356.

    [3] 康红普,王金华,林健. 煤矿巷道支护技术的研究与应用[J]. 煤炭学报,2010,35(11):1809-1814. DOI: 10.13225/j.cnki.jccs.2010.11.008

    KANG Hongpu,WANG Jinhua,LIN Jian. Study and applications of roadway support techniques for coal mines[J]. Journal of China Coal Society,2010,35(11):1809-1814. DOI: 10.13225/j.cnki.jccs.2010.11.008

    [4] 康红普,王金华,林健. 煤矿锚杆支护应用实例分析[J]. 岩石力学与工程学报,2010,29(4):649-664.

    KANG Hongpu,WANG Jinhua,LIN Jian. Case studies of rock bolting in coal mine roadways[J]. Chinese Journal of Rock Mechanics and Engineering,2010,29(4):649-664.

    [5] 刘送永,张德义. 巷道掘进机智能化技术研究现状及展望[J]. 工矿自动化,2019,45(10):23-28. DOI: 10.13272/j.issn.1671-251x.2019030031

    LIU Songyong,ZHANG Deyi. Research status and prospect of intelligentization technology of roadheader[J]. Industry and Mine Automation,2019,45(10):23-28. DOI: 10.13272/j.issn.1671-251x.2019030031

    [6] 王传武. 超重型悬臂式掘进机在岩巷中的应用[J]. 煤矿机械,2019,40(7):154-155. DOI: 10.13436/j.mkjx.201907052

    WANG Chuanwu. Application of super heavy boom-type roadheader in rock roadway[J]. Coal Mine Machinery,2019,40(7):154-155. DOI: 10.13436/j.mkjx.201907052

    [7] 贺安民,武利民,杜善周,等. 煤矿全自动两臂顶锚杆钻车研制[J]. 煤炭科学技术,2019,47(增刊2):165-169.

    HE Anmin,WU Limin,DU Shanzhou,et al. Development of fully automatic two-arm top roof bolter in coal mine[J]. Coal Science and Technology,2019,47(S2):165-169.

    [8] 吴浩,刘锋,王士伟,等. 四臂锚杆钻车的设计[J]. 煤矿机械,2011,32(7):23-25. DOI: 10.3969/j.issn.1003-0794.2011.07.012

    WU Hao,LIU Feng,WANG Shiwei,et al. Design of four-arms bolt driller[J]. Coal Mine Machinery,2011,32(7):23-25. DOI: 10.3969/j.issn.1003-0794.2011.07.012

    [9] 范要辉. 六臂掘锚机的设计研究[J]. 煤炭技术,2021,40(8):205-207.

    FAN Yaohui. Design and research of six-arm bolter-miner[J]. Coal Technology,2021,40(8):205-207.

    [10] 王威. 十臂锚杆钻车的研制与应用[J]. 煤矿机电,2021,42(2):21-23.

    WANG Wei. Development and application of bolt drill truck with ten arm[J]. Colliery Mechanical & Electrical Technology,2021,42(2):21-23.

    [11] 张改莲. 基于PLC的锚杆钻机智能可视化控制系统应用研究[J]. 机床与液压,2018,46(16):130-132,129. DOI: 10.3969/j.issn.1001-3881.2018.16.036

    ZHANG Gailian. Intelligent visualization of anchor drill based on PLC[J]. Machine Tool & Hydraulics,2018,46(16):130-132,129. DOI: 10.3969/j.issn.1001-3881.2018.16.036

    [12] 唐会成. EPEC控制器在锚杆钻臂电液控制中的应用[J]. 煤矿机械,2020,41(7):179-181. DOI: 10.13436/j.mkjx.202007060

    TANG Huicheng. Application of EPEC controller in electro-hydraulic control of anchor drill arm[J]. Coal Mine Machinery,2020,41(7):179-181. DOI: 10.13436/j.mkjx.202007060

    [13]

    GOODFELLOW I,POUGET-ABADIE J,MIRZA M,et al. Generative adversarial nets[J]. Neural Information Processing Systems,2014,3(1):2672-2680.

    [14]

    WANG Zhihao,CHEN Jian,HOI S C H. Deep learning for image super-resolution:a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2021,43(10):3365-3387. DOI: 10.1109/TPAMI.2020.2982166

图(3)  /  表(4)
计量
  • 文章访问数:  457
  • HTML全文浏览量:  126
  • PDF下载量:  58
  • 被引次数: 0
出版历程
  • 收稿日期:  2022-08-24
  • 修回日期:  2022-09-29
  • 网络出版日期:  2022-09-20
  • 刊出日期:  2022-10-25

目录

/

返回文章
返回