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.
-
0. 引言
煤矿智能化是我国煤炭工业高质量发展的必由之路[1-2]，而副井轨道运输智能化是其中重要环节。煤矿副井主要用来提升人员、设备和生产原材料，部分煤矿副井也用于提升巷道掘进过程中产生的煤和矸石。装有生产物料、煤或矸石的矿车提升至地面后，再由轨道运输系统实现矿车分运。目前副井轨道运输系统主要采用人工操作方式，通过肉眼识别当前矿车的装载物，然后控制司控道岔改变矿车的前进方向来实现矿车正确归库。该工作枯燥重复，容易使工人产生视疲劳或注意力不集中，加上副井口光线变化等环境因素的影响，易导致工人判断错误或未能及时切换道岔，增加后续煤炭洗选成本，或造成矿车堆积，影响生产效率。
为实现副井矿车自动分运，文献[3]提出采用RFID（Radio Frequency Identification，射频识别）信标方式实现电机车定位，根据运输物料不同，操作人员远程控制道岔，实现电机车牵引矿车归库。该方法需对现场进行整体布设，且归库的多辆矿车需装载相同类别的物料，对现场装车要求较高。随着计算机视觉技术的发展，基于图像的矿车装载物识别方法以其低成本、方便部署等特点逐渐应用于副井矿车自动分运系统中，如文献[4]提出了一种矿车运输智能煤矸识别及分运装置，以工业相机和计算机为核心，基于传统计算机视觉技术实现自动化矿车运输。近年来，卷积神经网络[5-7]在图像识别与分类领域取得了极大成功，文献[8]提出了基于卷积神经网络的煤矿副井矿车装载物自动分类系统，验证了卷积神经网络在矿车装载物分类中的可行性，且SqueezeNet在验证集上的准确率达98.4%。但该系统在实际应用中存在以下问题：① 系统触发条件简易，矿车经过时存在误判与漏判情况；② 副井现场除矿车外存在多类物体，当其他物体经过检测区域时会引起司控道岔误动作，产生安全隐患。
本文针对现有副井矿车装载物识别方法存在的不足，提出了基于目标检测模型的矿车装载物智能识别方法。在现场采集矿车装载物图像数据，构建矿车识别数据集，对Faster R−CNN[9]，YOLOv4[10]，SSD[11]等主流目标检测模型的矿车分类识别效果进行综合评估；考虑到副井矿车目标检测种类较少，为了降低检测模型大小，采用轻量级网络MobileNet[12-14]代替YOLOv4模型的主干特征提取网络CSPDarknet53；将检测模型部署在嵌入式平台Jetson TX2，为满足现场实时检测需求，采用层间融合[15]和模型量化[16] 技术对模型进行了优化。
1. 矿车装载物检测模型训练与评估
1.1 训练数据集构建
矿车装载物图像数据来源于某煤矿副井现场。采用安装在副井井口的海康威视DS−2CD3T27DWD−L型全彩摄像机采集图像。该摄像机摄像头分辨率为200万像素，主码流帧速率达25 帧/s，支持RTSP（Real Time Streaming Protocol， 实时流传输协议），采用DC12 V供电，不间断采集矿车装载物图像数据。共获得10万余张处于不同光照条件下的矿车装载物（包括煤、矸石、物料3种类别）图像，部分如图1所示。
从采集的矿车装载物图像中筛选装有煤、矸石、物料的各4 000张图像进行人工标注，得到VOC（Visual Object Classes，视觉目标分类）数据集。将VOC数据集按9∶1 分为训练集与验证集，分别包含3 600，400 张图像。
1.2 检测模型训练与对比
在实验室环境下设置对比实验。服务器配置：Ubuntu18.04系统，32 GB内存，512 GB固态硬盘，NVIDIA GTX1080Ti显卡，python_3.7.0，keras_2.2.4深度学习框架。选用常用的Faster R−CNN，YOLOv4，SSD目标检测模型进行训练，最大epoch设置为100。keras_2.2.4框架中earlystopping参数可使模型训练过程中损失函数值不再下降时停止训练。3种目标检测模型训练结果对比见表1。
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−CNN YOLOv4 SSD epoch 100 97 49 训练集损失函数值 0.092 1 0.724 0.925 验证集损失函数值 0.144 8 0.807 0.989 从表1可看出：Faster R−CNN模型具有最低的损失函数值，且epoch为100时仍未达到最优，训练周期较长；SSD模型的epoch仅为49，具有最短的训练周期，但损失函数值较高；YOLOv4模型的epoch为97，具有合理的训练周期及损失函数值。
为更好地选择矿车装载物检测模型，选用现场视频图像对3种目标检测模型进行评估，结果见表2。可看出针对矿车装载物识别任务，Faster R−CNN模型（大小为108.62 MB）具有最高的mAP（Mean Average Precision，平均精度均值），但识别速度较慢，难以实现实时检测；SSD模型（大小为91.74 MB）具有较快的识别速度，但mAP较低，可行性较差；YOLOv4模型（大小为244.99 MB）的mAP为94.26%，具有较高的矿车装载物识别准确率，识别速度为17 帧/s。综合比较识别速度与mAP可知，YOLOv4模型更适用于矿车装载物识别任务。
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−CNN YOLOv4 SSD mAP/% 96.61 94.26 81.92 识别速度/（帧·s−1） 6 17 24 2. 矿车装载物检测模型优化
Faster R−CNN，YOLOv4，SSD等主流目标检测模型的主特征提取网络大多采用体量大的卷积神经网络。由于副井现场检测目标种类较少，为了降低模型大小，以YOLOv4模型为例，采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53，实现模型优化。MobileNet最鲜明的特点为采用深度可分离卷积核代替普通卷积核，计算量约为普通卷积核的1/3，运行速度得到了极大提升。
YOLOv4模型优化过程：① 主干特征提取网络CSPDarknet53替换为MobileNet，得到3个初步的有效特征层；② 对初步的有效特征层进行特征融合，获得3个更有效的有效特征层；③ 将原有普通卷积核替换为MobileNet中的深度可分离卷积核。模型优化过程及结果如图2所示。
分别选用MobileNetv1，MobileNetv2，MobileNetv3对YOLOv4模型进行优化，得到MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型，大小分别为47.6，40.6，44.8 MB，较优化前分别减小了197.39，204.39，200.19 MB。
采用相同的训练集训练模型，基于现场视频图像对训练后的模型进行评估，结果见表3。可看出：MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型的识别速度较YOLOv4模型分别提高了22，30，27 帧/s，证明MobileNet中的深度可分离卷积核可有效提升模型运行速度；MobileNetv3−YOLOv4模型的mAP 达95.03%，识别速度为44 帧/s。综合考虑识别速度与mAP，认为MobileNetv3−YOLOv4模型具有最优识别效果，更适用于现场矿车装载物识别任务。
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 YOLOv4 MobileNetv1−
YOLOv4MobileNetv2−
YOLOv4MobileNetv3−
YOLOv4mAP/% 94.26 93.26 92.19 95.03 识别速度/
（帧·s−1）17 39 47 44 考虑到煤矿现场部署空间限制和成本，传统基于高性能工作站的部署方式不太适合煤矿现场应用。因此，将矿车装载物检测模型部署至嵌入式智能计算平台Jetson TX2。为满足实时检测要求，需对模型进行压缩和加速。
3. 矿车装载物检测模型加速
矿车装载物检测模型加速表现在2个方面：① 层间融合，即通过融合内核中的节点，优化GPU（Graphics Processing Unit，图形处理器）显存和带宽，以提高运行速度；② 模型量化，即通过调节推理参数精度来提高检测速度。
3.1 层间融合
在部署神经网络模型推理时，每一层运算操作需由GPU启动CUDA（Compute Unified Device Architecture，统一计算设备架构）核心完成。运算过程包括CUDA核心计算张量、启动CUDA核心、读输入张量及写输出张量操作。其中CUDA核心计算张量耗时极短，而启动CUDA核心、读输入张量及写输出张量操作会产生不必要的时间及资源浪费。通过层间的横向或纵向融合能够减少层数，从而提高模型推理速度。
横向融合可将卷积层、偏置层、激活函数层合并为一个CBR（Convolution+Bias+ReLU）结构，融合过程如图3所示。纵向融合可将结构相同但权值不同的层合并，合并后的层只占用1个CUDA核心，使得整个模型结构更简洁、更高效。
![]()
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推理加速主要表现在3个方面：① 整理零碎数据，减少传输次数；② 优化横向计算图，减少数据访问次数；③ 通过非拷贝方式将层输出定向到正确的最终地址，以减少横向时间。
YOLOv4模型主干特征提取网络CSPDarknet53具有5种残差块，以第1种残差块为例，其层间融合过程如图4所示。
![]()
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 CSPDarknet533.2 模型量化
大多数基于深度学习的神经网络模型在训练时，张量精度均采用32位浮点数。模型训练结束后，由于在部署推理的过程中不需要反向传播，所以可适当降低推理参数精度（如将张量精度降为16位浮点数或8位整型数），从而提高运行速度。
推理加速表现在部署推理过程中降低模型张量精度，进而减少数据转换时间，提高数据吞吐量，减少内存占用，同时可保持高识别准确度。
3.3 模型加速前后对比
基于实验室服务器，采用模型加速方法对Faster R−CNN，YOLOv4，SSD，MobileNetv3−YOLOv4模型进行加速优化，结果见表4。可看出模型加速方法对多种目标检测模型均有较好的加速效果，具备泛用性；加速后各模型mAP略有减小，但仍在可接受范围内。
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−CNN YOLOv4 SSD MobileNetv3−
YOLOv4mAP/% 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 4. 现场试验
将矿车装载物智能识别方法在某煤矿副井进行现场试验。以海康威视DS−2CD3T27DWD−L网络摄像头为图像采集设备，选用Jetson TX2嵌入式平台部署矿车装载物检测模型，运行环境为Ubuntu18.04系统，深度学习框架采用keras_2.2.4。试验平台如图5所示。
![]()
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综合考虑识别速度与mAP，选择MobileNetv3−YOLOv4为矿车装载物检测模型。将模型移植到Jetson TX2嵌入式平台后试验结果见表5。
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−YOLOv4mAP/% 95.03 94.68 识别速度/（帧·s−1） 18.3 35.42 从表5可看出：受Jetson TX2计算能力限制，MobileNetv3−YOLOv4模型识别速度慢，仅为18.3 帧/s；采用模型加速方法对MobileNetv3−YOLOv4模型加速后，识别速度提升至35.42 帧/s，mAP为94.68%，满足现场实时、精确检测需求。
矿车装载物智能识别方法在副井现场检测结果如图6所示。其中蓝色框代表矿车内装载物为煤，绿色框代表矿车内装载物为矸石，红色框代表矿车内装载物为物料；框上方显示装载物类别名称及目标物为该类装载物的概率，且当行人等非矿车类物体经过检测区域时不启动检测任务。可看出本文方法能够实时、精准地识别矿车装载物，且仅在矿车经过检测区域时启动检测任务。
![]()
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 load5. 结论
（1） 评估了Faster R−CNN，YOLOv4，SSD这3种常用目标检测模型用于矿车装载物识别的可行性。经VOC数据集训练、现场视频图像检测， Faster R−CNN模型的mAP为96.61%，识别速度为6 帧/s，模型大小为108.62 MB；YOLOv4模型的mAP为94.26%，识别速度为17 帧/s，模型大小为244.99 MB；SSD模型的mAP为81.92%，识别速度为24 帧/s，模型大小为91.74 MB。YOLOv4，Faster R−CNN模型能满足mAP要求，但运行在常用GPU上均难以满足实时检测要求。
（2） 采用MobileNet优化YOLOv4可有效降低模型大小，提高识别速度。MobileNetv1−YOLOv4，MobileNetv2−YOLOv4，MobileNetv3−YOLOv4模型大小分别为47.6，40.6，44.8 MB，识别速度分别为39，47，44 帧/s。MobileNetv3−YOLOv4模型的mAP为95.03%，较优化前提升了0.77%。
（3） 采用基于层间融合和模型量化的模型加速方法对Faster R−CNN，YOLOv4，SSD，MobileNetv3−YOLOv4模型进行加速优化，加速后4种模型的识别速度分别提升至14，43，51，76帧/s。
（4） 以MobileNetv3−YOLOv4为矿车装载物检测模型，移植到Jetson TX2嵌入式平台进行矿车装载物识别现场试验，结果表明：加速后MobileNetv3−YOLOv4模型的识别速度为35.42 帧/s，mAP为94.68%；本文方法能够实时、精准地识别出矿车装载物类别，且仅在矿车经过检测区域时启动检测任务，避免了非矿车物体进入检测区域引起的司控道岔误动作情况。
-
![]()
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−CNN YOLOv4 SSD epoch 100 97 49 训练集损失函数值 0.092 1 0.724 0.925 验证集损失函数值 0.144 8 0.807 0.989 
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−CNN YOLOv4 SSD mAP/% 96.61 94.26 81.92 识别速度/（帧·s−1） 6 17 24
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 YOLOv4 MobileNetv1−
YOLOv4MobileNetv2−
YOLOv4MobileNetv3−
YOLOv4mAP/% 94.26 93.26 92.19 95.03 识别速度/
（帧·s−1）17 39 47 44
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−CNN YOLOv4 SSD MobileNetv3−
YOLOv4mAP/% 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−YOLOv4mAP/% 95.03 94.68 识别速度/（帧·s−1） 18.3 35.42
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(5)
1. 杨豚，郭永存，王爽，马鑫. 煤矿井下无人驾驶轨道电机车障碍物识别. 浙江大学学报(工学版). 2024(01): 29-39 . 
百度学术
2. 于海龙. 基于NSGA—Ⅱ的矿车复合制动多目标优化控制分析. 工矿自动化. 2024(S1): 156-160 . 本站查看
3. 陈忠训，黄松，左泉，王明全，刘永强. 矿车装车智能视觉检测与装载优化控制系统开发. 现代制造技术与装备. 2024(06): 122-124 . 百度学术
4. 陈小霞，李锁弟，朱良恺，张东伟，王祁峰. 基于机器视觉的煤炭运输列车车厢状态智能检测方法. 自动化应用. 2024(15): 62-66+69 . 百度学术
5. 王雷，贾思学. 煤矿环形车场智能化无人值守技术研究. 中国新技术新产品. 2023(18): 5-8 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 335
- HTML全文浏览量: 202
- PDF下载量: 52
- 被引次数: 6
