CN110441320A - 一种煤矸石检测方法、装置及系统 - Google Patents

一种煤矸石检测方法、装置及系统 Download PDF

Info

Publication number
CN110441320A
CN110441320A CN201910715211.6A CN201910715211A CN110441320A CN 110441320 A CN110441320 A CN 110441320A CN 201910715211 A CN201910715211 A CN 201910715211A CN 110441320 A CN110441320 A CN 110441320A
Authority
CN
China
Prior art keywords
gangue
video image
coal mine
detection
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910715211.6A
Other languages
English (en)
Other versions
CN110441320B (zh
Inventor
王星
陈圣泓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tai Hao Mdt Infotech Ltd
Original Assignee
Beijing Tai Hao Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Tai Hao Mdt Infotech Ltd filed Critical Beijing Tai Hao Mdt Infotech Ltd
Priority to CN201910715211.6A priority Critical patent/CN110441320B/zh
Publication of CN110441320A publication Critical patent/CN110441320A/zh
Application granted granted Critical
Publication of CN110441320B publication Critical patent/CN110441320B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/73—Deblurring; Sharpening
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
    • G01N2021/891—Edge discrimination, e.g. by signal filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Textile Engineering (AREA)
  • Geometry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及煤矿安全技术领域，具体公开了一种煤矸石检测方法，其中，所述煤矸石检测方法包括：获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；对所述煤矿视频图像进行视频处理得到清晰视频图像；对所述清晰视频图像进行模型训练得到煤矸石训练模型；将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。本发明还公开了一种煤矸石检测装置及系统。本发明提供的煤矸石检测方法实现了对煤矸石的自动检测，提供了煤矸石的检测精度。

Description

一种煤矸石检测方法、装置及系统
技术领域
本发明涉及煤矿安全技术领域，尤其涉及一种煤矸石检测方法、煤矸石检测装置及包括该煤矸石检测装置的煤矸石检测系统。
背景技术
我国是世界上重要的煤矿的生产国与消费国，煤矿是我国能源结构中最重要的资源，同样也在能源安全方面也起到必不可少的作用。但是由于国内开采水平有限，并发展速度较为缓慢，必须严重依赖人力，导致生产线率低下，同时也衍生许多安全隐患问题。近几年来，煤矿的安全生产逐渐成为社会关注的重点问题。
煤矿的开采确实有很大的难度，原因主要有：一、我国的自然灾害严重；二、生产工艺流程复杂；三、生产设备和方式落后。前两种原因基本上是不能改变的。第三种原因可以通过使用先进人工智能技术和设备来降低煤矿开采的难度。但是由于我国的煤矿生产的企业较多，尤其是许多的小型企业管理技术欠缺，生产方式落后，从而导致了许多的煤矿事故的发生，事后更不能提供有用的监控信息以便于更好的实施救援，因此，煤矿的视频监控系统，是煤矿生产安全保证的重中之重。
影响煤炭质量的重用因素之一就是煤矸石，它在很大程度上会影响皮带运输机的安全运转，例如巨大的煤矸石破坏设备，造成皮带破损、阻塞出煤口等重大安全生产事故。就当下煤矿领域来说，大部分煤矿都采用人工清理煤矸石的方法。人工清理煤矸石造成人力消耗巨大，生产效率低下，并在一定程度上存在安全事故，因此，特别需要一种检测精度高且自动化程度好的煤矸石检测方法。近年来，随着煤炭行业信息化与自动化的不断发展，许多大型矿井都安装了皮带运输机的视频监控系统，监控人员可以在集控室内进行远程监视。但是，这样还是依赖人工来监控视频发现煤矸石，并没有实现煤矸石的自动识别。
要想实现煤矸石自动检测，就要对环境因素进行处理。因为井下开采煤矿过程中会产生许多粉尘，例如落煤时的产尘、采煤过程中产生的粉尘等。井中的粉尘可能会对设备产生影响，影响其正常运转，还对人体有很大的伤害，较为严重的情况会产生爆炸现象。由此，许多煤矿会采用喷雾的措施来减少粉尘，确实能有效地减少粉尘，与此同时也产生了大量的雾气。造成煤矿井下空气中雾气的存在使得井下场景的可见度降低，当人们通过肉眼去观察煤矿井下的真实环境时，是一种模糊的视觉，更不用说会对井下图像拍摄产生影响，由于煤矿雾气的存在改变了煤矿井下的环境，这样就造成煤矿皮带运输系统的视觉环境复杂、光照条件差、煤尘干扰明显，其视频监控系统获得的视频图像质量较差。利用传统的灰度阈值检测或边缘检测的检测方法，效果很差，存在局限性。当光照不同时，造成煤与矸石灰度值严重混叠，使用基于灰度阈值的方法显然难以精确分割图像，进而产生误识别和不识别的现象。边缘检测虽然不会有上述混叠的问题，但是受煤尘、潮湿等因素影响，对其造成的煤矸石颜色加深、边缘梯度不明显的问题无法有效解决。
发明内容
本发明提供了一种煤矸石检测方法、煤矸石检测装置及包括该煤矸石检测装置的煤矸石检测系统，解决相关技术中存在的煤矸石检测精度低的问题。
作为本发明的第一个方面，提供一种煤矸石检测方法，其中，所述煤矸石检测方法包括：
获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
对所述煤矿视频图像进行视频处理得到清晰视频图像；
对所述清晰视频图像进行模型训练得到煤矸石训练模型；
将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
进一步地，所述煤矸石检测方法还包括：
若煤矸石的检测结果为存在所述煤矸石，则标记所述煤矸石的位置和所述煤矸石的尺寸大小；
将标记的所述煤矸石的尺寸大小与预设的煤矸石尺寸阈值比较，判断是否需要发出报警信号；
若标记的所述煤矸石的尺寸大于所述预设的煤矸石尺寸阈值，则发出报警信号。
进一步地，所述对所述煤矿视频图像进行视频处理得到清晰视频图像包括：
选择所述煤矿视频图像中的清晰图像作为输入图像；
根据暗原色先验理论求解所述输入图像的暗通道图；
根据所述暗通道图以及大气散射的物理模型得到复原图像；
对所述复原图像进行去燥处理得到清晰视频图像。
进一步地，所述根据暗原色先验理论求解所述输入图像的暗通道图的求解公式包括：
Jdark(x，y)＝minx，y∈μ(x，y)[minc∈{r，g，b}JC(x，y)]，
其中，J表示所述煤矿视频图像中的清晰图像，C表示颜色通道，μ(x，y)表示以像素(x，y)为中心的窗口。
进一步地，所述对所述清晰视频图像进行模型训练得到煤矸石训练模型包括：
根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型。
进一步地，所述根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型包括：
对所述清晰图像中进行分类，得到煤矸石所在的类别；
对所述煤矸石所在的类别进行煤矸石尺寸的预测，得到多种尺寸的煤矸石类别。
作为本发明的另一个方面，提供一种煤矸石检测装置，其中，所述煤矸石检测装置包括：
获取模块，所述获取模块用于获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
处理模块，所述处理模块用于对所述煤矿视频图像进行视频处理得到清晰视频图像；
训练模块，所述训练模块用于对所述清晰视频图像进行模型训练得到煤矸石训练模型；
检测模块，所述检测模块用于将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
作为本发明的另一个方面，提供一种煤矸石检测系统，其中，所述煤矸石检测系统包括：视频采集装置、服务器和前文所述的煤矸石检测装置，所述视频采集装置与所述煤矸石检测装置通信连接，所述煤矸石检测装置与所述服务器通信连接，所述视频采集装置能够采集煤矿视频图像，所述煤矸石检测装置能够对所述煤矿视频图像进行处理得到是否存在煤矸石的检测结果，所述服务器能够输出所述是否存在煤矸石的检测结果。
进一步地，所述视频采集装置包括设置在煤矿区域内的多个摄像装置。
通过上述煤矸石检测方法、装置及系统，对煤矿视频图像先进行视频处理，得到清晰视频图像，然后进行模型训练，得到煤矸石训练模型，最终将待检测的煤矿视频图像输入值煤矸石训练模型，得到煤矸石的检测结果，这种煤矸石检测方式先对煤矿视频图像进行清晰化处理，然后进行模型训练，实现了对煤矸石的自动检测，无需人工参与，且与现有技术中的直接针对煤矿视频图像进行模型训练相比，提供了煤矸石的检测精度。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1为本发明提供的煤矸石检测方法的流程图。
图2为本发明提供的煤矸石检测的效果图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互结合。下面将参考附图并结合实施例来详细说明本发明。
为了使本领域技术人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本实施例中提供了一种煤矸石检测方法，图1是根据本发明实施例提供的煤矸石检测方法的流程图，如图1所示，包括：
S110、获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
S120、对所述煤矿视频图像进行视频处理得到清晰视频图像；
S130、对所述清晰视频图像进行模型训练得到煤矸石训练模型；
S140、将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
通过上述煤矸石检测方法，对煤矿视频图像先进行视频处理，得到清晰视频图像，然后进行模型训练，得到煤矸石训练模型，最终将待检测的煤矿视频图像输入值煤矸石训练模型，得到煤矸石的检测结果，这种煤矸石检测方法先对煤矿视频图像进行清晰化处理，然后进行模型训练，实现了对煤矸石的自动检测，无需人工参与，且与现有技术中的直接针对煤矿视频图像进行模型训练相比，提供了煤矸石的检测精度。
具体地，所述煤矸石检测方法还包括：
若煤矸石的检测结果为存在所述煤矸石，则标记所述煤矸石的位置和所述煤矸石的尺寸大小；
将标记的所述煤矸石的尺寸大小与预设的煤矸石尺寸阈值比较，判断是否需要发出报警信号；
若标记的所述煤矸石的尺寸大于所述预设的煤矸石尺寸阈值，则发出报警信号。
作为视频处理的具体实施方式，所述对所述煤矿视频图像进行视频处理得到清晰视频图像包括：
选择所述煤矿视频图像中的清晰图像作为输入图像；
根据暗原色先验理论求解所述输入图像的暗通道图；
进一步具体地，所述根据暗原色先验理论求解所述输入图像的暗通道图的求解公式包括：
Jdark(x，y)＝minx，y∈μ(x，y)[minc∈{r，g，b}JC(x，y)]，
其中，J表示所述煤矿视频图像中的清晰图像，C表示颜色通道，μ(x，y)表示以像素(x，y)为中心的窗口；
从暗通道图Jdark(x，y)中选取最亮的像素点的前0.1％的点，然后在输入图像中找到对应位置上最亮点的像素值，作为大气光值A。令Jdark(x，y)＝0，得到：
根据所述暗通道图以及大气散射的物理模型得到复原图像；
具体地，大气散射的物理模型公式为I(x，y)＝t(x，y)J(x，y)+A(1-t(x，y))，假设局部区域内t(x，y)保持一致，进行最小值运算得到：
将代入上式得到：
其中，δ表示根据图像的真实性假设的系数，一般设置为0.96，t(x，y)表示透射率的估计值。
由于煤矿视频图像中会夹杂着噪声n(x，y)，所以带有噪声的大气散射的物理模型公式为：
I(x，y)＝t(x，y)J(x，y)+A(1-t(x，y))+n(x，y)，
将前述求出的t(x，y)和A代入所述带有噪声的大气散射的物理模型公式，得到复原图像J(x，y)：
对所述复原图像进行去燥处理得到清晰视频图像；
由于复原图像带有噪声，对所述复原图像进行维纳滤波处理，得到清晰视频图像J′(x，y)：
具体地，所述对所述清晰视频图像进行模型训练得到煤矸石训练模型包括：
根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型。
进一步具体地，所述根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型包括：
对所述清晰图像中进行分类，得到煤矸石所在的类别；
对所述煤矸石所在的类别进行煤矸石尺寸的预测，得到多种尺寸的煤矸石类别。
通过上述方法获取到清晰视频图像J′，将清晰视频图像分为训练集和测试集，通过基于深度学习的目标检测算法YOLOv3进行模型训练。
需要说明的是，目标检测算法YOLOv3具有速度快、误识别率低、通用性强等优点，此外对光照强度不同、距离不同和小目标检测都有很好的稳定性。
在本实施例中采用加载预训练模型Darknet53作为训练时网络的初始参数，这样可以使训练时间大大缩短。同时对输入图片的角度、曝光度、饱和度、色调、尺寸进行调整以增强模型的鲁棒性。
实现目标检测的步骤可以包括如下内容：
(1)分类器-类别预测：YOLOv3采用多个独立的logistic分类器替代了Softmax，如同简单的二分类，每个分类器只判断检测出来的目标是否为当前标签，最终实现多标签分类。
(2)多尺度预测：YOLOv3使用了类似FPN(feature pyramid networks)的思想，直接在3个尺度的特征图上进行回归预测，3种尺度为52*52、26*26、13*13，尺度与预测的目标边框一一对应。预测一张图片，最初将其划分为K*K的网格，并需要预测C个类别，最终得到张量为K*K*[3*(4+1+C)]的特征向量,包含4个偏移坐标的目标边框，其中1代表置信度得分。为增强金字塔的能力，将特征图进行融合，就可以获得上下文图像语义信息，进而提高检测精度。
将处理好的视频图像数据通过上述目标检测框架训练，可以得到训练模型SModel。将需要检测的视频作为输入，经过SModel模型，会得到待识别目标的位置和各自的类别属性，完成了煤矸石的检测。如图2所示，为通过本实施例提供的煤矸石检测方法实现的煤矸石检测的效果图。
作为本发明的另一实施例，提供一种煤矸石检测装置，其中，所述煤矸石检测装置包括：
获取模块，所述获取模块用于获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
处理模块，所述处理模块用于对所述煤矿视频图像进行视频处理得到清晰视频图像；
训练模块，所述训练模块用于对所述清晰视频图像进行模型训练得到煤矸石训练模型；
检测模块，所述检测模块用于将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
通过上述煤矸石检测装置，对煤矿视频图像先进行视频处理，得到清晰视频图像，然后进行模型训练，得到煤矸石训练模型，最终将待检测的煤矿视频图像输入值煤矸石训练模型，得到煤矸石的检测结果，这种煤矸石检测装置先对煤矿视频图像进行清晰化处理，然后进行模型训练，实现了对煤矸石的自动检测，无需人工参与，且与现有技术中的直接针对煤矿视频图像进行模型训练相比，提供了煤矸石的检测精度。
关于煤矸石检测装置的工作原理可以参照前文的煤矸石检测方法的描述，此处不再赘述。
作为本发明的另一实施例，提供一种煤矸石检测系统，其中，所述煤矸石检测系统包括：视频采集装置、服务器和前文所述的煤矸石检测装置，所述视频采集装置与所述煤矸石检测装置通信连接，所述煤矸石检测装置与所述服务器通信连接，所述视频采集装置能够采集煤矿视频图像，所述煤矸石检测装置能够对所述煤矿视频图像进行处理得到是否存在煤矸石的检测结果，所述服务器能够输出所述是否存在煤矸石的检测结果。
通过上述煤矸石检测系统，对煤矿视频图像先进行视频处理，得到清晰视频图像，然后进行模型训练，得到煤矸石训练模型，最终将待检测的煤矿视频图像输入值煤矸石训练模型，得到煤矸石的检测结果，这种煤矸石检测系统先对煤矿视频图像进行清晰化处理，然后进行模型训练，实现了对煤矸石的自动检测，无需人工参与，且与现有技术中的直接针对煤矿视频图像进行模型训练相比，提供了煤矸石的检测精度。
具体地，所述视频采集装置包括设置在煤矿区域内的多个摄像装置。
下面对本实施例提供的煤矸石检测系统的工作过程进行详细描述。
1、数据采集：在煤矿下面部署了20多路摄像头，分布在皮带机机头，皮带机中部，皮带机机尾等关键区域。对于每一路摄像头，均截取了60分钟的视频素材，全部用于测试数据。
2、视频处理：对采集到的煤矿视频图像进行去雾除尘算法和滤除噪声处理，减少图像的粉尘干扰和噪声干扰，进而增加视频清晰度，让检测结果更加精确。
3、训练模型：将视频清晰图像分为训练集和测试集，再使用目标检测框架进行训练，得到训练好的煤矸石检测模型。
4、服务器部署：通过Flask服务，将训练好的模型部署到服务器上，通过访问服务器接口，就能得到煤矸石检测结果，并在图像上进行标记，根据设定好的报警阈值，判断是否报警。如果报警，通知监管人员，进行防护措施，从而完成煤矸石的自动识别。
本实施例提供的煤矸石检测系统，针对煤矸石检测，基于深度学习的煤矸石检测算法与直接使用YOLOv3目标检测算法相比，map大约增长了10％，因此，本实施例提供的煤矸石检测系统相比现有技术明显提高了煤矸石的检测精度。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。

Claims (9)

1.一种煤矸石检测方法，其特征在于，所述煤矸石检测方法包括：
获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
对所述煤矿视频图像进行视频处理得到清晰视频图像；
对所述清晰视频图像进行模型训练得到煤矸石训练模型；
将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
2.根据权利要求1所述的煤矸石检测方法，其特征在于，所述煤矸石检测方法还包括：
若煤矸石的检测结果为存在所述煤矸石，则标记所述煤矸石的位置和所述煤矸石的尺寸大小；
将标记的所述煤矸石的尺寸大小与预设的煤矸石尺寸阈值比较，判断是否需要发出报警信号；
若标记的所述煤矸石的尺寸大于所述预设的煤矸石尺寸阈值，则发出报警信号。
3.根据权利要求1或2所述的煤矸石检测方法，其特征在于，所述对所述煤矿视频图像进行视频处理得到清晰视频图像包括：
选择所述煤矿视频图像中的清晰图像作为输入图像；
根据暗原色先验理论求解所述输入图像的暗通道图；
根据所述暗通道图以及大气散射的物理模型得到复原图像；
对所述复原图像进行去燥处理得到清晰视频图像。
4.根据权利要求3所述的煤矸石检测方法，其特征在于，所述根据暗原色先验理论求解所述输入图像的暗通道图的求解公式包括：
Jdark(x，y)＝minx，y∈μ(x，y)[minc∈{r，g，b}JC(x，y)]，
其中，J表示所述煤矿视频图像中的清晰图像，C表示颜色通道，μ(x，y)表示以像素(x，y)为中心的窗口。
5.根据权利要求1或2所述的煤矸石检测方法，其特征在于，所述对所述清晰视频图像进行模型训练得到煤矸石训练模型包括：
根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型。
6.根据权利要求5所述的煤矸石检测方法，其特征在于，所述根据目标检测算法分别对所述清晰图像进行模型训练，得到煤矸石训练模型包括：
对所述清晰图像中进行分类，得到煤矸石所在的类别；
对所述煤矸石所在的类别进行煤矸石尺寸的预测，得到多种尺寸的煤矸石类别。
7.一种煤矸石检测装置，其特征在于，所述煤矸石检测装置包括：
获取模块，所述获取模块用于获取煤矿视频图像，其中所述煤矿视频图像中带有煤矸石；
处理模块，所述处理模块用于对所述煤矿视频图像进行视频处理得到清晰视频图像；
训练模块，所述训练模块用于对所述清晰视频图像进行模型训练得到煤矸石训练模型；
检测模块，所述检测模块用于将待检测的煤矿视频图像输入至所述煤矸石训练模型，得到煤矸石的检测结果。
8.一种煤矸石检测系统，其特征在于，所述煤矸石检测系统包括：视频采集装置、服务器和权利要求7所述的煤矸石检测装置，所述视频采集装置与所述煤矸石检测装置通信连接，所述煤矸石检测装置与所述服务器通信连接，所述视频采集装置能够采集煤矿视频图像，所述煤矸石检测装置能够对所述煤矿视频图像进行处理得到是否存在煤矸石的检测结果，所述服务器能够输出所述是否存在煤矸石的检测结果。
9.根据权利要求8所述的煤矸石检测系统，其特征在于，所述视频采集装置包括设置在煤矿区域内的多个摄像装置。
CN201910715211.6A 2019-08-05 2019-08-05 一种煤矸石检测方法、装置及系统 Active CN110441320B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910715211.6A CN110441320B (zh) 2019-08-05 2019-08-05 一种煤矸石检测方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910715211.6A CN110441320B (zh) 2019-08-05 2019-08-05 一种煤矸石检测方法、装置及系统

Publications (2)

Publication Number Publication Date
CN110441320A true CN110441320A (zh) 2019-11-12
CN110441320B CN110441320B (zh) 2022-09-06

Family

ID=68433147

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910715211.6A Active CN110441320B (zh) 2019-08-05 2019-08-05 一种煤矸石检测方法、装置及系统

Country Status (1)

Country Link
CN (1) CN110441320B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330607A (zh) * 2020-10-20 2021-02-05 精英数智科技股份有限公司 基于图像识别技术的煤矸识别方法、装置及系统
CN112686250A (zh) * 2020-12-23 2021-04-20 三梁环境技术(山西)有限公司 一种煤矸石分类方法、装置、设备及存储介质
CN112991438A (zh) * 2021-04-12 2021-06-18 天津美腾科技股份有限公司 煤矸检测识别系统、智能放煤系统和模型的训练方法
CN113569795A (zh) * 2021-08-06 2021-10-29 中国矿业大学 一种基于机器视觉的煤矸石识别方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590822A (zh) * 2017-09-28 2018-01-16 程丹秋 一种有效的煤矿智能监测系统
CN109655466A (zh) * 2019-01-08 2019-04-19 中国矿业大学 一种基于机器视觉的矸石带煤率在线检测方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590822A (zh) * 2017-09-28 2018-01-16 程丹秋 一种有效的煤矿智能监测系统
CN109655466A (zh) * 2019-01-08 2019-04-19 中国矿业大学 一种基于机器视觉的矸石带煤率在线检测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HONG, HUICHAO等: "Automatic Recognition of Coal and Gangue based on Convolution Neural Network", 《 EPRINT ARXIV:1712.00720》 *
YUANYUAN PU等: "Image Recognition of Coal and Coal Gangue Using a Convolutional Neural Network and Transfer Learning", 《ENERGIES》 *
张勇: "基于视频处理的煤矸石识别研究", 《中国优秀硕士学位论文全文数据库》 *
张英俊等: "基于暗原色先验的煤矿井下图像增强技术", 《工矿自动化》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330607A (zh) * 2020-10-20 2021-02-05 精英数智科技股份有限公司 基于图像识别技术的煤矸识别方法、装置及系统
CN112686250A (zh) * 2020-12-23 2021-04-20 三梁环境技术(山西)有限公司 一种煤矸石分类方法、装置、设备及存储介质
CN112991438A (zh) * 2021-04-12 2021-06-18 天津美腾科技股份有限公司 煤矸检测识别系统、智能放煤系统和模型的训练方法
CN112991438B (zh) * 2021-04-12 2023-05-12 天津美腾科技股份有限公司 煤矸检测识别系统、智能放煤系统和模型的训练方法
CN113569795A (zh) * 2021-08-06 2021-10-29 中国矿业大学 一种基于机器视觉的煤矸石识别方法及系统

Also Published As

Publication number Publication date
CN110441320B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN110441320A (zh) 一种煤矸石检测方法、装置及系统
CN110070530B (zh) 一种基于深度神经网络的输电线路覆冰检测方法
CN101751744B (zh) 一种烟雾检测和预警方法
CN105809679B (zh) 一种基于视觉分析的山区铁路边坡落石检测方法
Schmugge et al. Detection of cracks in nuclear power plant using spatial-temporal grouping of local patches
CN106446926A (zh) 一种基于视频分析的变电站工人安全帽佩戴检测方法
CN102509075B (zh) 一种遗留物检测方法及装置
CN104971458B (zh) 基于自动跟踪定位射流灭火装置的多火源识别方法
CN111898514A (zh) 一种基于目标检测与动作识别的多目标视觉监管方法
CN110765848A (zh) 基于人工智能图像处理算法的化工厂人员安全保障系统及预警方法
CN106412501A (zh) 一种视频的施工安全行为智能监控系统及其监控方法
CN111222478A (zh) 一种工地安全防护检测方法和系统
CN109911550A (zh) 基于红外热成像与可见光视频分析的刮板运输机保护装置
CN113516076A (zh) 一种基于注意力机制改进的轻量化YOLO v4安全防护检测方法
CN107301375A (zh) 一种基于稠密光流的视频图像烟雾检测方法
CN108664875A (zh) 基于图像识别的井下皮带运输监控方法
CN109948455A (zh) 一种遗留物体检测方法及装置
CN106339657A (zh) 基于监控视频的秸秆焚烧监测方法、装置
CN105844595B (zh) 基于大气反射-散射原理构建模型复原夜间交通视频车灯的方法
CN112308032A (zh) 一种视频检测的井下风门智能协同联动控制方法
CN116475089A (zh) 矿井带式输送机视频图像智能识别的联动控制装置及方法
CN113673614B (zh) 基于机器视觉的地铁隧道异物入侵检测装置及方法
CN102479416A (zh) 消除监控系统中误报警的方法、系统及装置
CN102254396A (zh) 基于视频的入侵检测方法及装置
CN113344882A (zh) 基于计算机视觉的矿下钻机钻杆计数方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant