CN113283391B - 一种综放开采放落过程复杂工况煤矸识别方法 - Google Patents
一种综放开采放落过程复杂工况煤矸识别方法 Download PDFInfo
- Publication number
- CN113283391B CN113283391B CN202110716471.2A CN202110716471A CN113283391B CN 113283391 B CN113283391 B CN 113283391B CN 202110716471 A CN202110716471 A CN 202110716471A CN 113283391 B CN113283391 B CN 113283391B
- Authority
- CN
- China
- Prior art keywords
- coal
- gangue
- fully
- mechanized
- caving
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综放开采放落过程复杂工况煤矸识别方法,包括步骤:一、构建综采放顶煤矸模拟数据集采集平台;二、采集不同压力下综采放顶煤矸规律;三、采集综采放顶煤矸模拟数据集;四、优化综采放顶煤矸模拟数据集;五、训练多模态煤矸识别网络;六、综放开采放落过程复杂工况煤矸识别。本发明通过模拟综采顶煤放落规律,创建具有多种类、多模式且数量多的数据集,以此训练特征提取网络,并设置不同测试集,测试在不同环境下的识别效率,最后达到更具有时效性的多模态算法识别机制,为综放开采煤矸识别提供更可靠的理论方法依据。
Description
技术领域
本发明属于煤矸识别技术领域,具体涉及一种综放开采放落过程复杂工况煤矸识别方法。
背景技术
煤矿开采日益趋近智能化,其中煤矸识别是实现智能化开采中核心技术之一。基于深度学习理论在煤矸识别多年的研究与实践,发现影响煤矸识别的因素总体分为两类:算法技术本身的性能和对煤矸识别的实用性、数据集采集的有效性和准确性,这两者导致了深度学习算法能否在矿井下得到应用,并且达到优越效果。目前国内外很多学者已建立基于深度学习理论的煤矸识别方法,然而矿井下应用效果却不尽人意。
目前深度学习理论中,实现煤矸识别方法主要有:基于U-net网络模型的煤矸识别方法、基于YOLO系列煤矸识别与定位方法、基于GAN网络的煤-岩体识别和基于CNN系列的煤矸识别方法,工程实践中,上述方法主要存在以下问题:第一,其采用的理论依据得出的实验结果与在矿井下实验得到的效果误差较大,与实际不符;第二,缺少实际工程应用,导致相关参数选取不当;第三,数据选取量较少且单一,导致网络训练不具备一般性。受采掘环境影响,导致图像采集成为煤矸识别难题之一,进而多数深度学习技术在矿井下出现效果差、使用范围小的问题。所以目前网络的训练只是停留在单一图片的训练,或者单一种类的训练,这种训练的结果分离了煤和矸,但是和实际环境下训练的结果确实相差很多。可见在复杂环境下数据集采集以及训练得出煤矸识别参数,为准确识别提供有效依据,是确保矿区安全、经济开采的关键技术。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种综放开采放落过程复杂工况煤矸识别方法,通过模拟综采顶煤放落规律,创建具有多种类、多模式且数量多的数据集,以此训练特征提取网络,并设置不同测试集,测试在不同环境下的识别效率,最后达到更具有时效性的多模态算法识别机制,为综放开采煤矸识别提供更可靠的理论方法依据,便于推广使用。
为解决上述技术问题,本发明采用的技术方案是:一种综放开采放落过程复杂工况煤矸识别方法,其特征在于,该方法包括以下步骤:
步骤一、构建综采放顶煤矸模拟数据集采集平台:在实验室内构建综采放顶煤矸模拟数据集采集平台,所述构建综采放顶煤矸模拟数据集采集平台包括用于装载模拟地层煤层的装载箱和设置在装载箱下侧的采集箱,装载箱和采集箱之间通过支撑盒连接,支撑盒沿长度方向并排设置有多个液压插板,支撑盒沿长度方向的中部开设有与液压插板放煤口连通的长条通孔,采集箱的顶部侧壁设置有多个用于调节采集箱内光照度的照明灯,采集箱的底部侧壁设置有多个用于调节采集箱内粉尘浓度的鼓风机,采集箱的长度方向的前后侧面上均安装有高速照相机,采集箱的宽度方向的一侧面上安装有加湿器,采集箱的宽度方向的另一侧面上安装有环境监测器,所述模拟地层煤层包括由下至上依次铺设的模拟煤层、模拟矸层和模拟地层,模拟地层顶部设置有加载机;
步骤二、采集不同压力下综采放顶煤矸规律,过程如下:
步骤201、给装载箱内装载模拟地层煤层;
步骤202、通过加载机给模拟地层煤层顶部施加压力;
步骤203、控制多个液压插板的不同放煤口的放煤工序,使当前状态下,模拟煤层最大化落入采集箱的同时模拟矸层最小化落入采集箱;
步骤204、重新给装载箱内装载模拟地层煤层;
步骤205、调整加载机给模拟地层煤层顶部施加的压力;
步骤206、重新控制多个液压插板的不同放煤口的放煤工序,使当前状态下,模拟煤层最大化落入采集箱的同时模拟矸层最小化落入采集箱;
步骤207、重复步骤204至步骤206,获取不同压力下综采放顶煤矸规律;
步骤三、采集综采放顶煤矸模拟数据集:调整加载机给模拟地层煤层顶部施加的压力,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行分次下放,采集每次下放过程中综采放顶煤矸模拟数据集,每次下放过程中综采放顶煤矸模拟数据集方法均相同;
加载机给模拟地层煤层顶部施加的任一压力下,综采放顶煤矸模拟数据集采集时,过程如下:
步骤301、调整环境参数,采集不同环境参数下的综采放顶煤矸模拟数据集,所述环境参数包括湿度、光照度和粉尘浓度;
采集湿度因素影响下的综采放顶煤矸模拟数据集,执行步骤302;
采集光照度因素影响下的综采放顶煤矸模拟数据集,执行步骤303;
采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,执行步骤304;
步骤302、保持光照度和粉尘浓度不变,采集湿度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3021、给装载箱内装载模拟地层煤层,通过加湿器确定采集箱内湿度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持光照度和粉尘浓度不变且一个确定的湿度条件下的综采放顶煤矸模拟数据子集;
步骤3022、重新给装载箱内装载模拟地层煤层,通过加湿器调节采集箱内湿度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持光照度和粉尘浓度不变且一个调节后的湿度的条件下的综采放顶煤矸模拟数据子集;
步骤3023、重复步骤3022,获取不同湿度下综采放顶煤矸模拟数据子集;
步骤3024、将不同湿度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和粉尘浓度不变,仅湿度因素影响下的第一综采放顶煤矸模拟数据集;
步骤303、保持湿度和粉尘浓度不变,采集光照度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3031、给装载箱内装载模拟地层煤层,通过照明灯确定采集箱内光照度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持湿度和粉尘浓度不变且一个确定的光照度条件下的综采放顶煤矸模拟数据子集;
步骤3032、重新给装载箱内装载模拟地层煤层,通过照明灯调节采集箱内光照度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持湿度和粉尘浓度不变且一个调节后的光照度的条件下的综采放顶煤矸模拟数据子集;
步骤3033、重复步骤3032,获取不同光照度下综采放顶煤矸模拟数据子集;
步骤3034、将不同光照度下的多个综采放顶煤矸模拟数据子集合并,获取湿度和粉尘浓度不变,仅光照度因素影响下的第二综采放顶煤矸模拟数据集;
步骤304、保持光照度和湿度不变,采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3041、给装载箱内装载模拟地层煤层,通过鼓风机确定采集箱内粉尘浓度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持光照度和湿度不变且一个确定的粉尘浓度条件下的综采放顶煤矸模拟数据子集;
步骤3042、重新给装载箱内装载模拟地层煤层,通过鼓风机调节采集箱内粉尘浓度,利用环境监测器检验采集箱内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机采集煤矸图像,获取保持光照度和湿度不变且一个调节后的粉尘浓度的条件下的综采放顶煤矸模拟数据子集;
步骤3043、重复步骤3042,获取不同粉尘浓度下综采放顶煤矸模拟数据子集;
步骤3044、将不同粉尘浓度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和湿度不变,仅粉尘浓度因素影响下的第三综采放顶煤矸模拟数据集;
步骤四、优化综采放顶煤矸模拟数据集:利用频率域图像增强法对第一综采放顶煤矸模拟数据集进行优化,获取优化后的第一综采放顶煤矸模拟数据集;
利用光照归一化处理方法对第二综采放顶煤矸模拟数据集进行优化,获取优化后的第二综采放顶煤矸模拟数据集;
利用混合空间增强法对第三综采放顶煤矸模拟数据集进行优化,获取优化后的第三综采放顶煤矸模拟数据集;
步骤五、训练多模态煤矸识别网络:针对不同优化后的综采放顶煤矸模拟数据集训练不同权重参数的煤矸识别网络,多个不同权重参数的煤矸识别网络构成多模态煤矸识别网络;
针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络的方法均相同,针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络时,过程如下:
步骤501、将任一优化后的综采放顶煤矸模拟数据集构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤502、在图像训练数据集合中调取一张训练样本图像,灰度处理后送入FasterR-CNN煤矸识别网络,框选出煤和矸;
步骤503、选取RPN损失函数作为Faster R-CNN煤矸识别网络的分类损失函数,选取RCNN损失函数作为Faster R-CNN煤矸识别网络的回归损失函数,利用RPN损失函数计算框选出煤和矸的图像的分类损失,利用RCNN损失函数计算框选出煤和矸的图像的回归损失,再将框选出煤和矸的图像的分类损失和回归损失送入Adam优化器,更新Faster R-CNN煤矸识别网络的权重参数集合,进而得到优化后的Faster R-CNN煤矸识别网络;
步骤504、在图像训练数据集合中调取一张新的训练样本图像,循环步骤502至步骤503,直至图像训练数据集合中的图像调取完毕,完成Faster R-CNN煤矸识别网络训练过程;
步骤505、在图像测试数据集合中调取测试样本图像,对Faster R-CNN煤矸识别网络进行测试,获取训练并测试完成的FasterR-CNN煤矸识别网络;
步骤六、综放开采放落过程复杂工况煤矸识别,过程如下:
步骤601、根据上覆岩层压力确定放顶煤矸规律,进而控制煤矿综采液压支架放煤工序;
步骤602、利用井下摄像机采集实际煤矸图像,实际煤矸图像分三路,一路通过频率域图像增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;另一路通过光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;第三路通过混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;
步骤603、对步骤602输出的三张框选出煤和矸的图像取交集,获取最终的煤矸识别图像。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述加载机为压力加载机。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述装载箱为长方体型装载箱,采集箱为四棱台型采集箱,所述照明灯的数量为四个,四个照明灯安装在四棱台型采集箱顶部的四个拐角处,鼓风机的数量为四个,四个鼓风机安装在四棱台型采集箱底部的四个拐角处。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述环境监测器包括控制器以及均与所述控制器输入端连接的湿度传感器、光照传感器和粉尘浓度传感器,控制器上连接有与控制终端通信的无线通信模块。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述无线通信模块为蓝牙无线通信模块、GSM无线通信模块、WIFI无线通信模块或ZIGBEE无线通信模块;所述控制终端为计算机或手机。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:步骤602中,当井下的环境参数与获取第一综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行频率域图像增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第二综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第三综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:步骤501中,图像训练数据集合和图像测试数据集合的图像数量之比为7:3。
上述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述FasterR-CNN煤矸识别网络包括Backbone网络、Proposal网络和ROI Pooling网络,所述Backbone网络为Resnet50网络。
本发明与现有技术相比具有以下优点:
1、本发明通过设置装载箱装载模拟地层煤层,利用加载机加压模拟真实上覆岩层,模拟不同压力条件下的开采情况,更加真实的模拟矿井下煤层工作面情况,效果还原度高,支撑盒沿长度方向并排设置有多个液压插板,支撑盒沿长度方向的中部开设有与液压插板放煤口连通的长条通孔,采用不同组合的形式对放煤口依次控制开放,同时搭建不同种类煤层,以此来模拟开采放顶煤的不同放煤规律;上部分为煤矸层模拟部分,设置有智能放煤口,在开采过程中,控制不同放煤口的放煤工序,以此来观察放煤规律;下部分为复杂环境模拟部分,侧面加载有加湿器、光源、鼓风机、环境监测器,可模拟不同矿井,不同地质条件下的复杂气候环境,实现了在实验室内可以更准确获取矿井下煤岩数据集,数据采集效果好,工艺简单易用,效率高;利用综采工作面检测来的数据,在实验室中模拟采煤工作面的复杂环境,采用高速照相机拍摄放煤过程中的煤矸数据,在实验室中模拟综采工作面放煤规律并采集综采放顶煤矸模拟数据集,效果准确,对于保障煤矿高效安全生产具有重要的理论和现实意义,便于推广使用。
2、本发明通过模拟综采顶煤放落规律,创建具有多种类、多模式且数量多的数据集,以此训练特征提取网络,并设置不同测试集,测试在不同环境下的识别效率,最后达到更具有时效性的多模态算法识别机制,为综放开采煤矸识别提供更可靠的理论方法依据,可靠稳定,使用效果好。
3、本发明方法步骤简单,根据上覆岩层压力确定放顶煤矸规律,进而控制煤矿综采液压支架放煤工序,利用井下摄像机采集实际煤矸图像,实际煤矸图像分三路处理,对三路输出的三张框选出煤和矸的图像取交集,获取最终的煤矸识别图像,这种训练的结果分离了煤和矸,分离效果实际有效,便于推广使用。
综上所述,本发明通过模拟综采顶煤放落规律,创建具有多种类、多模式且数量多的数据集,以此训练特征提取网络,并设置不同测试集,测试在不同环境下的识别效率,最后达到更具有时效性的多模态算法识别机制,为综放开采煤矸识别提供更可靠的理论方法依据,便于推广使用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明综采放顶煤矸模拟数据集采集平台的结构示意图。
图2为本发明模拟地层煤层的结构示意图。
图3为本发明的方法流程框图。
附图标记说明:
1—装载箱; | 2—加载机; | 3—支撑盒; |
4—液压插板; | 5—采集箱; | 6—照明灯; |
7—鼓风机; | 8—高速照相机; | 9—加湿器; |
10—环境监测器; | 11—模拟煤层; | 12—模拟矸层; |
13—模拟地层。 |
具体实施方式
如图1至图3所示,本发明的一种综放开采放落过程复杂工况煤矸识别方法,包括以下步骤:
步骤一、构建综采放顶煤矸模拟数据集采集平台:在实验室内构建综采放顶煤矸模拟数据集采集平台,所述构建综采放顶煤矸模拟数据集采集平台包括用于装载模拟地层煤层的装载箱1和设置在装载箱1下侧的采集箱5,装载箱1和采集箱5之间通过支撑盒3连接,支撑盒3沿长度方向并排设置有多个液压插板4,支撑盒3沿长度方向的中部开设有与液压插板4放煤口连通的长条通孔,采集箱5的顶部侧壁设置有多个用于调节采集箱5内光照度的照明灯6,采集箱5的底部侧壁设置有多个用于调节采集箱5内粉尘浓度的鼓风机7,采集箱5的长度方向的前后侧面上均安装有高速照相机8,采集箱5的宽度方向的一侧面上安装有加湿器9,采集箱5的宽度方向的另一侧面上安装有环境监测器10,所述模拟地层煤层包括由下至上依次铺设的模拟煤层11、模拟矸层12和模拟地层13,模拟地层13顶部设置有加载机2;
步骤二、采集不同压力下综采放顶煤矸规律,过程如下:
步骤201、给装载箱1内装载模拟地层煤层;
步骤202、通过加载机2给模拟地层煤层顶部施加压力;
步骤203、控制多个液压插板4的不同放煤口的放煤工序,使当前状态下,模拟煤层11最大化落入采集箱5的同时模拟矸层12最小化落入采集箱5;
步骤204、重新给装载箱1内装载模拟地层煤层;
步骤205、调整加载机2给模拟地层煤层顶部施加的压力;
步骤206、重新控制多个液压插板4的不同放煤口的放煤工序,使当前状态下,模拟煤层11最大化落入采集箱5的同时模拟矸层12最小化落入采集箱5;
步骤207、重复步骤204至步骤206,获取不同压力下综采放顶煤矸规律;
需要说明的是,通过设置装载箱装载模拟地层煤层,利用加载机加压模拟真实上覆岩层,模拟不同压力条件下的开采情况,更加真实的模拟矿井下煤层工作面情况,效果还原度高,支撑盒沿长度方向并排设置有多个液压插板,支撑盒沿长度方向的中部开设有与液压插板放煤口连通的长条通孔,采用不同组合的形式对放煤口依次控制开放,同时搭建不同种类煤层,以此来模拟开采放顶煤的不同放煤规律;上部分为煤矸层模拟部分,设置有智能放煤口,在开采过程中,控制不同放煤口的放煤工序,以此来观察放煤规律;下部分为复杂环境模拟部分,侧面加载有加湿器、光源、鼓风机、环境监测器,可模拟不同矿井,不同地质条件下的复杂气候环境,实现了在实验室内可以更准确获取矿井下煤岩数据集,数据采集效果好;利用综采工作面检测来的数据,在实验室中模拟采煤工作面的复杂环境,采用高速照相机拍摄放煤过程中的煤矸数据,在实验室中模拟综采工作面放煤规律并采集综采放顶煤矸模拟数据集,效果准确,对于保障煤矿高效安全生产具有重要的理论和现实意义。
步骤三、采集综采放顶煤矸模拟数据集:调整加载机2给模拟地层煤层顶部施加的压力,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行分次下放,采集每次下放过程中综采放顶煤矸模拟数据集,每次下放过程中综采放顶煤矸模拟数据集方法均相同;
加载机2给模拟地层煤层顶部施加的任一压力下,综采放顶煤矸模拟数据集采集时,过程如下:
步骤301、调整环境参数,采集不同环境参数下的综采放顶煤矸模拟数据集,所述环境参数包括湿度、光照度和粉尘浓度;
采集湿度因素影响下的综采放顶煤矸模拟数据集,执行步骤302;
采集光照度因素影响下的综采放顶煤矸模拟数据集,执行步骤303;
采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,执行步骤304;
步骤302、保持光照度和粉尘浓度不变,采集湿度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3021、给装载箱1内装载模拟地层煤层,通过加湿器9确定采集箱5内湿度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持光照度和粉尘浓度不变且一个确定的湿度条件下的综采放顶煤矸模拟数据子集;
步骤3022、重新给装载箱1内装载模拟地层煤层,通过加湿器9调节采集箱5内湿度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持光照度和粉尘浓度不变且一个调节后的湿度的条件下的综采放顶煤矸模拟数据子集;
步骤3023、重复步骤3022,获取不同湿度下综采放顶煤矸模拟数据子集;
步骤3024、将不同湿度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和粉尘浓度不变,仅湿度因素影响下的第一综采放顶煤矸模拟数据集;
步骤303、保持湿度和粉尘浓度不变,采集光照度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3031、给装载箱1内装载模拟地层煤层,通过照明灯6确定采集箱5内光照度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持湿度和粉尘浓度不变且一个确定的光照度条件下的综采放顶煤矸模拟数据子集;
步骤3032、重新给装载箱1内装载模拟地层煤层,通过照明灯6调节采集箱5内光照度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持湿度和粉尘浓度不变且一个调节后的光照度的条件下的综采放顶煤矸模拟数据子集;
步骤3033、重复步骤3032,获取不同光照度下综采放顶煤矸模拟数据子集;
步骤3034、将不同光照度下的多个综采放顶煤矸模拟数据子集合并,获取湿度和粉尘浓度不变,仅光照度因素影响下的第二综采放顶煤矸模拟数据集;
步骤304、保持光照度和湿度不变,采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3041、给装载箱1内装载模拟地层煤层,通过鼓风机7确定采集箱5内粉尘浓度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持光照度和湿度不变且一个确定的粉尘浓度条件下的综采放顶煤矸模拟数据子集;
步骤3042、重新给装载箱1内装载模拟地层煤层,通过鼓风机7调节采集箱5内粉尘浓度,利用环境监测器10检验采集箱5内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机8采集煤矸图像,获取保持光照度和湿度不变且一个调节后的粉尘浓度的条件下的综采放顶煤矸模拟数据子集;
步骤3043、重复步骤3042,获取不同粉尘浓度下综采放顶煤矸模拟数据子集;
步骤3044、将不同粉尘浓度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和湿度不变,仅粉尘浓度因素影响下的第三综采放顶煤矸模拟数据集;
步骤四、优化综采放顶煤矸模拟数据集:利用频率域图像增强法对第一综采放顶煤矸模拟数据集进行优化,获取优化后的第一综采放顶煤矸模拟数据集;
利用光照归一化处理方法对第二综采放顶煤矸模拟数据集进行优化,获取优化后的第二综采放顶煤矸模拟数据集;
利用混合空间增强法对第三综采放顶煤矸模拟数据集进行优化,获取优化后的第三综采放顶煤矸模拟数据集;
需要说明的是,通过模拟综采顶煤放落规律,创建具有多种类、多模式且数量多的数据集,以此训练特征提取网络,并设置不同测试集,测试在不同环境下的识别效率,最后达到更具有时效性的多模态算法识别机制,为综放开采煤矸识别提供更可靠的理论方法依据。
步骤五、训练多模态煤矸识别网络:针对不同优化后的综采放顶煤矸模拟数据集训练不同权重参数的煤矸识别网络,多个不同权重参数的煤矸识别网络构成多模态煤矸识别网络;
针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络的方法均相同,针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络时,过程如下:
步骤501、将任一优化后的综采放顶煤矸模拟数据集构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤502、在图像训练数据集合中调取一张训练样本图像,灰度处理后送入FasterR-CNN煤矸识别网络,框选出煤和矸;
步骤503、选取RPN损失函数作为Faster R-CNN煤矸识别网络的分类损失函数,选取RCNN损失函数作为Faster R-CNN煤矸识别网络的回归损失函数,利用RPN损失函数计算框选出煤和矸的图像的分类损失,利用RCNN损失函数计算框选出煤和矸的图像的回归损失,再将框选出煤和矸的图像的分类损失和回归损失送入Adam优化器,更新Faster R-CNN煤矸识别网络的权重参数集合,进而得到优化后的Faster R-CNN煤矸识别网络;
步骤504、在图像训练数据集合中调取一张新的训练样本图像,循环步骤502至步骤503,直至图像训练数据集合中的图像调取完毕,完成Faster R-CNN煤矸识别网络训练过程;
步骤505、在图像测试数据集合中调取测试样本图像,对Faster R-CNN煤矸识别网络进行测试,获取训练并测试完成的FasterR-CNN煤矸识别网络;
步骤六、综放开采放落过程复杂工况煤矸识别,过程如下:
步骤601、根据上覆岩层压力确定放顶煤矸规律,进而控制煤矿综采液压支架放煤工序;
步骤602、利用井下摄像机采集实际煤矸图像,实际煤矸图像分三路,一路通过频率域图像增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;另一路通过光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;第三路通过混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;
步骤603、对步骤602输出的三张框选出煤和矸的图像取交集,获取最终的煤矸识别图像。
本实施例中,所述加载机2为压力加载机。
本实施例中,所述装载箱1为长方体型装载箱,采集箱5为四棱台型采集箱,所述照明灯6的数量为四个,四个照明灯6安装在四棱台型采集箱顶部的四个拐角处,鼓风机7的数量为四个,四个鼓风机7安装在四棱台型采集箱底部的四个拐角处。
需要说明的是,采集箱5为四棱台型采集箱且上小下大,四个鼓风机7安装在四棱台型采集箱底部的四个拐角处,避免放煤对底部鼓风机7的破坏。
本实施例中,所述环境监测器10包括控制器以及均与所述控制器输入端连接的湿度传感器、光照传感器和粉尘浓度传感器,控制器上连接有与控制终端通信的无线通信模块。
本实施例中,所述无线通信模块为蓝牙无线通信模块、GSM无线通信模块、WIFI无线通信模块或ZIGBEE无线通信模块;所述控制终端为计算机或手机。
实际使用中,控制器采用STM32系列ARM控制器。
本实施例中,步骤602中,当井下的环境参数与获取第一综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行频率域图像增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第二综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第三综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像。
实际使用中,当井下的环境参数与获取一综采放顶煤矸模拟数据集的环境参数相似度大于80%时,单路输出快捷,准确,效率高。
本实施例中,步骤501中,图像训练数据集合和图像测试数据集合的图像数量之比为7:3。
本实施例中,所述FasterR-CNN煤矸识别网络包括Backbone网络、Proposal网络和ROI Pooling网络,所述Backbone网络为Resnet50网络。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (8)
1.一种综放开采放落过程复杂工况煤矸识别方法,其特征在于,该方法包括以下步骤:
步骤一、构建综采放顶煤矸模拟数据集采集平台:在实验室内构建综采放顶煤矸模拟数据集采集平台,所述构建综采放顶煤矸模拟数据集采集平台包括用于装载模拟地层煤层的装载箱(1)和设置在装载箱(1)下侧的采集箱(5),装载箱(1)和采集箱(5)之间通过支撑盒(3)连接,支撑盒(3)沿长度方向并排设置有多个液压插板(4),支撑盒(3)沿长度方向的中部开设有与液压插板(4)放煤口连通的长条通孔,采集箱(5)的顶部侧壁设置有多个用于调节采集箱(5)内光照度的照明灯(6),采集箱(5)的底部侧壁设置有多个用于调节采集箱(5)内粉尘浓度的鼓风机(7),采集箱(5)的长度方向的前后侧面上均安装有高速照相机(8),采集箱(5)的宽度方向的一侧面上安装有加湿器(9),采集箱(5)的宽度方向的另一侧面上安装有环境监测器(10),所述模拟地层煤层包括由下至上依次铺设的模拟煤层(11)、模拟矸层(12)和模拟地层(13),模拟地层(13)顶部设置有加载机(2);
步骤二、采集不同压力下综采放顶煤矸规律,过程如下:
步骤201、给装载箱(1)内装载模拟地层煤层;
步骤202、通过加载机(2)给模拟地层煤层顶部施加压力;
步骤203、控制多个液压插板(4)的不同放煤口的放煤工序,使当前状态下,模拟煤层(11)最大化落入采集箱(5)的同时模拟矸层(12)最小化落入采集箱(5);
步骤204、重新给装载箱(1)内装载模拟地层煤层;
步骤205、调整加载机(2)给模拟地层煤层顶部施加的压力;
步骤206、重新控制多个液压插板(4)的不同放煤口的放煤工序,使当前状态下,模拟煤层(11)最大化落入采集箱(5)的同时模拟矸层(12)最小化落入采集箱(5);
步骤207、重复步骤204至步骤206,获取不同压力下综采放顶煤矸规律;
步骤三、采集综采放顶煤矸模拟数据集:调整加载机(2)给模拟地层煤层顶部施加的压力,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行分次下放,采集每次下放过程中综采放顶煤矸模拟数据集,每次下放过程中综采放顶煤矸模拟数据集方法均相同;
加载机(2)给模拟地层煤层顶部施加的任一压力下,综采放顶煤矸模拟数据集采集时,过程如下:
步骤301、调整环境参数,采集不同环境参数下的综采放顶煤矸模拟数据集,所述环境参数包括湿度、光照度和粉尘浓度;
采集湿度因素影响下的综采放顶煤矸模拟数据集,执行步骤302;
采集光照度因素影响下的综采放顶煤矸模拟数据集,执行步骤303;
采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,执行步骤304;
步骤302、保持光照度和粉尘浓度不变,采集湿度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3021、给装载箱(1)内装载模拟地层煤层,通过加湿器(9)确定采集箱(5)内湿度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持光照度和粉尘浓度不变且一个确定的湿度条件下的综采放顶煤矸模拟数据子集;
步骤3022、重新给装载箱(1)内装载模拟地层煤层,通过加湿器(9)调节采集箱(5)内湿度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持光照度和粉尘浓度不变且一个调节后的湿度的条件下的综采放顶煤矸模拟数据子集;
步骤3023、重复步骤3022,获取不同湿度下综采放顶煤矸模拟数据子集;
步骤3024、将不同湿度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和粉尘浓度不变,仅湿度因素影响下的第一综采放顶煤矸模拟数据集;
步骤303、保持湿度和粉尘浓度不变,采集光照度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3031、给装载箱(1)内装载模拟地层煤层,通过照明灯(6)确定采集箱(5)内光照度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持湿度和粉尘浓度不变且一个确定的光照度条件下的综采放顶煤矸模拟数据子集;
步骤3032、重新给装载箱(1)内装载模拟地层煤层,通过照明灯(6)调节采集箱(5)内光照度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持湿度和粉尘浓度不变且一个调节后的光照度的条件下的综采放顶煤矸模拟数据子集;
步骤3033、重复步骤3032,获取不同光照度下综采放顶煤矸模拟数据子集;
步骤3034、将不同光照度下的多个综采放顶煤矸模拟数据子集合并,获取湿度和粉尘浓度不变,仅光照度因素影响下的第二综采放顶煤矸模拟数据集;
步骤304、保持光照度和湿度不变,采集粉尘浓度因素影响下的综采放顶煤矸模拟数据集,过程如下:
步骤3041、给装载箱(1)内装载模拟地层煤层,通过鼓风机(7)确定采集箱(5)内粉尘浓度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持光照度和湿度不变且一个确定的粉尘浓度条件下的综采放顶煤矸模拟数据子集;
步骤3042、重新给装载箱(1)内装载模拟地层煤层,通过鼓风机(7)调节采集箱(5)内粉尘浓度,利用环境监测器(10)检验采集箱(5)内环境参数至符合要求,对模拟地层煤层按照对应压力的综采放顶煤矸规律进行放煤,利用高速照相机(8)采集煤矸图像,获取保持光照度和湿度不变且一个调节后的粉尘浓度的条件下的综采放顶煤矸模拟数据子集;
步骤3043、重复步骤3042,获取不同粉尘浓度下综采放顶煤矸模拟数据子集;
步骤3044、将不同粉尘浓度下的多个综采放顶煤矸模拟数据子集合并,获取光照度和湿度不变,仅粉尘浓度因素影响下的第三综采放顶煤矸模拟数据集;
步骤四、优化综采放顶煤矸模拟数据集:利用频率域图像增强法对第一综采放顶煤矸模拟数据集进行优化,获取优化后的第一综采放顶煤矸模拟数据集;
利用光照归一化处理方法对第二综采放顶煤矸模拟数据集进行优化,获取优化后的第二综采放顶煤矸模拟数据集;
利用混合空间增强法对第三综采放顶煤矸模拟数据集进行优化,获取优化后的第三综采放顶煤矸模拟数据集;
步骤五、训练多模态煤矸识别网络:针对不同优化后的综采放顶煤矸模拟数据集训练不同权重参数的煤矸识别网络,多个不同权重参数的煤矸识别网络构成多模态煤矸识别网络;
针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络的方法均相同,针对任一优化后的综采放顶煤矸模拟数据集训练相应的煤矸识别网络时,过程如下:
步骤501、将任一优化后的综采放顶煤矸模拟数据集构成一个图像数据库,对图像数据库进行随机分类,获得图像训练数据集合和图像测试数据集合;
步骤502、在图像训练数据集合中调取一张训练样本图像,灰度处理后送入Faster R-CNN煤矸识别网络,框选出煤和矸;
步骤503、选取RPN损失函数作为Faster R-CNN煤矸识别网络的分类损失函数,选取RCNN损失函数作为Faster R-CNN煤矸识别网络的回归损失函数,利用RPN损失函数计算框选出煤和矸的图像的分类损失,利用RCNN损失函数计算框选出煤和矸的图像的回归损失,再将框选出煤和矸的图像的分类损失和回归损失送入Adam优化器,更新Faster R-CNN煤矸识别网络的权重参数集合,进而得到优化后的Faster R-CNN煤矸识别网络;
步骤504、在图像训练数据集合中调取一张新的训练样本图像,循环步骤502至步骤503,直至图像训练数据集合中的图像调取完毕,完成Faster R-CNN煤矸识别网络训练过程;
步骤505、在图像测试数据集合中调取测试样本图像,对Faster R-CNN煤矸识别网络进行测试,获取训练并测试完成的FasterR-CNN煤矸识别网络;
步骤六、综放开采放落过程复杂工况煤矸识别,过程如下:
步骤601、根据上覆岩层压力确定放顶煤矸规律,进而控制煤矿综采液压支架放煤工序;
步骤602、利用井下摄像机采集实际煤矸图像,实际煤矸图像分三路,一路通过频率域图像增强法预处理后送入多模态煤矸识别网络中对应的FasterR-CNN煤矸识别网络进行煤矸识别;另一路通过光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;第三路通过混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;
步骤603、对步骤602输出的三张框选出煤和矸的图像取交集,获取最终的煤矸识别图像。
2.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述加载机(2)为压力加载机。
3.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述装载箱(1)为长方体型装载箱,采集箱(5)为四棱台型采集箱,所述照明灯(6)的数量为四个,四个照明灯(6)安装在四棱台型采集箱顶部的四个拐角处,鼓风机(7)的数量为四个,四个鼓风机(7)安装在四棱台型采集箱底部的四个拐角处。
4.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述环境监测器(10)包括控制器以及均与所述控制器输入端连接的湿度传感器、光照传感器和粉尘浓度传感器,控制器上连接有与控制终端通信的无线通信模块。
5.按照权利要求4所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述无线通信模块为蓝牙无线通信模块、GSM无线通信模块、WIFI无线通信模块或ZIGBEE无线通信模块;所述控制终端为计算机或手机。
6.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:步骤602中,当井下的环境参数与获取第一综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行频率域图像增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第二综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行光照归一化处理方法预处理后送入多模态煤矸识别网络中对应的FasterR-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像;
当井下的环境参数与获取第三综采放顶煤矸模拟数据集的环境参数相似度大于80%时,将井下摄像机采集的实际煤矸图像,直接进行混合空间增强法预处理后送入多模态煤矸识别网络中对应的Faster R-CNN煤矸识别网络进行煤矸识别;并作为步骤603输出的最终的煤矸识别图像。
7.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:步骤501中,图像训练数据集合和图像测试数据集合的图像数量之比为7:3。
8.按照权利要求1所述的一种综放开采放落过程复杂工况煤矸识别方法,其特征在于:所述FasterR-CNN煤矸识别网络包括Backbone网络、Proposal网络和ROI Pooling网络,所述Backbone网络为Resnet50网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716471.2A CN113283391B (zh) | 2021-06-28 | 2021-06-28 | 一种综放开采放落过程复杂工况煤矸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110716471.2A CN113283391B (zh) | 2021-06-28 | 2021-06-28 | 一种综放开采放落过程复杂工况煤矸识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113283391A CN113283391A (zh) | 2021-08-20 |
CN113283391B true CN113283391B (zh) | 2023-04-07 |
Family
ID=77285715
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110716471.2A Active CN113283391B (zh) | 2021-06-28 | 2021-06-28 | 一种综放开采放落过程复杂工况煤矸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113283391B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN112990350A (zh) * | 2021-04-12 | 2021-06-18 | 天津美腾科技股份有限公司 | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108534975B (zh) * | 2018-03-14 | 2019-08-13 | 山东科技大学 | 一种放顶煤煤矸界面识别试验系统 |
CN109807074A (zh) * | 2019-01-21 | 2019-05-28 | 河南理工大学 | 井下煤矿工作面煤矸识别分选系统及分选方法 |
CN112200813B (zh) * | 2020-09-30 | 2024-02-06 | 中国矿业大学(北京) | 一种考虑照度因素的煤矸识别方法和系统 |
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 |
CN112253106B (zh) * | 2020-11-05 | 2021-10-26 | 河南理工大学 | 一种用于采煤机滚筒光纤光栅智能识别煤岩装置 |
CN112560941A (zh) * | 2020-12-14 | 2021-03-26 | 中科院计算所西部高等技术研究院 | 基于图像检测的煤矸识别方法 |
CN112893159B (zh) * | 2021-01-14 | 2023-01-06 | 陕西陕煤曹家滩矿业有限公司 | 一种基于图像识别的煤矸石分拣方法 |
CN112871751A (zh) * | 2021-02-03 | 2021-06-01 | 精英数智科技股份有限公司 | 识别煤和煤矸石的方法及其识别装置 |
-
2021
- 2021-06-28 CN CN202110716471.2A patent/CN113283391B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465063A (zh) * | 2020-12-11 | 2021-03-09 | 中国矿业大学 | 一种基于多传感信息融合的放顶煤过程中煤矸识别方法 |
CN112990350A (zh) * | 2021-04-12 | 2021-06-18 | 天津美腾科技股份有限公司 | 目标检测网络训练方法及基于目标检测网络煤矸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113283391A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109611087B (zh) | 一种火山岩油藏储层参数智能预测方法及系统 | |
CN110135468B (zh) | 一种煤矸石的识别方法 | |
US11536639B2 (en) | Intelligent lithology identification system and method based on images and spectrum technology | |
CN103207999B (zh) | 一种基于煤岩图像特征抽取以及分类识别的煤岩分界方法和系统 | |
CN108021938A (zh) | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 | |
CN104110251A (zh) | 一种基于art2的抽油机示功图识别方法 | |
CN109815998A (zh) | 一种基于yolo算法的ai装维巡检方法及系统 | |
CN110232406A (zh) | 一种基于统计学习的液晶面板cf图片识别方法 | |
CN114021466B (zh) | 基于返排数据和机器学习的页岩气有效缝网体积预测方法 | |
US20200340356A1 (en) | Method for evaluating difference in gas injection effect of gas injection wells in carbonate reservoir | |
CN104453875B (zh) | 基于自组织竞争神经网络的页岩气储层识别方法 | |
CN107578152B (zh) | 一种多分支水平井瓦斯抽采方案的评价方法 | |
CN106291060A (zh) | 一种手机电流测试系统及手机电流测试方法 | |
CN102680414A (zh) | 基于机器视觉的红提葡萄自动分级装置及其方法 | |
CN113283391B (zh) | 一种综放开采放落过程复杂工况煤矸识别方法 | |
CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
CN109948869A (zh) | 基于有序聚类离散化的脱硫系统so2出口浓度预测方法 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN203643182U (zh) | 倾角可调的综放长壁顶煤放出三维模拟实验装置 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
CN104463686A (zh) | 利用判别分析法随钻识别页岩气储层的方法 | |
CN107403391A (zh) | 一种用于油田开发预安排项目的优化筛选方法 | |
CN116703834A (zh) | 基于机器视觉的烧结点火强度过高判断、分级方法及装置 | |
CN110988996A (zh) | 一种基于Adaboost回归算法的储层孔隙度预测方法 | |
CN110529106A (zh) | 一种利用测井资料确定煤层显微组分含量的方法 |
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 |