CN114119481A - 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 - Google Patents
多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 Download PDFInfo
- Publication number
- CN114119481A CN114119481A CN202111251607.3A CN202111251607A CN114119481A CN 114119481 A CN114119481 A CN 114119481A CN 202111251607 A CN202111251607 A CN 202111251607A CN 114119481 A CN114119481 A CN 114119481A
- Authority
- CN
- China
- Prior art keywords
- coal
- rock
- infrared
- mining machine
- rock interface
- 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
Links
- 239000003245 coal Substances 0.000 title claims abstract description 150
- 239000011435 rock Substances 0.000 title claims abstract description 124
- 238000005065 mining Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 38
- 230000008447 perception Effects 0.000 title claims abstract description 19
- 238000005520 cutting process Methods 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000005286 illumination Methods 0.000 claims description 39
- 238000001931 thermography Methods 0.000 claims description 11
- 230000005284 excitation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T2207/10048—Infrared image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,包括以下步骤:采集煤岩的红外热像图;对所述红外热像图进行预处理,对预处理后的所述红外热像图进行标注;构建煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型;利用训练好的所述煤岩界面识别模型进行煤岩识别,获得煤岩图像;提取所述煤岩图像的煤岩分界线,建立坐标系,提取所述煤岩分界线的坐标数据;基于所述坐标数据,根据煤矿需求偏好的采煤机滚筒截割轨迹规划。本发明显著提高了煤岩界面的识别精度,并能够根据煤矿对煤炭产量、煤炭质量和截割效率的偏好需求对采煤机滚筒进行轨迹规划。
Description
技术领域
本发明涉及煤矿开采领域,特别是涉及多参数普适性煤岩界面感知识别及采煤机轨迹规划方法。
背景技术
在煤矿领域中,传统采煤机滚筒的调高方式是通过人工判断当前截割工况来实现的,即依靠现场工作人员的肉眼观察煤壁表面煤岩分布来调整采煤机的截割高度。随着技术水平的不断提高,实现煤矿智能化开采能够有效提高采煤机的工作效率、减少煤矿事故的发生。煤岩界面识别是实现采煤机智能化开采的关键技术,也是实现采煤机滚筒自动调高和井下自适应、无人化开采的必要前提。
现有的煤岩识别方法大多采用单一信号、传感器信息融合和传统机器学习进行识别,然而井下恶劣的环境对传感器的干扰较大,无法进行准确识别。采煤机截割滚筒高度的调节、路径的控制要根据综采工作面煤岩界面轨迹的走向进行规划,截割路径规划过程中要考虑煤矿对采煤质量、截割效率和煤炭产量的要求。如何对煤岩界面进行精准识别,并根据煤矿对煤炭产量、煤炭质量和截割效率的偏好需求对采煤机滚筒进行轨迹规划是现阶段亟需解决的问题。
发明内容
本发明的目的是提供多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,以解决上述现有技术存在的问题,显著提高煤岩界面的识别精度,并能够根据煤矿对煤炭产量、煤炭质量和截割效率的偏好需求对采煤机滚筒进行轨迹规划。
为实现上述目的,本发明提供了如下方案:本发明提供多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,包括以下步骤:
采集煤岩的红外热像图;
对所述红外热像图进行预处理,对预处理后的所述红外热像图进行标注;
构建煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型;
利用训练好的所述煤岩界面识别模型进行煤岩识别,获得煤岩图像;
提取所述煤岩图像的煤岩分界线,建立坐标系,提取所述煤岩分界线的坐标数据;
基于所述坐标数据,根据煤矿需求偏好规划采煤机滚筒截割轨迹。
可选地,采集煤岩的红外热像图包括:
设置若干光照时间、光照距离和光照强度,在不同的所述光照时间、所述光照距离和所述光照强度的条件下,采集所述红外热像图。
可选地,在采集煤岩的红外热像图的过程中使用主动激励红外装置和红外热像仪。
可选地,对所述红外热像图进行预处理包括:
对所述红外热像图进行去噪处理,对去噪后的所述红外热像图进行增强处理,对增强处理后的所述红外热像图进行标准化和归一化处理,获得预处理后的所述红外热像图。
可选地,对预处理后的所述红外热像图进行标注采用Lambelme工具。
可选地,构建煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型包括:
采用多种网络构建所述煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型,比较若干所述煤岩界面识别模型的识别精度,选择最优的所述煤岩界面识别模型,对最优的所述煤岩界面识别模型进行优化。
可选地,提取所述煤岩图像的煤岩分界线,建立坐标系,提取所述煤岩分界线的坐标数据包括:
将所述煤岩图像转化为二值化图像,对所述二值化图像进行边缘提取,获取所述煤岩图像的煤岩分界线,建立所述坐标系,导出所述坐标数据。
可选地,基于所述坐标数据,根据煤矿需求偏好的采煤机滚筒截割轨迹规划包括:
对所述坐标数据进行线性拟合,采用最小二乘拟合、均匀三次样条曲线和Nurbs曲线分别拟合满足最高煤炭产量、最优煤炭质量和最大截割效率的偏好轨迹曲线。
本发明公开了以下技术效果:
本发明提供的,采用语义分割方法对煤岩界面红外热像图进行训练、识别,得到煤岩界面的精准分布信息。根据不同光照时间、光照距离和光照强度三个参数下的红外热像图进行模型训练和优化,获取的煤岩界面识别模型对不同光照时间、光照距离和光照强度具有普适性,便于井下煤岩图像的测试、采集以及界面的感知识别。根据煤矿的偏好需求对采煤机轨迹进行规划,提供满足煤矿对采煤质量、截割效率和煤炭产量不同需求时的最优截割轨迹规划结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例中多参数普适性煤岩界面感知识别及采煤机轨迹规划方法的整体结构示意图;
图2为本发明实施例中多参数普适性煤岩界面感知识别及采煤机轨迹规划方法的多参数普适性数据测试具体过程流向示意图;
图3为本发明实施例中多参数普适性煤岩界面感知识别及采煤机轨迹规划方法的语义分割煤岩识别具体过程流向示意图;
图4为本发明实施例中多参数普适性煤岩界面感知识别及采煤机轨迹规划方法的采煤机截割轨迹规划示意图;
图5为本发明实施例中多参数普适性煤岩界面感知识别及采煤机轨迹规划方法的采煤机偏好需求滚筒截割轨迹示意图,其中,图(a)为产量最高截割轨迹,图(b)为质量最优截割轨迹,图(c)为截割效率最大截割轨迹。
具体实施方式
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,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明提供多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,该方法包括煤岩界面识别和轨迹规划两部分,煤岩界面识别主要分为数据采集、数据处理、数据标注、数据集划分、网络模型训练及网络模型优化;轨迹规划主要包括提取分割图像煤岩分界线和坐标数据、依据煤矿偏好进行采煤机截割轨迹曲线拟合,结合每部分之间存在的关联性实现煤岩界面识别及采煤机轨迹规划。如图1-5所示,具体包括以下步骤:
1、浇筑煤岩试件,搭建实验平台并安装实验装备;
首先对综采工作面的煤、岩进行采样,浇筑煤岩试件。将主动激励红外装置放置于煤岩试件正前方,通过搭建实验台使得煤岩试件前后移动以调节煤岩试件到主动激励红外装置的距离,将红外热像仪放置于主动激励红外装置的载物台上获取红外热像图。
2、采集多参数条件下红外热像图测试、数据;
煤岩介质在主动红外激励作用下,其煤岩界面的识别精度受光照时间、光照距离以及光照强度三个因素的显著影响。为使煤岩识别具有普适性,分别对以上三个因素在边界条件范围内选取五个水平进行正交测试,将光照时间设为1min、2min、3min、4min、
5min,光照距离设为1.5m、1.75m、2m、2.25m、2.5m,光照强度设为100W、200W、300W、400W、500W。通过正交实验获取大量红外热像图并建立数据集。具体为:根据正交实验设计的原理和步骤,确定识别精度的影响因素共有三个:光照时间、光照距离以及光照强度。为了使获取的最优组合中各影响因素的参数值最大程度的接近最优值,水平数设定为5,根据各影响因素的边界条件,确定正交实验的影响因素水平如图2所示。根据图2的影响因素水平建立正交实验表,采用L50(511)正交表,确定各影响因素及交互作用的占用列,其它空白列作为误差列。根据光照时间、光照距离以及光照强度所在的列,利用Design-Expert数学统计软件确定相应的实验方案并开展50组正交实验。采用语义分割方法对煤岩界面红外热像图进行训练、识别,得到煤岩界面的精准分布信息。
3、对数据进行处理,并利用处理好的数据进行多种网络模型训练,网络模型评估与择优;
由于不同光照时间,光照距离和光照强度条件下采集的图像质量有较大的差异,部分图像会存在很多噪点,煤岩分界边缘不清晰,因此需要对采集的红外热像图像进行中值滤波进行去噪,并且对煤岩分界边缘进行平滑处理,得到更高质量的红外热像图,通过翻转、裁剪、旋转和缩放等处理进行数据增强,得到更多的数据样本,提高模型的鲁棒性,防止过拟合。对图像数据进行标准化处理统一图像尺寸,随后利用Lambelme工具进行数据标注,最后将数据集以80%和20%划分为训练集和测试集,通过训练集对网络模型进行训练,验证集评估网络模型性能。选取CNN,U-Net,SetNet,DeepLab系列,PSPNet和SegNet等神经网络模型进行训练并测试,记录每个网络模型在所占内存及测试时间,选取语义分割评价指标PA和IoU进行分析,对每个模型分别进行十次试验,计算每个模型的PA和IoU的平均值,综合评估各个网络模型所占内存,测试时间,PA和IoU,选取识别最优的网络模型作为最终的煤岩红外热像图识别网络模型。
4、优化网络模型并用于煤岩识别;
通过添加残差模块解决网络深度而产生的学习效率变低与准确率无法有效提升的问题,使用不同大小的卷积核得到不同大小的感受野,最后实现拼接达到不同尺度特征的融合。采用深度可分离卷积降低参数数量和运算成本。通过改进和优化达到更高的识别精度,提升网络模型的分割性能,最后将改进后的网络模型运用于主动红外激励煤岩识别。
本实施例中,根据不同光照时间、光照距离和光照强度三个参数下的红外热像图进行模型训练和优化,获取的煤岩界面识别模型对不同光照时间、光照距离和光照强度具有普适性,便于井下煤岩图像的测试、采集以及界面的感知识别。
5、提取煤岩分界线及坐标数据;
将识别后的煤岩图像转化为二值化图像,利用canny算子进行边缘提取获取煤岩分界线,采用origin软件的Digitizer工具获取煤岩分界线的坐标数据,导入煤岩分界线图像后根据实际拍摄的煤岩图像大小设置坐标值参数,设置合适取点的分辨率使得尽可能获取较多的坐标数据,点击自动识别点选项提取坐标数据,导出煤岩分界线的坐标数据表。
6、基于煤矿需求偏好进行采煤机滚筒截割轨迹规划。
将获取的煤岩分界线坐标数据再次进行线性拟合。采用最小二乘拟合、均匀三次样条曲线和Nurbs曲线分别拟合满足最高煤炭产量、最优煤炭质量和最大截割效率的偏好轨迹曲线,具体为:
1)基于产量最高偏好的轨迹规划
将导出的坐标数据通过最小二乘拟合获得产量最高的轨迹曲线,该轨迹曲线使得采煤机滚筒沿着煤岩分界面进行截割但更加平滑,为使得采煤机尽可能截割到所有的煤,在保证煤炭产量的同时截割过程中会截到少量的岩石。产量最高截割轨迹如图5(a)所示,滚筒截割轨迹贴近煤岩分界面且与煤岩分界线相比较平滑;
2)基于截割质量偏好的轨迹规划
将导出的坐标数据进行最小二乘拟合得到曲线1,再采用均匀三次样条曲线对曲线1波谷进行局部调整,提取波谷最低点、波谷最低点与左侧波峰点的中间点、波谷最低点与右侧波峰点的中间点三点坐标值作为均匀三次样条曲线的控制点,再次拟合得到煤炭质量最优的轨迹曲线,质量最优轨迹曲线与产量最高轨迹曲线的区别在对煤岩分界面凹陷最低点的截割,通过预留凹陷部分低处的煤炭以避免对岩石的截割以保证煤炭质量。质量最优截割轨迹如图5(b)所示,通过调整滚筒在凹陷部分的截割,避免对岩石的截割,提高煤炭质量;
3)基于截割效率偏好的轨迹规划
选取Nurbs曲线拟合截割效率最大化曲线,Nurbs曲线阶数越高曲线越平缓,控制点数为阶数加1,以保证曲线的连续性,权因子越大越接近控制点,因此Nurbs曲线参数设置为5阶6点,权因子为1.0,通过设定的参数拟合截割速率最大化轨迹曲线,截割速率最大化通过减少对采煤机滚筒位置的调整以提高截割效率,根据煤岩识别和采煤机滚筒位置调整滚筒转速,使得采煤机在煤岩交界处的截割能够得到缓冲,从而减少采煤机截齿磨损和降低截割能耗。截割效率最大截割轨迹如图5(c)所示,滚筒截割轨迹平缓,减少采煤机滚筒位置的调节,提高截割效率。
根据煤矿的偏好需求对采煤机轨迹进行规划,提供满足煤矿对采煤质量、截割效率和煤炭产量不同需求时的最优截割轨迹规划结果。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释,此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,包括以下步骤:
采集煤岩的红外热像图;
对所述红外热像图进行预处理,对预处理后的所述红外热像图进行标注;
构建煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型;
利用训练好的所述煤岩界面识别模型进行煤岩识别,获得煤岩图像;
提取所述煤岩图像的煤岩分界线,建立坐标系,提取所述煤岩分界线的坐标数据;
基于所述坐标数据,根据煤矿需求偏好规划采煤机滚筒截割轨迹。
2.根据权利要求1所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,采集煤岩的红外热像图包括:
设置若干光照时间、光照距离和光照强度,在不同的所述光照时间、所述光照距离和所述光照强度的条件下,采集所述红外热像图。
3.根据权利要求1或2所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,在采集煤岩的红外热像图的过程中使用主动激励红外装置和红外热像仪。
4.根据权利要求1所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,对所述红外热像图进行预处理包括:
对所述红外热像图进行去噪处理,对去噪后的所述红外热像图进行增强处理,对增强处理后的所述红外热像图进行标准化和归一化处理,获得预处理后的所述红外热像图。
5.根据权利要求1所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,对预处理后的所述红外热像图进行标注采用Lambelme工具。
6.根据权利要求1所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,构建煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型包括:
采用多种网络构建所述煤岩界面识别模型,利用标注后的所述红外热像图训练所述煤岩界面识别模型,比较若干所述煤岩界面识别模型的识别精度,选择最优的所述煤岩界面识别模型,对最优的所述煤岩界面识别模型进行优化。
7.根据权利要求6所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,提取所述煤岩图像的煤岩分界线,建立坐标系,提取所述煤岩分界线的坐标数据包括:
将所述煤岩图像转化为二值化图像,对所述二值化图像进行边缘提取,获取所述煤岩图像的煤岩分界线,建立所述坐标系,导出所述坐标数据。
8.根据权利要求1所述的多参数普适性煤岩界面感知识别及采煤机轨迹规划方法,其特征在于,基于所述坐标数据,根据煤矿需求偏好的采煤机滚筒截割轨迹规划包括:
对所述坐标数据进行线性拟合,采用最小二乘拟合、均匀三次样条曲线和Nurbs曲线分别拟合满足最高煤炭产量、最优煤炭质量和最大截割效率的偏好轨迹曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251607.3A CN114119481B (zh) | 2021-10-25 | 2021-10-25 | 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111251607.3A CN114119481B (zh) | 2021-10-25 | 2021-10-25 | 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119481A true CN114119481A (zh) | 2022-03-01 |
CN114119481B CN114119481B (zh) | 2023-04-07 |
Family
ID=80376878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111251607.3A Active CN114119481B (zh) | 2021-10-25 | 2021-10-25 | 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119481B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236221A1 (zh) * | 2022-06-07 | 2023-12-14 | 北京天玛智控科技股份有限公司 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
WO2024052639A1 (en) * | 2022-09-09 | 2024-03-14 | Shamraeff Consulting Ltd | Method and apparatus for breaking rocks |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002164042A (ja) * | 2001-03-31 | 2002-06-07 | Koken Kk | 発電用電極 |
CN110080766A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 综采工作面煤岩识别装置及方法 |
CN112990169A (zh) * | 2021-05-20 | 2021-06-18 | 天津美腾科技股份有限公司 | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 |
-
2021
- 2021-10-25 CN CN202111251607.3A patent/CN114119481B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002164042A (ja) * | 2001-03-31 | 2002-06-07 | Koken Kk | 発電用電極 |
CN110080766A (zh) * | 2019-04-30 | 2019-08-02 | 中国矿业大学 | 综采工作面煤岩识别装置及方法 |
CN112990169A (zh) * | 2021-05-20 | 2021-06-18 | 天津美腾科技股份有限公司 | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023236221A1 (zh) * | 2022-06-07 | 2023-12-14 | 北京天玛智控科技股份有限公司 | 煤岩界面识别模型训练方法、采煤机截割控制方法和装置 |
WO2024052639A1 (en) * | 2022-09-09 | 2024-03-14 | Shamraeff Consulting Ltd | Method and apparatus for breaking rocks |
Also Published As
Publication number | Publication date |
---|---|
CN114119481B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114119481B (zh) | 多参数普适性煤岩界面感知识别及采煤机轨迹规划方法 | |
CN101576956B (zh) | 基于机器视觉的在线字符检测方法和系统 | |
CN108596221B (zh) | 标尺读数的图像识别方法及设备 | |
CN104700092A (zh) | 一种基于模板和特征匹配相结合的小字符数字识别方法 | |
CN110490161B (zh) | 一种基于深度学习的圈养动物行为分析方法 | |
CN108460418B (zh) | 一种基于文字识别与语义分析的发票分类方法 | |
CN106778650A (zh) | 基于多类型信息融合的场景自适应行人检测方法和系统 | |
CN104331693A (zh) | 一种印刷品对称性检测方法及系统 | |
CN108961295B (zh) | 基于正态分布h阈值的紫色土图像分割提取方法 | |
CN115408925A (zh) | 用于隧道施工的岩体参数预测方法和装置 | |
CN105404866B (zh) | 一种多模式自动实施人体状态感知的实现方法 | |
Jiang et al. | Development of a core feature identification application based on the Faster R-CNN algorithm | |
CN103500323A (zh) | 基于自适应灰度图像滤波的模板匹配方法 | |
CN114803386A (zh) | 基于双目线激光相机的输送带纵向撕裂检测系统及方法 | |
CN112990169B (zh) | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 | |
CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
CN205427956U (zh) | 一种基于工业相机的铺叶台烟叶摆把监控装置 | |
CN114758139B (zh) | 基坑积水检测方法 | |
CN113362296B (zh) | 一种隧道裂缝提取方法及系统 | |
CN115953678A (zh) | 一种基于局部灰度极值点和特征融合的路面破损检测方法 | |
CN114742850A (zh) | 基于ugnx模型分析的电极形体自动识别的实现方法 | |
CN113643352A (zh) | 一种自然覆冰在线监测运行导线图像覆冰程度评估方法 | |
CN113283339A (zh) | 基于机器视觉的工业矿料运输皮带少料异常监测方法 | |
CN112801013A (zh) | 一种基于关键点识别校验的人脸识别方法、系统及装置 | |
CN105787944A (zh) | 一种基于工业相机的铺叶台摆把监控装置及监控方法 |
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 | ||
EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20220301 Assignee: Guilin Zhongtian Machinery Co.,Ltd. Assignor: GUILIN University OF ELECTRONIC TECHNOLOGY Contract record no.: X2023980045855 Denomination of invention: Multi parameter universal coal rock interface perception recognition and coal mining machine trajectory planning method Granted publication date: 20230407 License type: Common License Record date: 20231106 |
|
EE01 | Entry into force of recordation of patent licensing contract |