CN115631443A - 一种基于视频识别的煤量分布方法 - Google Patents

Abstract

本发明提供一种基于视频识别的煤量分布方法，属于煤量信息处理领域，包括以下步骤：S1：在各个子皮带上安装能够进行煤量识别的摄像头，用于输出对应子皮带的瞬时煤量；S2：通过服务器采集各个子皮带上摄像头的瞬时煤量的数据；S3：通过服务器采集各个子皮带和主皮带的瞬时速度信息；S4：采用煤量转换公式拟合计算各个子皮带的煤量分布；S5：随着瞬时速度，瞬时煤量不断累计，计算关联子皮带的煤量分布信息进行位移改变；S6：煤量分布曲线计算，通过拟合与平滑预测修正进行，所述平滑预测修正采用了指数平滑法模型。

Description

一种基于视频识别的煤量分布方法

技术领域

本发明涉及一种煤量信息处理方法，尤其是涉及一种基于视频识别的煤量分布方法。

背景技术

皮带运输系统一直作为煤矿生产中非常重要的组成部分，为了确保安全生产，生产单位都会在皮带固定点位安装摄像头，用来检测煤量信息和皮带运行情况。由于矿上存在多条皮带搭接的情况，目前只能通过摄像头实时观测当前点位的煤量情况，无法进行煤量数据融合。

发明内容

本发明提供了一种基于视频识别的煤量分布方法，解决了通过摄像头实现视频识别的煤量分布的问题，其技术方案如下所述：

一种基于视频识别的煤量分布方法，包括以下步骤：

S1：在各个子皮带上安装能够进行煤量识别的摄像头，用于输出对应子皮带的瞬时煤量；

S2：通过服务器采集各个子皮带上摄像头的瞬时煤量的数据；

S3：通过服务器采集各个子皮带和主皮带的瞬时速度信息；

S4：采用煤量转换公式拟合计算各个子皮带的煤量分布；

S5：随着瞬时速度，瞬时煤量不断累计，计算关联子皮带的煤量分布信息进行位移改变；

S6：煤量分布曲线计算，通过步骤S4的拟合与平滑预测修正进行，所述平滑预测修正采用了指数平滑法模型。

进一步的，各个子皮带在设定位置安装摄像头。

进一步的，所述设定位置是距离主皮带搭接点100米处的位置。

进一步的，所述子皮带的瞬时煤量在主皮带的瞬时煤量分布为：（子皮带的瞬时煤量）*（主皮带与子皮带的速度比值）*（主皮带与子皮带的宽度比值）*煤量转换系数。

进一步的，设定各个t₀，t₁....t_n时刻，所述子皮带A的速度分别为A-V_t0，A-V_t1....A-V_tn，所述子皮带A的移动位置分别为A-D_t0，A-D_t1， .......，A-D_tn，则：

A-D_t1=（t₁-t₀）A-V_t1；

A-D_t2=（t₂-t₁）A-V_t2；

......

A-D_tn=（t_n-t_n-1）A-V_tn。

设定各个t₀，t₁....t_n时刻，所述子皮带C的速度分别为C-V_t0，C-V_t1....C-V_tn，所述子皮带A的移动位置分别为C-D_t0，C-D_t1， .......，C-D_tn，则：

C-D_t1=（t₁-t₀）C-V_t1；

C-D_t2=（t₂-t₁）C-V_t2；

......

C-D_tn=（t_n-t_n-1）C-V_tn。

同理，有其他子皮带时，也按照上述方式进行处理。

进一步的，各个子皮带在距离主皮带100米处位置安装摄像头，设定每隔T米进行煤量分布计算，则所述主皮带FD的拟合煤量分布：（0，FD-A-Qt₁）+（0，FD-C-Qt₁），（T，FD-A-Qt₂）+（T，FD-C-Qt₂），......，（100，FD-A-Qt_n）+（100，FD-C-Qt_n）；

其中，FD-A-Qtn和FD-C-Qtn分别表示子皮带A和子皮带C在主皮带FD的煤量分布，t_i表示时段，i表示自然数，T表示设定距离，范围为0.5~2.5。

同理，有多个子皮带时，主皮带FD的拟合煤量分布为多个子皮带的煤量分布计算的和。

进一步的，步骤S4中，指数平滑法对观测值的加权平均值，随着观测值变老，权重呈指数会衰减。

所述基于视频识别的煤量分布方法，利用视频识别各个检测点位煤量，通过煤量融合算法，拟合各个皮带各个位置的煤量情况。

附图说明

图1是所述主皮带和子皮带的搭接示意图；

图2是主皮带的煤量分布示意图；

图3是所述各子皮带在主皮带的煤量分布示意图；

图4是利用时序预测煤量示意图；

图5是所述基于视频识别的煤量分布方法的流程示意图。

具体实施方式

本发明提供的基于视频识别的煤量分布方法，应用的搭接关系模型，是包括一条主皮带和N条子皮带，N条子皮带的输出端连接到主皮带，各个子皮带设定位置安装有智能摄像头，用于采集实时煤量，通过实时煤量和子皮带速度，能计算子皮带上摄像头安装位置到主皮带上搭接点的动态煤量分布。通过多条子皮带速度和识别的煤量、主皮带的速度，结合煤量转换公式，能计算拟合出主皮带上的煤量分布。

某实施例中，图1为主皮带和子皮带的搭接关系，设有与主皮带FD搭接的两条子皮带，分别是第一子皮带A，第二子皮带C，所述第一子皮带A的B点安装有第一摄像头，第一子皮带A与主皮带FD搭接位置为第一搭接点P₁，第一摄像头到主皮带FD的长度为BP₁，所述第二子皮带C的E点安装有第二摄像头，第二子皮带C与主皮带FD搭接位置为第二搭接点P₂，第二摄像头到主皮带FD的长度为EP₂。如图2所示，通常关注的是主皮带的煤量分布，但是不能看出每个子皮带的煤量分布，本发明考虑到所述第一子皮带A和第二子皮带C与主皮带FD的速度不同，数据流采用等差法拟合，数据流所有数据通过煤量转换公式进行处理。

以第一子皮带A为例：设定第一子皮带A长度为A_L，第一子皮带A宽度为A_W，煤量转换公式的系数为A_F；

设定各个t₀，t₁....t_n时刻，所述第一子皮带A的速度分别为A-V_t0，A-V_t1....A-V_tn，所述第一子皮带A的移动位置分别为A-D_t0，A-D_t1， .......，A-D_tn，则：

A-D_t1=（t₁-t₀）A-V_t1；

A-D_t2=（t₂-t₁）A-V_t2；

......

A-D_tn=（t_n-t_n-1）A-V_tn。

对应的，第一子皮带A瞬时煤量分别为A-Q_t0，A-Q_t1，.......，A-Q_tn。n为自然数。

设定第二子皮带C的长度为C_L，宽度为C_W，煤量转换公式的系数为C_F。设定各个t₀，t₁....t_n时刻，第二子皮带C的速度分别为 C-V_t0，C-V_t1，......，C-V_tn，所述第二子皮带C的移动位置分别为C-D_t0，C-D_t1， .......，C-D_tn，则：

C-D_t1=（t₁-t₀）C-V_t1；

C-D_t2=（t₂-t₁）C-V_t2；

......

C-D_tn=（t_n-t_n-1）C-V_tn。

对应的，第二子皮带C的瞬时煤量分别为C-Q_t0，C-Q_t1，......，C-Q_tn。

设定主皮带FD的速度分别为FD-V_t0，FD-V_t1，.......，FD-V_tn，主皮带FD的宽度FD_W。

假设某t_n时刻 A-D_tn>BP₁长度，此时第一子皮带A的瞬时煤量A-Q_tn已经落到主皮带FD上，A-Q_tn需要经过煤量转换公式为瞬时煤量分布FD-A-Q_tn；

煤量转换公式：FD-A-Q_tn=（A-Q_tn）*（FD-V_tn）/（A-V_tn）*FD_W/A_W*A_F，即第一子皮带A瞬时煤量在主皮带FD的瞬时煤量分布为：（第一子皮带A的瞬时煤量）*（主皮带FD与第一子皮带A的速度比值）*（主皮带FD与第一子皮带A的宽度比值）*煤量转换系数。

同理以此类推，假设某t_n时刻 A-D_tn>EP₂长度，此时第二子皮带C的瞬时煤量C-Q_tn已经落到主皮带FD上，C-Q_tn需要经过煤量转换公式为FD-C-Q_tn：

FD-C-Q_tn=（C-Q_tn）*（FD-V_tn）/（C-V_tn）*FD_W/C_W*C_F。即第二子皮带C瞬时煤量在主皮带FD的瞬时煤量分布为：（第二子皮带C的瞬时煤量）*（主皮带FD与第二子皮带C的速度比值）*（主皮带FD与第二子皮带C的宽度比值）*煤量转换系数。

其中，FD-A-D_t0，FD-A-D_t1，...... ，FD-A-D_tn为第一子皮带A在各个时刻瞬时煤量分布落在主皮带FD的瞬时煤量移动位置（主皮带分段后的位置），可以得到：

FD-A-D_t1=（t₁-t₀）FD-V_t1；

FD-A-D_t2=（t₂-t₁）FD-F_t2；

......

FD-A-D_tn=（tn-t_n-1）FD-V_tn。

同第一子皮带A，FD-C-D_t0，FD-C-D_t1，...... ，FD-C-D_tn为第二子皮带C在各个时刻瞬时煤量分布落在主皮带FD的瞬时煤量移动位置（主皮带分段后的位置），可以得到：

FD-C-D_t1=（t₁-t₀）FD-V_t1；

FD-C-D_t2=（t₂-t₁）FD-V_t2；

......

FD-C-D_tn=（t_n-t_n-1）FD-V_tn。

如图3所示，设定主皮带FD长度100米分段（part），分段长度例如可以设定为2m，煤量从子皮带的摄像头安装位置处，随着子皮带分段移动到主皮带FD处，能够计算FD-A-Qt₁到FD-A-Qt_n，FD-C-Qt₁到FD-C-Qt_n分别所在位置（位置索引，煤量）。

例如：Qt_{n :}n时刻煤量，Qt_{n-m :}n时刻前m时刻的煤量

（0，FD-A-Qt_n），（2，FD-A-Qt_n-1），...（100，FD-A-Qt_n-m）

（0，FD-C-Qt_n），（2，FD-C-Qt_n-1）,...（100，FD-C-Qt_n-m）

其中，0表示所在皮带位置，FD-A-Qt_n和FD-C-Qt_n表示煤量分布，m表示自然数。如果位置索引出现空挡则采用位移分段拟合，等差法填充煤量分布。

所以主皮带FD的拟合煤量分布：（0，FD-A-Qt₁）+（0，FD-C-Qt₁），......，

（100，FD-A-Qt_n）+（100，FD-C-Qt_n）。

如图5所示，一种基于视频识别的煤量分布方法，包括以下步骤：

S1：在各个子皮带上安装能够进行煤量识别的摄像头，用于输出对应子皮带的瞬时煤量；

S2：通过服务器采集各个子皮带上摄像头的瞬时煤量的数据；

S3：通过服务器采集各个子皮带和主皮带的瞬时速度信息；

S4：采用煤量转换公式拟合计算各个子皮带的煤量分布；

S5：随着瞬时速度，瞬时煤量不断累计，计算FD-A-Dt_n， FD-C-Dt_n信息进行位移改变。

其中，如果主皮带速度为0，FD-A-Dt_n，FD-C-Dt_n不改变。

S6：煤量分布曲线计算：拟合公式+平滑预测修正，所述平滑预测修正采用了指数平滑法模型。

指数平滑法对观测值的加权平均值，随着观测值变老，权重呈指数会衰减。换句话说，观察时间越近相关权重就越高。它可以快速生成可靠的预测，并且适用于广泛的时间序列。简单指数平滑：此方法适用于预测没有明确趋势或季节性模式的单变量时间序列数据。简单指数平滑法将下一个时间步建模为先前时间步的观测值的指数加权线性函数。它需要一个称为 alpha (a) 的参数，也称为平滑因子或平滑系数，它控制先前时间步长的观测值的影响呈指数衰减的速率，即控制权重减小的速率。a 通常设置为0和1之间的值。较大的值意味着模型主要关注最近的过去观察，而较小的值意味着在进行预测时会考虑更多的历史。

使用加法模型，如图4所示，假定时间序列 {xt} 的趋势成分ut 与季节成分st 是相加的关系，即理想情况下xt = ut + st，其中ut 随时间线性递增（或递减），st为周期T的季节成分。实际情况下，由于序列 {xt} 的非平稳性，其趋势成分ut 的线性递增速度和季节成分st 都只是短期相对固定，而长期来看是可以缓慢变化的。此外，xt 中还可能含有无规律的噪声成分。因此，需要采用指数平滑法（EMA），根据实际观测值xt 不断校准模型中的ut 和 st 成分。有

ut = α * (xt – st-T) + (1 – α) * (ut-1 + vt-1)

vt = β * (ut – ut-1) + (1 – β) * vt-1

st = γ * (xt – ut) + (1 – γ) * st-T

以上三式中有三个平滑参数 α、β、γ，都在0到1间，是模型预报值与实测反推值之间的平衡权重。这里vt 表示趋势成分ut 的线性递增速度。参数α、β、γ越大，表示时间序列{xt} 的非平稳性越强，模型的可预报时间越短，故需要更快地调整模型中的各成分。反之，如果能用较小的参数α、β、γ与历史数据吻合上，则模型与数据符合较好，可预报时间较长。当历史数据用完后，模型由训练环节进入预报环节时，令α=β=γ=0，因为已经没有数据来修正模型，再用理想情况的公式 xt = ut + st 计算出 xt 的预报值。为确定合理参数α、β、γ和可预报时间，可以采用交叉验证法。将历史数据分为两段，前一段用来训练模型，用完后让模型进入预报环节，再将所得的预报值与后一段历史数据进行比较。

通过煤量历史数据和预测值进行最小二乘法拟合，能够实现平滑预测修正。下面是预测值的具体计算过程示意：

已知有n个数据点：(x_1,y₁),(x_2,y₂)...(x_n,y_n)

需要对这n个数据点进行曲线拟合，通过观察发现，它近似于抛物线

假定曲线方程的形式为：y=a₂x²+a₁x+a_0,其中a₀,a₁,a₂是未知的，如果把

(x_1,y₁)带入方程，得到y₁=a₂x₁ ²+a₁x₁+a₀，然后变形：

同理(x_i),(y_i),i=1,2...n,可以得到

所以可以组合成举证的形式：

假设：

为A，

为T，

为x

Ax=T

=>A^TAx=A^TT

=>(A^TA)^-1A^TAx=(A^TA)^-1A^TT

=>x=(A^TA)^-1A^TT

所述基于视频识别的煤量分布方法，利用视频识别各个检测点位煤量，通过煤量融合算法，拟合各个皮带各个位置的煤量情况。

Claims (8)

1.一种基于视频识别的煤量分布方法，包括以下步骤：

S1：在各个子皮带上安装能够进行煤量识别的摄像头，用于输出对应子皮带的瞬时煤量；

S2：通过服务器采集各个子皮带上摄像头的瞬时煤量的数据；

S3：通过服务器采集各个子皮带和主皮带的瞬时速度信息；

S4：采用煤量转换公式拟合计算各个子皮带的煤量分布；

S5：随着瞬时速度，瞬时煤量不断累计，计算关联子皮带的煤量分布信息进行位移改变；

S6：煤量分布曲线计算，通过步骤S4的拟合与平滑预测修正进行，所述平滑预测修正采用了指数平滑法模型。

2.根据权利要求1所述的基于视频识别的煤量分布方法，其特征在于：各个子皮带在设定位置安装摄像头。

3.根据权利要求1所述的基于视频识别的煤量分布方法，其特征在于：所述设定位置是距离主皮带搭接点100米处的位置。

4.根据权利要求1所述的基于视频识别的煤量分布方法，其特征在于：所述子皮带的瞬时煤量在主皮带的瞬时煤量分布为：（子皮带的瞬时煤量）*（主皮带与子皮带的速度比值）*（主皮带与子皮带的宽度比值）*煤量转换系数。

5.根据权利要求1所述的基于视频识别的煤量分布方法，其特征在于：设定各个t₀，t₁....t_n时刻，所述子皮带A的速度分别为A-V_t0，A-V_t1....A-V_tn，所述子皮带A的移动位置分别为A-D_t0，A-D_t1，.......，A-D_tn，则：

A-D_t1=（t₁-t₀）A-V_t1；

A-D_t2=（t₂-t₁）A-V_t2；

......

A-D_tn=（t_n-t_n-1）A-V_tn。

6.根据权利要求5所述的基于视频识别的煤量分布方法，其特征在于：设定各个t₀，t₁....t_n时刻，所述子皮带C的速度分别为C-V_t0，C-V_t1....C-V_tn，所述子皮带A的移动位置分别为C-D_t0，C-D_t1，.......，C-D_tn，则：

C-D_t1=（t₁-t₀）C-V_t1；

C-D_t2=（t₂-t₁）C-V_t2；

......

C-D_tn=（t_n-t_n-1）C-V_tn。

7.根据权利要求6所述的基于视频识别的煤量分布方法，其特征在于：

子皮带A和子皮带C在距离主皮带100米处位置安装摄像头，设定每隔T米进行煤量分布计算，则所述主皮带FD的拟合煤量分布：（0，FD-A-Qt₁）+（0，FD-C-Qt₁），（T，FD-A-Qt₂）+（T，FD-C-Qt₂），......，（100，FD-A-Qt_n）+（100，FD-C-Qt_n）；

其中，FD-A-Qtn和FD-C-Qtn分别表示子皮带A和子皮带C在主皮带FD的煤量分布，t_i表示时段，i表示自然数，T表示设定距离，范围为0.5~2.5。

8.根据权利要求1所述的基于视频识别的煤量分布方法，其特征在于：步骤S4中，指数平滑法对观测值的加权平均值，随着观测值变老，权重呈指数会衰减。

Images