CN117541847A - 一种掘进环境的侦测方法及系统 - Google Patents
一种掘进环境的侦测方法及系统 Download PDFInfo
- Publication number
- CN117541847A CN117541847A CN202311329713.8A CN202311329713A CN117541847A CN 117541847 A CN117541847 A CN 117541847A CN 202311329713 A CN202311329713 A CN 202311329713A CN 117541847 A CN117541847 A CN 117541847A
- Authority
- CN
- China
- Prior art keywords
- interface
- information
- characteristic
- determining
- 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.)
- Pending
Links
- 230000005641 tunneling Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title description 4
- 238000009826 distribution Methods 0.000 claims abstract description 64
- 238000005520 cutting process Methods 0.000 claims abstract description 53
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 28
- 239000011435 rock Substances 0.000 claims description 21
- 230000004044 response Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 239000003245 coal Substances 0.000 description 24
- 239000000428 dust Substances 0.000 description 23
- 230000009471 action Effects 0.000 description 10
- 238000001228 spectrum Methods 0.000 description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 239000003595 mist Substances 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001902 propagating effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000011499 joint compound Substances 0.000 description 2
- 238000009533 lab test Methods 0.000 description 2
- 230000035515 penetration Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及工业智能化领域，涉及一种掘进环境的侦测方法及系统。包括：获取掘进面上红外光信号，确定界面的第一特征，获取掘进面上的结构光信号，确定界面的第二特征，构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化，基于优化后的正反向传播神经网络确定掘进环境的分布。本发明可以确定工作面是否存在过切割和欠切割的情形。
Description
技术领域
本发明涉及工业智能化领域，尤其涉及一种掘进环境的侦测方法及系统。
背景技术
为了确保回采巷道高效掘进，上下顺槽平行精准成巷，必须对巷道顶底板和两帮煤岩精准识别，指导掘进机根据煤层顶底板起伏精准调节截割高度、精确定位导航和自适应掘进。
但由于巷道掘进现场条件复杂煤岩体掘进机信息数据库的建立和煤岩智能化精准识别十分困难，掘进巷道振动强、粉尘多、雾气重、光线弱、辨识度差，提供有效的数据较为困难。
故需要提供一种有效的方法确定工作面是否存在过切割和欠切割的情形。
发明内容
本发明的目的在于克服上述一种或多种现有的技术问题，提供一种掘进环境的侦测方法。
为实现上述目的，本发明提供一种掘进环境的侦测方法，包括：
获取掘进面上红外光信号，确定界面的第一特征；
获取掘进面上的结构光信号，确定界面的第二特征；
构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
基于优化后的正反向传播神经网络确定掘进环境的分布。
根据本发明的一个方面，提供有源红外光，并使用含有滤光片的红外相机采集图像，获得截割界面的红外图像；截割界面包括截割滚筒直接作用的界面和与截割界面的邻接界面。
根据本发明的一个方面，对获取的红外图像进行切分，对切分后的子图像提取亮度分布特征，对于子图像进行线性归一化获得界面中煤岩分布概率信息作为界面的第一特征。
根据本发明的一个方面，结构光信号的光源设置于滚筒的摇臂上。
根据本发明的一个方面，结构光源为可见光，在结构光源照射到截割工作面时，基于对图像中结构光点的畸变确定界面的深度信息和遮挡信息。
根据本发明的一个方面，红外光信号的采集信号和结构光信号的采集单元具有一致的视野。
根据本发明的一个方面，预测振动信息包括振动的频率分布和能量分布。
根据本发明的一个方面，正反向传播神经网络包括输入层、多个中间层和输出层；
中间层的数目为3；
输入层接收第一特征和第二特征输入；
第一中间层和输入层部分连接，用于确定使用不同波长采集的图像特征；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层和第二中间层连接，用于确定通过图像识别工作面的深度信息；
以及输出层，和第三中间层全连接，用于确定工作面响应于截割的能量分布。
为实现上述目的，本发明提供一种掘进环境的侦测系统，包括：
红外特征确定单元：获取掘进面上红外光信号，确定界面的第一特征；
可见光特征获取单元：获取掘进面上的结构光信号，确定界面的第二特征；
网络优化单元：构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
结构获取单元：基于优化后的正反向传播神经网络确定掘进环境的分布。
基于此，本发明的有益效果在于：可以确定工作面是否存在过切割和欠切割的情形。
附图说明
图1是本发明一种掘进环境的侦测方法的流程图；
图2是本发明一个实施例的过截割示意图；
图3是本发明一个实施例的欠截割示意图；
图4是本发明一种掘进环境的侦测系统的流程图。
具体实施方式
现在将参照示例性实施例来论述本发明的内容，应当理解，论述的实施例仅是为了使得本领域普通技术人员能够更好地理解且因此实现本发明的内容，而不是暗示对本发明的范围的任何限制。
如本文中所使用的，术语“包括”及其变体要被解读为意味着“包括但不限于”的开放式术语。术语“基于”要被解读为“至少部分地基于”，术语“一个实施例”和“一种实施例”要被解读为“至少一个实施例”。
根据本发明的一个实施例，图1为本发明中的一种掘进环境的侦测方法的流程图，如图1所示，一种掘进环境的侦测方法包括：
为实现上述目的，本发明提供的一种掘进环境的侦测方法，包括：
获取掘进面上红外光信号，确定界面的第一特征；
获取掘进面上的结构光信号，确定界面的第二特征；
构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
基于优化后的正反向传播神经网络确定掘进环境的分布。
根据本发明的一个实施方式，提供有源红外光，并使用含有滤光片的红外相机采集图像，获得截割界面的红外图像；截割界面包括截割滚筒直接作用的界面和与截割界面的邻接界面。
根据本发明的一个实施方式，对获取的红外图像进行切分，对切分后的子图像提取亮度分布特征，对于子图像进行线性归一化获得界面中煤岩分布概率信息作为界面的第一特征。
根据本发明的一个实施方式，结构光信号的光源设置于滚筒的摇臂上。
根据本发明的一个实施方式，结构光源为可见光，在结构光源照射到截割工作面时，基于对图像中结构光点的畸变确定界面的深度信息和遮挡信息。
根据本发明的一个实施方式，红外光信号的采集信号和结构光信号的采集单元具有一致的视野。
根据本发明的一个实施方式，预测振动信息包括振动的频率分布和能量分布。
根据本发明的一个实施方式，正反向传播神经网络包括输入层、多个中间层和输出层；
中间层的数目为3；
输入层接收第一特征和第二特征输入；
第一中间层和输入层部分连接，用于确定使用不同波长采集的图像特征；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层和第二中间层连接，用于确定通过图像识别工作面的深度信息；
以及输出层，和第三中间层全连接，用于确定工作面响应于截割的能量分布。
根据本发明的一个实施例，图2是本发明一个实施例的过截割示意图，图3是本发明一个实施例的欠截割示意图，如图2和图3所示，红外光在没有扬尘和较大湿度的情况下具有较好的穿透能力，但是在较大湿度和存在扬尘的情况下，获得的红外图像需要和其他辅助特征进行比对以确定实际的界面信息。进行红外图像获取时，可使用1750nm的红外光作为光源，以增加对煤炭的识别度，结构光可以提供深度信息，但是存在扬尘和水雾的情况下，结构光信号会可能投射在水雾以及扬尘上，从而使得获得深度和实际界面存在偏差，另外，红外光在界面存在反射，其具有较好的穿透力，其和可见光的差异可以提供额外的传播路径的信息，对于此信息的获取，通过构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；此过程中，截割滚筒和界面过接触和无充分接触都会影响滚筒处的能量分布，其中过截割会接触岩层，从而使得能量分布和频率发生变化，其两者的差异主要是界面是煤占比高还是岩层占比高，以及实际接触的面积，通过此方式可以实现基于多源图像对于掘进环境的感知和识别。
根据本发明的一个实施例，使用有源红外光，而不是使用无源进行图像采集的原因为通过此方式可以更好的提供图像识别，因煤岩以及水、泥对于红外的吸收存在差异，从而使得在提供光源时，能够获得较为可靠的图像信息。
根据本发明的一个实施例，对输入的图像进行处理，降低了数据处理量，其中，由于受到工作环境的影响，仅从图像判断，其包含了噪音和有用信息，但是其噪音包含的吸收比结合结构光可以进一步提供有用的信息，例如，结构光在可见度差时，其深度值会降低，而此时可以获取红外信息作为替代，基于此在一定程度上可以确定存在其实际空间信息，即在切割煤界面时引起的大量扬尘时，红外图像中的煤比例会较高，但是其深度信息会不连续；而在存在由岩石切割引起的扬尘时，红外图像中获取的煤比例会降低，而深度信息会在扬尘影响范围内呈现不均匀的特征。
根据本发明的一个实施例，结构光应当和截割的平面基本一致，且至少包括截割作用面上部和下部两个不同的采集面。由于截割头作用面的信息无法获取，但是通过获取相邻的图像信息可以提供截割过程中涉及的界面信息。
根据本发明的一个实施例，结构光源应当选择穿透性差和反射性相较于红外线较弱的光源，使得在提供深度信息的同时，进一步提供涉及扬尘的产生的信息，如在存在扬尘时，低浓度的扬尘不影响景深的测定，但是高浓度的扬尘会影响景深的测定。
根据本发明的一个实施例，通过设置其具有一致的视野，并设置具有一致的图像采集参数，可以使得图像被对其，从而使得空间上的深度信息对齐成为可能。
根据本发明的一个实施例，能量分布和截割滚筒作用的面积以及界面有关，根据滚筒实际作用的面积和是否为岩石或煤炭，可以通过拟合的方式确定其对应的频谱分布，其表述为
D＝F(s,h,e,i)；
其中，D为能谱分布，s表示接触面积，h表示滚筒切入深度，e表示输入的能量，在本发明中e固定，故可以省略，i为界面，其可以为煤炭或者岩石。此处的频谱分布基于实验室测试的数据进行拟合，在进行测试时，应当使用顶板对应的岩质和掘进面煤炭进行测试。
根据本发明的一个实施例，第一中间层包括EIR和EVI，其分别和输入层部分的第一特征输入和第二特征输入连接，从而可以获得使用不同波长采集的图像特征对应的界面分布；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层用于确定通过图像识别工作面滚筒接触处接触面的深度信息，此深度信息是相对于可以截割机可以作用的平面，即基于上述的数据提供的隐藏信息，在考虑截割的半径后，过输出层可以获得能量分布。具体为根据第二中间层的图像和差异信息可以确定滚筒作用界面处的界面相对于图像采集装置的深度分布信息，基于此深度分布信息可以进一步的延申获得被滚筒遮挡的工作面的信息，具体为
上式中，滚筒的半径为R时，从获取图像的位置到滚筒实际作用的界面的其可以表述为Px，y，x和y为按照滚筒水平方向和竖直方向划分的网格的索引，由于滚筒是一个圆形，因此可以根据三角函数计算获得滚筒边缘距离相机观测点距离mx，y的具体值，在预测的值大于等于mx，y时，滚筒不和界面发生作用，否则发生作用，则深度h可以通过上面的工时进行确认，之后以网格整体对应面积S和深度基于前述方法拟合对应的频谱分布。
本发明可以使用欧氏距离计算神经网络输出值和实际值的关系，并以此计算确认是否和实际测试获得能量频谱分布是否一致。
在确定输出值和实际值的关系后，最后一层神经网络的权重信息即可以用于界面的分析。
不仅如此，为实现上述发明目的，本发明还提供了一种掘进环境的侦测系统，图4为本发明中的一种掘进环境的侦测系统的流程图，如图4所示，本发明中的一种掘进环境的侦测系统包括：
红外特征确定单元：获取掘进面上红外光信号，确定界面的第一特征；
可见光特征获取单元：获取掘进面上的结构光信号，确定界面的第二特征；
网络优化单元：构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
结构获取单元：基于优化后的正反向传播神经网络确定掘进环境的分布。
根据本发明的一个实施方式，提供有源红外光，并使用含有滤光片的红外相机采集图像，获得截割界面的红外图像；截割界面包括截割滚筒直接作用的界面和与截割界面的邻接界面。
根据本发明的一个实施方式，对获取的红外图像进行切分，对切分后的子图像提取亮度分布特征，对于子图像进行线性归一化获得界面中煤岩分布概率信息作为界面的第一特征。
根据本发明的一个实施方式，结构光信号的光源设置于滚筒的摇臂上。
根据本发明的一个实施方式，结构光源为可见光，在结构光源照射到截割工作面时，基于对图像中结构光点的畸变确定界面的深度信息和遮挡信息。
根据本发明的一个实施方式，红外光信号的采集信号和结构光信号的采集单元具有一致的视野。
根据本发明的一个实施方式，预测振动信息包括振动的频率分布和能量分布。
根据本发明的一个实施方式，正反向传播神经网络包括输入层、多个中间层和输出层；
中间层的数目为3；
输入层接收第一特征和第二特征输入；
第一中间层和输入层部分连接，用于确定使用不同波长采集的图像特征；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层和第二中间层连接，用于确定通过图像识别工作面的深度信息；
以及输出层，和第三中间层全连接，用于确定工作面响应于截割的能量分布。
响应于第一分类规则和第二分类规则确定为异常数据，将生产数据确定为低关联度数据；
响应于第一分类规则或第二分类规则确定为低关联度数据，根据生产数据各序列和标准工艺对应特征属性的标准差差异，确定生产数据潜在的偏差数据源。
根据本发明的一个实施例，图2是本发明一个实施例的过截割示意图，图3是本发明一个实施例的欠截割示意图，如图2和图3所示，红外光在没有扬尘和较大湿度的情况下具有较好的穿透能力，但是在较大湿度和存在扬尘的情况下，获得的红外图像需要和其他辅助特征进行比对以确定实际的界面信息。进行红外图像获取时，可使用1750nm的红外光作为光源，以增加对煤炭的识别度，结构光可以提供深度信息，但是存在扬尘和水雾的情况下，结构光信号会可能投射在水雾以及扬尘上，从而使得获得深度和实际界面存在偏差，另外，红外光在界面存在反射，其具有较好的穿透力，其和可见光的差异可以提供额外的传播路径的信息，对于此信息的获取，通过构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；此过程中，截割滚筒和界面过接触和无充分接触都会影响滚筒处的能量分布，其中过截割会接触岩层，从而使得能量分布和频率发生变化，其两者的差异主要是界面是煤占比高还是岩层占比高，以及实际接触的面积，通过此方式可以实现基于多源图像对于掘进环境的感知和识别。
根据本发明的一个实施例，使用有源红外光，而不是使用无源进行图像采集的原因为通过此方式可以更好的提供图像识别，因煤岩以及水、泥对于红外的吸收存在差异，从而使得在提供光源时，能够获得较为可靠的图像信息。
根据本发明的一个实施例，对输入的图像进行处理，降低了数据处理量，其中，由于受到工作环境的影响，仅从图像判断，其包含了噪音和有用信息，但是其噪音包含的吸收比结合结构光可以进一步提供有用的信息，例如，结构光在可见度差时，其深度值会降低，而此时可以获取红外信息作为替代，基于此在一定程度上可以确定存在其实际空间信息，即在切割煤界面时引起的大量扬尘时，红外图像中的煤比例会较高，但是其深度信息会不连续；而在存在由岩石切割引起的扬尘时，红外图像中获取的煤比例会降低，而深度信息会在扬尘影响范围内呈现不均匀的特征。
根据本发明的一个实施例，结构光应当和截割的平面基本一致，且至少包括截割作用面上部和下部两个不同的采集面。由于截割头作用面的信息无法获取，但是通过获取相邻的图像信息可以提供截割过程中涉及的界面信息。
根据本发明的一个实施例，结构光源应当选择穿透性差和反射性相较于红外线较弱的光源，使得在提供深度信息的同时，进一步提供涉及扬尘的产生的信息，如在存在扬尘时，低浓度的扬尘不影响景深的测定，但是高浓度的扬尘会影响景深的测定。
根据本发明的一个实施例，通过设置其具有一致的视野，并设置具有一致的图像采集参数，可以使得图像被对其，从而使得空间上的深度信息对齐成为可能。
根据本发明的一个实施例，能量分布和截割滚筒作用的面积以及界面有关，根据滚筒实际作用的面积和是否为岩石或煤炭，可以通过拟合的方式确定其对应的频谱分布，其表述为
D＝F(s,h,e,i)；
其中，D为能谱分布，s表示接触面积，h表示滚筒切入深度，e表示输入的能量，在本发明中e固定，故可以省略，i为界面，其可以为煤炭或者岩石。此处的频谱分布基于实验室测试的数据进行拟合，在进行测试时，应当使用顶板对应的岩质和掘进面煤炭进行测试。
根据本发明的一个实施例，第一中间层包括EIR和EVI，其分别和输入层部分的第一特征输入和第二特征输入连接，从而可以获得使用不同波长采集的图像特征对应的界面分布；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层用于确定通过图像识别工作面滚筒接触处接触面的深度信息，此深度信息是相对于可以截割机可以作用的平面，即基于上述的数据提供的隐藏信息，在考虑截割的半径后，过输出层可以获得能量分布。具体为根据第二中间层的图像和差异信息可以确定滚筒作用界面处的界面相对于图像采集装置的深度分布信息，基于此深度分布信息可以进一步的延申获得被滚筒遮挡的工作面的信息，具体为
上式中，滚筒的半径为R时，从获取图像的位置到滚筒实际作用的界面的其可以表述为Px，y，x和y为按照滚筒水平方向和竖直方向划分的网格的索引，由于滚筒是一个圆形，因此可以根据三角函数计算获得滚筒边缘距离相机观测点距离mx，y的具体值，在预测的值大于等于mx，y时，滚筒不和界面发生作用，否则发生作用，则深度h可以通过上面的工时进行确认，之后以网格整体对应面积S和深度基于前述方法拟合对应的频谱分布。
本发明可以使用欧氏距离计算神经网络输出值和实际值的关系，并以此计算确认是否和实际测试获得能量频谱分布是否一致。
在确定输出值和实际值的关系后，最后一层神经网络的权重信息即可以用于界面的分析。
基于此，本发明的有益效果在于：确定工作面是否存在过切割和欠切割的情形。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的模块及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和设备的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明实施例方案的目的。
另外，在本发明实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例节能信号发送/接收的方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
应理解，本发明的发明内容及实施例中各步骤的序号的大小并不绝对意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
Claims (9)
1.一种掘进环境的侦测方法，其特征在于，包括：
获取掘进面上红外光信号，确定界面的第一特征；
获取掘进面上的结构光信号，确定界面的第二特征；
构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
基于优化后的正反向传播神经网络确定掘进环境的分布。
2.如权利要求1所述的一种掘进环境的侦测方法，其特征在于，提供有源红外光，并使用含有滤光片的红外相机采集图像，获得截割界面的红外图像；截割界面包括截割滚筒直接作用的界面和与截割界面的邻接界面。
3.如权利要求2所述的一种掘进环境的侦测方法，其特征在于，对获取的红外图像进行切分，对切分后的子图像提取亮度分布特征，对于子图像进行线性归一化获得界面中煤岩分布概率信息作为界面的第一特征。
4.如权利要求3所述的一种掘进环境的侦测方法，其特征在于，结构光信号的光源设置于滚筒的摇臂上。
5.如权利要求4所述的一种掘进环境的侦测方法，其特征在于，结构光源为可见光，在结构光源照射到截割工作面时，基于对图像中结构光点的畸变确定界面的深度信息和遮挡信息。
6.如权利要求5所述的一种掘进环境的侦测方法，其特征在于，红外光信号的采集信号和结构光信号的采集单元具有一致的视野。
7.如权利要求6所述的一种掘进环境的侦测方法，其特征在于，预测振动信息包括振动的频率分布和能量分布。
8.如权利要求7所述的一种掘进环境的侦测方法，其特征在于，正反向传播神经网络包括输入层、多个中间层和输出层；
中间层的数目为3；
输入层接收第一特征和第二特征输入；
第一中间层和输入层部分连接，用于确定使用不同波长采集的图像特征；
第二中间层和第一中间层全连接，用于确定使用不同波长获取的一致图像信息和差异信息；
第三中间层和第二中间层连接，用于确定通过图像识别工作面的深度信息；
以及输出层，和第三中间层全连接，用于确定工作面响应于截割的能量分布。
9.一种掘进环境的侦测系统，其特征在于，包括：
红外特征确定单元：获取掘进面上红外光信号，确定界面的第一特征；
可见光特征获取单元：获取掘进面上的结构光信号，确定界面的第二特征；
网络优化单元：构建正反向传播神经网络，并以基于界面的第一特征和第二特征为输入，并输出截割滚筒的预测振动信息，以预测振动信息和实际振动信息的分布差异最小化为目标函数，对正反向传播神经网络进行优化；
结构获取单元：基于优化后的正反向传播神经网络确定掘进环境的分布。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329713.8A CN117541847A (zh) | 2023-10-16 | 2023-10-16 | 一种掘进环境的侦测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311329713.8A CN117541847A (zh) | 2023-10-16 | 2023-10-16 | 一种掘进环境的侦测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117541847A true CN117541847A (zh) | 2024-02-09 |
Family
ID=89788824
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311329713.8A Pending CN117541847A (zh) | 2023-10-16 | 2023-10-16 | 一种掘进环境的侦测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117541847A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118030063A (zh) * | 2024-04-15 | 2024-05-14 | 太原科技大学 | 一种基于改进YOLOv5s的煤岩界线识别装置及使用方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711146A (zh) * | 2018-04-19 | 2018-10-26 | 中国矿业大学 | 一种基于可见光和红外图像融合的煤岩识别装置及方法 |
| CN115392349A (zh) * | 2022-08-02 | 2022-11-25 | 三一重型装备有限公司 | 掘进机的截割部的故障诊断方法、装置和掘进机 |
| CN116310843A (zh) * | 2023-05-16 | 2023-06-23 | 三一重型装备有限公司 | 煤岩识别方法、装置、可读存储介质和掘进机 |
-
2023
- 2023-10-16 CN CN202311329713.8A patent/CN117541847A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711146A (zh) * | 2018-04-19 | 2018-10-26 | 中国矿业大学 | 一种基于可见光和红外图像融合的煤岩识别装置及方法 |
| CN115392349A (zh) * | 2022-08-02 | 2022-11-25 | 三一重型装备有限公司 | 掘进机的截割部的故障诊断方法、装置和掘进机 |
| CN116310843A (zh) * | 2023-05-16 | 2023-06-23 | 三一重型装备有限公司 | 煤岩识别方法、装置、可读存储介质和掘进机 |
Non-Patent Citations (1)
| Title |
|---|
| 张强;刘志恒;王海舰;田莹;黄传辉;: "基于截齿振动及温度特性的煤岩识别研究", 煤炭科学技术, no. 03, 15 March 2018 (2018-03-15) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118030063A (zh) * | 2024-04-15 | 2024-05-14 | 太原科技大学 | 一种基于改进YOLOv5s的煤岩界线识别装置及使用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110390669B (zh) | 一种桥梁图像中裂缝的检测方法 | |
| US10816484B2 (en) | Flaw inspection device and flaw inspection method | |
| CN117541847A (zh) | 一种掘进环境的侦测方法及系统 | |
| Huang et al. | A pavement crack detection method combining 2D with 3D information based on Dempster‐Shafer theory | |
| CN105113375B (zh) | 一种基于线结构光的路面裂缝检测系统及其检测方法 | |
| CN102288613B (zh) | 一种灰度和深度信息融合的表面缺陷检测方法 | |
| US20080172185A1 (en) | Automatic classifying method, device and system for flow cytometry | |
| CN1248014C (zh) | 检测地震事件以及检测并校正地震数据中的几何和静态误差的方法 | |
| CN103917892B (zh) | 用于测量空间点的方法 | |
| CN114266892A (zh) | 一种多源数据深度学习的路面病害识别方法及系统 | |
| CN102930253A (zh) | 一种基于图像离散多小波变换的煤岩识别方法 | |
| CN111489309B (zh) | 一种稀疏解混的预处理装置及方法 | |
| CN117576581B (zh) | 基于图像处理的地质勘探遥感监测方法 | |
| CN103679790B (zh) | 一种基于图像处理技术的井下煤仓煤位检测方法 | |
| CN115422981A (zh) | 面向单频机载激光测深数据的水陆分类方法、系统及应用 | |
| CN114049490B (zh) | 一种智能化职业卫生预警方法及系统 | |
| CN112990169B (zh) | 煤岩界面的识别方法、割煤轨迹的确定方法及装置 | |
| CN114419088A (zh) | 一种基于数字图像的隧道围岩信息提取方法 | |
| CN117197744A (zh) | 一种水电工程高陡边坡危岩落石数据集扩充方法 | |
| CN115508548B (zh) | 应力环境和围岩结构相结合的支护结构的确定方法及系统 | |
| CN1377462A (zh) | 玻璃中夹杂物的检测 | |
| CN116403093A (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| JP2019057221A (ja) | 情報処理装置、情報処理システム、情報処理方法、及び情報処理プログラム | |
| CN117949397B (zh) | 高光谱遥感地质测绘控制系统及方法 | |
| CN111445507A (zh) | 一种非视域成像的数据处理方法 |
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 |