论文# 基于图像识别的带式输送机输煤量和跑偏检测方法

Posted 2021-04-06 IntelMining智能矿业

来源：工矿自动化

可阅读全文

原文发表在《工矿自动化》2020年第4期，欢迎品读。

       目前，带式输送机输煤量或跑偏检测主要通过布设繁多的传感器实现，且多为接触式传感器，长期使用后传感器损耗严重，检测准确率降低，实时性变差。因此采用检测性能稳定、准确率高的非接触式检测方法逐渐成为研究热点。使用激光对输送带进行点或线的扫描，容易受环境中细小颗粒物的影响，且激光本身受外部强光影响，对物料轮廓提取造成较大干扰，同时激光仪价格昂贵，限制了其应用。使用相机拍摄图像受外界强光干扰小，且可获取一个区域的图像信息，信息量丰富，检测更准确；但需要人工设计图像特征，对图像特征提取的要求较高，人工设计图像特征的合理性和有效性在不同的应用环境下差别较大，通用性不佳，且通过人工设计图像特征的方法同时实现输煤量和跑偏检测十分困难。

       近年来深度学习迅速发展，其中卷积神经网络使用端到端的学习方法，使网络自学习图像特征，不需要人工设计图像特征，大幅度提高了图像检测性能。但传统的卷积神经网络是单任务网络，为实现输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，会导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。本文提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，原理如下图所示。

       本文在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建MT-CNN，结构如下图所示。

       基于MT-CNN的带式输送机输煤量和跑偏检测方法采用多任务学习方式，使输煤量检测和跑偏检测这2个任务共享网络底层结构和参数，降低了网络结构的复杂性，在较少的训练数据集条件下具有较好的训练效果，提高了检测准确率和实时性。

引用格式

韩涛,黄友锐,张立志,等.基于图像识别的带式输送机输煤量和跑偏检测方法[J].工矿自动化,2020,46(4):17-22.

HAN Tao,HUANG Yourui,ZHANG Lizhi,et al.Detection method of coal quantity and deviation of belt conveyor based on image recognition[J].Industry and Mine Automation,2020,46(4):17-22.

作者联系方式

韩涛（1984—），男，安徽淮南人，实验师，硕士，研究方向为深度学习和计算机视觉，E-mail:[e-mail]。

责任编辑联系方式

盛男，E-mail:[e-mail]

基于图像识别的带式输送机输煤量和跑偏检测方法 

Detection method of coal quantity and deviation of belt conveyor based on image recognition 

【作者】 韩涛1，黄友锐1，张立志2，徐善永1，许家昌1，鲍士水1
【Author】 HAN Tao1,HUANG Yourui1,ZHANG Lizhi2,XU Shanyong1,XU Jiachang1,BAO Shishui1
【作者机构】1.安徽理工大学 电气与信息工程学院， 安徽 淮南232001；2.西安外事学院 工学院， 陕西 西安710077
【Unit】1.School of Electrical and Information Engineering, Anhui University of Science and Technology, Huainan 232001, China; 2.School of Engineering, Xi'an International University, Xi'an 710077, China

【摘要】传统的卷积神经网络（CNN）是单任务网络，为实现带式输送机输煤量和跑偏的同时检测，使用2个卷积神经网络分别对输煤量和跑偏进行检测，导致网络体积大、参数多、计算量大、运行时间长，严重影响检测性能。为降低网络结构的复杂性，提出了一种基于多任务卷积神经网络（MT-CNN）的带式输送机输煤量和跑偏检测方法，可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数。在VGGNet模型的基础上，增大卷积核和池化核的尺度，减少全连接层通道数量，改变输出层结构，构建了MT-CNN；对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后，获取训练数据集和测试数据集，并对MT-CNN进行训练；使用训练好的MT-CNN对输送带图像进行识别分类，实现输煤量和跑偏的准确、快速检测。实验结果表明，训练后的MT-CNN在测试数据集中检测准确率为97.3%，平均处理每张图像的时间约为23.1 ms。通过现场实际运行验证了该方法的有效性。
【Abstract】Traditional convolutional neural network（CNN） is a single-task network. In order to realize simultaneous detection of coal quantity and deviation of belt conveyor, two CNNs are used to detect coal quantity and deviation respectively, resulting in large network volume, many parameters, large computation and long operation time, which seriously affect detection performance. In order to reduce complexity of network structure, a detection method of coal quantity and deviation of belt conveyor based on multi-task convolutional neural network (MT-CNN) was proposed, which could make two tasks of coal quantity detection and deviation detection to share the same network underlying structure and parameters. On the basis of VGGNet model, MT-CNN is constructed by increasing scale of convolution kernel and pooling kernel, reducing the number of channels in full connection layer, and changing structure of output layer. After preprocessing the acquired conveyor belt images, such as graying, median filtering and extracting region of interest, the training dataset and test dataset are acquired, and the MT-CNN is trained. The trained MT-CNN is used to identify and classify the conveyor belt images, so as to realize accurate and fast detection of coal quantity and deviation. The experimental results show that detection accuracy of the trained MT-CNN in the test dataset is 97.3%, and average processing time of each image is about 23.1 ms. The effectiveness of the method is verified by field operation.

【关键词】 带式输送机；输煤量检测；跑偏检测；图像识别；多任务卷积神经网络
【Key words】belt conveyor; coal quantity detection; deviation detection; image recognition; multi-task convolutional neural network

【基金项目】国家自然科学基金资助项目（61772033）；陕西省教育厅科研计划资助项目（18JK1131）

智慧矿山资讯→

矿业形势和创新资讯↓

相关阅读

发表于4天前 IntelMining

查看: 13500 回复:135

政策方向

     创始团队毕业于中国矿业大学、北京科技大学等矿业知名学府，拥有央企工作背景和服务中关村高新技术企业的从业经历。在新时代科技浪潮的洗礼下，我们立志于做矿业领域新科技的观察者、实践者、引领者！

     众所周知，采矿行业是最为古老而传统的行业之一。由于种种条件的限制，其本身即带有一定的保守。随着时代的发展，互联网、人工智能、云计算、大数据、区块链等新科技已逐渐同传统行业相“＋”，并呈现出崭新的产业发展面貌。然而，采矿业特别是我国以煤炭为主角的采矿业仍不免“傻大黑粗”的低端形象，并且行业人才的流动能力也颇有局限性。好在，矿业人也并非都是因循守旧的，当前行业内已经展露出对新技术、新思维、新理念的兴趣，智慧矿山、智能采矿等先进概念已勃然兴起。