在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,...在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,同步定位与建图技术(Simultaneous Localization and Mapping,SLAM)成为了煤矿井下智能机器人定位方法的较优选择。然而,受制于激光雷达的高成本,以及相机在井下的低光照环境性能不佳,需要设计一种兼顾低成本和具有井下低光照环境适应性的SLAM定位方法,故提出了一种具有井下暗光照适应性煤矿井下机器人定位方法。首先,采集了陕西省宝鸡市凤县某煤矿井下的实景图像和SLAM所需的相机与IMU数据,根据图像制作了非匹配的暗光与正常光数据集,经过数据扩增达到3560张图像。设计了结合自注意力模块的EnlightenGAN图像增强网络,在不依赖配对数据集的情况下兼顾图像不同区域的依赖关系应对图像光照不均区域。在ORB-SLAM3框架的基础上,引入全局部图像检测对输入图像进行筛分,引入基于解析解的IMU初始化改进策略提高初始化速度,并引入了改进的图像增强网络对低光照以及光照不均的图像进行增强处理。在EuRoC数据集上的试验表明,基于图像增强的煤矿井下智能机器人定位方法能够在低光照环境下降低13.7%的ERMS和15.24%的ESD。在2个实际煤矿巷道场景中,系统能够识别低光照环境、增加SLAM系统提取的特征点数量,减少定位轨迹的漂移现象,最终改善系统在巷道低光照区域的定位效果。展开更多
井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物...井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物检测模型。首先,利用迁移学习策略,提高模型泛化能力,解决数据集较小的问题;其次,在特征融合层的改进型空间金字塔池化模块(Spatial Pyramid Pooling Fast,SPPF)添加坐标注意力(Coordinate Attention,CA)机制,提升模型特征的表达能力;之后,使用损失函数WIoU(Wise Intersection over Union)代替损失函数CIoU(Complete Intersection over Union),加快模型训练速度;最后,利用在线难例挖掘(Online Hard Example Mining,OHEM)策略,帮助模型更好地学习难分类的样本。试验结果表明,井下皮带异物检测模型在自建异物检测数据集上mAP@0.5和mAP@0.5-0.95分别取得了92.5%和79.4%的检测效果,与原YOLOv8相比分别增加了2.6百分点和1.8百分点,并且本模型在实际矿山的检测中取得了90.4%的检测效果,表明模型在实际矿井环境中具有较强的适用性,可为井下皮带异物的检测提供技术支持。展开更多
文摘在智慧矿山建设的背景下,智能化设备的应用日益成为矿山智慧化改造的主要内容,用于巡检、危险区域勘测等任务的煤矿井下智能机器人运行依赖于数字地图构建和机器人自身定位,但大多数传统的定位方法在煤矿井下出现了低效甚至失效的情况,同步定位与建图技术(Simultaneous Localization and Mapping,SLAM)成为了煤矿井下智能机器人定位方法的较优选择。然而,受制于激光雷达的高成本,以及相机在井下的低光照环境性能不佳,需要设计一种兼顾低成本和具有井下低光照环境适应性的SLAM定位方法,故提出了一种具有井下暗光照适应性煤矿井下机器人定位方法。首先,采集了陕西省宝鸡市凤县某煤矿井下的实景图像和SLAM所需的相机与IMU数据,根据图像制作了非匹配的暗光与正常光数据集,经过数据扩增达到3560张图像。设计了结合自注意力模块的EnlightenGAN图像增强网络,在不依赖配对数据集的情况下兼顾图像不同区域的依赖关系应对图像光照不均区域。在ORB-SLAM3框架的基础上,引入全局部图像检测对输入图像进行筛分,引入基于解析解的IMU初始化改进策略提高初始化速度,并引入了改进的图像增强网络对低光照以及光照不均的图像进行增强处理。在EuRoC数据集上的试验表明,基于图像增强的煤矿井下智能机器人定位方法能够在低光照环境下降低13.7%的ERMS和15.24%的ESD。在2个实际煤矿巷道场景中,系统能够识别低光照环境、增加SLAM系统提取的特征点数量,减少定位轨迹的漂移现象,最终改善系统在巷道低光照区域的定位效果。
文摘井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物检测模型。首先,利用迁移学习策略,提高模型泛化能力,解决数据集较小的问题;其次,在特征融合层的改进型空间金字塔池化模块(Spatial Pyramid Pooling Fast,SPPF)添加坐标注意力(Coordinate Attention,CA)机制,提升模型特征的表达能力;之后,使用损失函数WIoU(Wise Intersection over Union)代替损失函数CIoU(Complete Intersection over Union),加快模型训练速度;最后,利用在线难例挖掘(Online Hard Example Mining,OHEM)策略,帮助模型更好地学习难分类的样本。试验结果表明,井下皮带异物检测模型在自建异物检测数据集上mAP@0.5和mAP@0.5-0.95分别取得了92.5%和79.4%的检测效果,与原YOLOv8相比分别增加了2.6百分点和1.8百分点,并且本模型在实际矿山的检测中取得了90.4%的检测效果,表明模型在实际矿井环境中具有较强的适用性,可为井下皮带异物的检测提供技术支持。
