针对目前基于深度学习的带式输送机煤量检测算法参数量大、难以部署于边缘计算设备及缺乏定量检测的问题,提出一种基于改进DeepLabv3+的带式输送机煤量检测方法。将轻量化网络MobileNetV2作为DeepLabv3+的骨干网络进行特征提取,在尽可...针对目前基于深度学习的带式输送机煤量检测算法参数量大、难以部署于边缘计算设备及缺乏定量检测的问题,提出一种基于改进DeepLabv3+的带式输送机煤量检测方法。将轻量化网络MobileNetV2作为DeepLabv3+的骨干网络进行特征提取,在尽可能保证分割精度的同时提高计算速度;针对煤流与输送带的方向性特征及输送带像素边缘呈现细长条状结构特征,采用条状空洞空间金字塔池化(SASPP)进行加强,并将SASPP模块、1×1卷积与残差结构进行融合,得到CA−SASPP,加强深层次的特征提取;结合CBAM注意力机制实现对特征图中关键信息的加权聚焦。实验结果表明,改进DeepLabv3+模型在平均分割精度仅下降0.36%的情况下,参数量减少了85.58%,推理速度提升至113帧/s,较原方法提高了12帧/s,在保持与原模型相当的分割精度的同时,实现了显著的轻量化效果。基于语义分割结果,通过计算煤量与输送带区域的面积占比,实现了煤量的定量检测,为多级带式输送机的智能调速提供了理论依据。将改进DeepLabv3+模型通过TensorRT加速并部署至Jetson Orin Nano边缘计算设备,实现了煤流图像的实时处理与分析,降低了云端服务器的计算负担,满足了工业现场对实时性和准确性的需求。展开更多
堆煤是输送机常见故障之一,为了保障煤矿工业生产的安全,需要对煤矿井下输送机的堆煤情况进行检测。然而现有的检测方法存在容易误触、检测可靠性较差等缺点,针对这些问题提出一种基于Transformer统一多尺度时序卷积(unified multi-scal...堆煤是输送机常见故障之一,为了保障煤矿工业生产的安全,需要对煤矿井下输送机的堆煤情况进行检测。然而现有的检测方法存在容易误触、检测可靠性较差等缺点,针对这些问题提出一种基于Transformer统一多尺度时序卷积(unified multi-scale temporal ConvTransformer,UnMS-TCT)网络用于输送机堆煤检测。首先融合RGB帧和光流帧提取的特征,使网络更全面地建模时空关系;然后在时序编码器中,将动态位置嵌入(dynamic position embedding,DPE),多头关系聚合器(multi-head relation aggregator,MHRA)以及多层感知机(multilayer perceptron,MLP)组成的全局模块,交叉注意力(cross-attention,CA)组成的局部模块,以交替方式形成全局-局部关系模块,增强多尺度下获取全局和局部时间关系的能力;其次利用残差全局-局部融合(residual global and local fusion,ResGLFus)模块融合多尺度特征,有效地提高融合过程的稳定性,最终实现高精度堆煤预测。实验结果表明:该方法能够实现对输送机堆煤的检测,mAP达到98.17%。展开更多
文摘针对目前基于深度学习的带式输送机煤量检测算法参数量大、难以部署于边缘计算设备及缺乏定量检测的问题,提出一种基于改进DeepLabv3+的带式输送机煤量检测方法。将轻量化网络MobileNetV2作为DeepLabv3+的骨干网络进行特征提取,在尽可能保证分割精度的同时提高计算速度;针对煤流与输送带的方向性特征及输送带像素边缘呈现细长条状结构特征,采用条状空洞空间金字塔池化(SASPP)进行加强,并将SASPP模块、1×1卷积与残差结构进行融合,得到CA−SASPP,加强深层次的特征提取;结合CBAM注意力机制实现对特征图中关键信息的加权聚焦。实验结果表明,改进DeepLabv3+模型在平均分割精度仅下降0.36%的情况下,参数量减少了85.58%,推理速度提升至113帧/s,较原方法提高了12帧/s,在保持与原模型相当的分割精度的同时,实现了显著的轻量化效果。基于语义分割结果,通过计算煤量与输送带区域的面积占比,实现了煤量的定量检测,为多级带式输送机的智能调速提供了理论依据。将改进DeepLabv3+模型通过TensorRT加速并部署至Jetson Orin Nano边缘计算设备,实现了煤流图像的实时处理与分析,降低了云端服务器的计算负担,满足了工业现场对实时性和准确性的需求。
文摘堆煤是输送机常见故障之一,为了保障煤矿工业生产的安全,需要对煤矿井下输送机的堆煤情况进行检测。然而现有的检测方法存在容易误触、检测可靠性较差等缺点,针对这些问题提出一种基于Transformer统一多尺度时序卷积(unified multi-scale temporal ConvTransformer,UnMS-TCT)网络用于输送机堆煤检测。首先融合RGB帧和光流帧提取的特征,使网络更全面地建模时空关系;然后在时序编码器中,将动态位置嵌入(dynamic position embedding,DPE),多头关系聚合器(multi-head relation aggregator,MHRA)以及多层感知机(multilayer perceptron,MLP)组成的全局模块,交叉注意力(cross-attention,CA)组成的局部模块,以交替方式形成全局-局部关系模块,增强多尺度下获取全局和局部时间关系的能力;其次利用残差全局-局部融合(residual global and local fusion,ResGLFus)模块融合多尺度特征,有效地提高融合过程的稳定性,最终实现高精度堆煤预测。实验结果表明:该方法能够实现对输送机堆煤的检测,mAP达到98.17%。
