基于机器视觉的智能输煤检测系统
发布时间：2022-07-03 21:28
煤矿产业是我国的支柱能源产业,但现阶段的煤矿行业中由于技术投入不足,往往造成能源的二次浪费、开采效率低、事故发生率高等问题,特别是在煤料的运输过程中,运输带空转造成的电能浪费以及运输带跑偏、撕裂造成的安全事故依然是煤矿企业面临的棘手问题。本文依托于煤矿企业中的电子监控系统,设计了一套完整的基于机器视觉的智能输煤检测系统。本文将运输带区域检测、煤量检测、撕裂检测三个部分作为主要研究内容,针对每部分,本文都会从传统机器视觉方法以及基于深度学习的方法进行探讨和研究。研究内容如下:对于运输带区域检测任务,本文从运输带显著的直线边缘出发,利用Hough变换对画面中的直线进行检测,然后设计一系列的规则,筛选出皮带边缘。这种方法简单快速,但鲁棒性差,因而本文基于RefineNet语义分割网络,对其进行改进,实现对运输带的区域检测,这种方法速度相对较慢,但识别率高。其次是针对煤量检测,考虑到实际需求中,对煤宽的实时性的要求高于煤高,本文将煤量检测分为煤宽检测和煤高检测。煤宽检测,本文通过对图像进行分割成单个区域,对每个区域单独识别来达到煤料的识别,这种方法运算量低,且满足实际需求。针对煤高检测,本文分...
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究目的和意义
1.2 国内外研究现状
1.2.1 煤矿企业监控技术研究现状
1.2.2 煤量检测研究现状
1.3 本文的主要研究内容
1.4 本文的章节安排
第2章 运输带区域检测研究
2.1 传统的运输带区域检测方法
2.1.1 基于Hough的运输带边缘检测算法
2.1.2 候选直线段粗提取
2.1.3 基于皮带边缘位置特征的直线段筛选
2.1.4 运输带边缘的防误检测措施
2.1.5 基于直线特征的跑偏检测
2.1.6 实验结果和分析
2.2 基于语义分割网络的运输带区域检测
2.2.1 RefineNet网络
2.2.2 基于RefineNet的运输带区域识别
2.2.3 基于面积对比的跑偏检测
2.2.4 实验结果与分析
2.3 本章小结
第3章 运输带煤量检测研究
3.1 基于传统方法的运输带煤宽检测
3.1.1 基于帧间差值的煤流运动检测方法
3.1.2 基于小波变换的目标特征提取
3.1.3 基于区域统计的宽度计算
3.1.4 煤宽实验结果与分析
3.2 利用马尔科夫随机场进行煤高识别
3.2.1 机器视觉中的MRF建模
3.2.2 基于随机场的深度估计算法
3.3 基于CNN煤量高度估计
3.3.1 基本网络结构
3.3.2 网络结构改进
3.3.3 煤高实验结果与分析
3.4 本章小结
第4章 运输带纵撕检测研究
4.1 基于统计信息的运输带撕裂的自动检测方法
4.2 实验结果与分析
4.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]深度学习及其在煤矿安全领域的应用[J]. 杨小彬,周世禄,李娜,王逍遥. 煤矿安全. 2019(01)
[2]基于改进随机Hough变换的直线检测算法[J]. 徐超,平雪良. 激光与光电子学进展. 2019(05)
[3]基于监督学习的单幅图像深度估计综述[J]. 毕天腾,刘越,翁冬冬,王涌天. 计算机辅助设计与图形学学报. 2018(08)
[4]基于深度学习的全卷积网络图像裂纹检测[J]. 王森,伍星,张印辉,陈庆. 计算机辅助设计与图形学学报. 2018(05)
[5]基于双目视觉深度感知的带式输送机煤量检测方法[J]. 代伟,赵杰,杨春雨,马小平. 煤炭学报. 2017(S2)
[6]基于多层马尔科夫随机场融合的图像分割[J]. 金永男,曹国,尚岩峰. 计算机应用与软件. 2016(04)
[7]我国煤矿安全现状及应当采取的对策分析[J]. 张学武. 智富时代. 2015(07)
[8]基于马尔科夫随机场的图像分割算法[J]. 李铁. 电脑知识与技术. 2014(33)
[9]带式输送机机载煤量自动匹配控制及节能分析[J]. 王海军. 煤炭科学技术. 2013(S2)
[10]浅谈机器视觉技术在煤矿中的应用前景[J]. 田原. 工矿自动化. 2010(05)
博士论文
[1]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
硕士论文
[1]基于DCNN的井下行人检测系统的研究与设计[D]. 郑嘉祺.西安科技大学 2017
[2]旋转不变纹理分类算法研究[D]. 胡莹莹.天津大学 2012
本文编号：3655676
【文章页数】：59 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第1章 绪论
1.1 课题背景及研究目的和意义
1.2 国内外研究现状
1.2.1 煤矿企业监控技术研究现状
1.2.2 煤量检测研究现状
1.3 本文的主要研究内容
1.4 本文的章节安排
第2章 运输带区域检测研究
2.1 传统的运输带区域检测方法
2.1.1 基于Hough的运输带边缘检测算法
2.1.2 候选直线段粗提取
2.1.3 基于皮带边缘位置特征的直线段筛选
2.1.4 运输带边缘的防误检测措施
2.1.5 基于直线特征的跑偏检测
2.1.6 实验结果和分析
2.2 基于语义分割网络的运输带区域检测
2.2.1 RefineNet网络
2.2.2 基于RefineNet的运输带区域识别
2.2.3 基于面积对比的跑偏检测
2.2.4 实验结果与分析
2.3 本章小结
第3章 运输带煤量检测研究
3.1 基于传统方法的运输带煤宽检测
3.1.1 基于帧间差值的煤流运动检测方法
3.1.2 基于小波变换的目标特征提取
3.1.3 基于区域统计的宽度计算
3.1.4 煤宽实验结果与分析
3.2 利用马尔科夫随机场进行煤高识别
3.2.1 机器视觉中的MRF建模
3.2.2 基于随机场的深度估计算法
3.3 基于CNN煤量高度估计
3.3.1 基本网络结构
3.3.2 网络结构改进
3.3.3 煤高实验结果与分析
3.4 本章小结
第4章 运输带纵撕检测研究
4.1 基于统计信息的运输带撕裂的自动检测方法
4.2 实验结果与分析
4.3 本章小结
结论
参考文献
致谢
【参考文献】：
期刊论文
[1]深度学习及其在煤矿安全领域的应用[J]. 杨小彬,周世禄,李娜,王逍遥. 煤矿安全. 2019(01)
[2]基于改进随机Hough变换的直线检测算法[J]. 徐超,平雪良. 激光与光电子学进展. 2019(05)
[3]基于监督学习的单幅图像深度估计综述[J]. 毕天腾,刘越,翁冬冬,王涌天. 计算机辅助设计与图形学学报. 2018(08)
[4]基于深度学习的全卷积网络图像裂纹检测[J]. 王森,伍星,张印辉,陈庆. 计算机辅助设计与图形学学报. 2018(05)
[5]基于双目视觉深度感知的带式输送机煤量检测方法[J]. 代伟,赵杰,杨春雨,马小平. 煤炭学报. 2017(S2)
[6]基于多层马尔科夫随机场融合的图像分割[J]. 金永男,曹国,尚岩峰. 计算机应用与软件. 2016(04)
[7]我国煤矿安全现状及应当采取的对策分析[J]. 张学武. 智富时代. 2015(07)
[8]基于马尔科夫随机场的图像分割算法[J]. 李铁. 电脑知识与技术. 2014(33)
[9]带式输送机机载煤量自动匹配控制及节能分析[J]. 王海军. 煤炭科学技术. 2013(S2)
[10]浅谈机器视觉技术在煤矿中的应用前景[J]. 田原. 工矿自动化. 2010(05)
博士论文
[1]基于视频的煤矿井下人员目标检测与跟踪研究[D]. 蔡利梅.中国矿业大学 2010
硕士论文
[1]基于DCNN的井下行人检测系统的研究与设计[D]. 郑嘉祺.西安科技大学 2017
[2]旋转不变纹理分类算法研究[D]. 胡莹莹.天津大学 2012
本文编号：3655676
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3655676.html
最近更新
教材专著
