基于深度学习的煤矸石目标检测方法研究
发布时间：2021-02-03 23:22
煤矸石分选是保障煤炭清洁、高效利用的一个重要环节。为顺应煤矸分选技术自动化、智能化的发展趋势,本团队设计了一种煤矸分拣机器人,该机器人应用图像目标检测技术识别、定位煤矸石,使用气动机械手爪抓取矸石完成排矸任务。煤矸石图像目标检测是煤矸分拣机器人进行自动分选的关键技术之一,传统检测方法侧重于对煤矸石图像识别的研究,存在图像处理过程复杂、识别算法应用场景受限等问题。针对上述问题,本文在分析总结前人研究工作的基础上,提出采用深度学习技术进行煤矸石目标检测的方法,解决煤矸石的识别与定位问题,为机器人分选排矸提供依据。主要研究内容如下:针对目前尚不存在一个公开可用的煤矸石数据集的问题,依据PASCAL VOC数据集中的图像样本特征与格式,收集不同场景下的煤矸石图像样本,采用筛选、样本扩充等方式预处理图像,在此基础上标注图像并构建煤矸石数据集。根据煤矸石检测模型的选取要求,提出基于Faster R-CNN算法的煤矸石图像检测方法,并给出煤矸石检测的整体流程。为了减少煤矸石检测模型的训练时间和资源,采用迁移学习方法预训练模型,在此基础上应用煤矸石数据集训练得到基于Faster R-CNN算法的煤矸石...
【文章来源】：西安科技大学陕西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
018年我国能源
1绪论11绪论1.1选题背景及研究意义煤炭作为我国的传统能源之一，与国民经济发展和人民生活息息相关，在我国能源结构中占据主导地位。如图1.1所示，2018年我国煤炭消费需求为27.4亿t标准煤，占能源消费总量的59%；预计到2025年我国煤炭消费需求为28亿~29亿t标准煤，占能源消费总量的50%~52%[1]。可以看出，在未来一段时间内，我国对煤炭的需求总量将保持稳定。在当前以能源与环境为主题的现代社会，煤炭的清洁高效集中利用显得尤为重要。其中，煤矸石分选作为煤炭高效利用的前提，已经引起了煤炭行业的广泛关注与重视。（a）2018年（b）2025年图1.12018年我国能源消费结构及2025预测矸石是煤炭开采和加工过程中产生的一种低碳固体废物。若在煤炭燃烧前不对矸石进行处理，不仅会增加煤炭后期加工的难度与成本，而且会降低煤炭的发热量、加重污染物的排放[2][3]，因此需要采取分选煤矸石的方式以减少排放、提高煤质。目前，我国煤矸石分选主要有人工拣矸、机械湿选法和干选法三种方式。人工拣矸依靠拣矸工人自身的经验进行判断从而将大块矸石拣出，这种方式的工作环境恶劣，拣矸结果存在主观性和不稳定性，工作效率也很难提升。机械湿选法主要包括重介、跳汰等方式，利用机械化设备代替手选预排矸，同时，加大分选的自动化控制程度，能够更进一步提升分选效率[4][5]。但是我国70%以上的煤炭资源处于西部水资源匮乏地区[6]，水资源耗费问题使得湿选法不适合在该地区长期使用和推广。由于湿选法的局限性，干选法分选技术得以迅速发展。目前，干法分选应用较为成熟的主要有复合式干法分选机、风力干法分选机、块煤智能干选机等[5][7]。可以看出，为符合我国的可持续发展战略以及满足煤炭的生产需求，煤矸石分选技
西安科技大学硕士学位论文4图1.2基于X射线的煤矸石分选系统中国矿业大学王卫东、张晨分析煤矸石井下分选回填及综合利用的需求，提出了一种煤矸光电分选系统[29]，如图1.3所示。该系统利用激光三维扫描法和动态称重技术分别测量煤或矸石的体积和重量两个特性，由体积和重量得出密度，以密度特性的不同识别煤和矸石，最终通过高压气阀改变矸石的下落轨迹分离煤矸石。图1.3煤矸光电分选系统对上述煤矸石图像检测研究的梳理可以发现，进行煤矸石识别之前研究人员大多以试验的方式人为设计并选取识别特征，这存在难以全面理解煤矸石特征从而影响分选准确率的问题，对于实际工作环境中煤矸石特征的分析和理解，仍需要在理论、算法、工艺等方面开展研究。近年来，许多深度学习模型作为深层次的网络结构模型逐渐被提出，其强大的特征提取能力比传统方法的人为特征提取具有明显的优势。目前，深度学习技术在车牌识别、人脸识别、物体检测等方面应用广泛，相关研究者也开始将其应用于煤矸石图像检测中，使得煤矸石分选技术得到了进一步的发展。L.Su等从输入尺寸、激活函数、网络深度等方面对经典卷积神经网络LeNet-5进行改进，对其训练之后获得能够识别煤矸石图像的网络模型，能够达到对煤矸石图像的识别与分
【参考文献】：
期刊论文
[1]深度学习下的计算成像:现状、挑战与未来[J]. 左超,冯世杰,张翔宇,韩静,陈钱. 光学学报. 2020(01)
[2]面向煤矸分拣机器人的多机械臂协同策略[J]. 曹现刚,吴旭东,王鹏,李莹,刘思颖,张国祯,夏护国. 煤炭学报. 2019(S2)
[3]2025年中国能源消费及煤炭需求预测[J]. 谢和平,吴立新,郑德志. 煤炭学报. 2019(07)
[4]基于多任务学习的深层人脸识别算法[J]. 杨恢先,陈凡,甘伟发. 激光与光电子学进展. 2019(18)
[5]基于多机械臂协同的煤矸分拣方法研究[J]. 曹现刚,费佳浩,王鹏,李宁,苏玲玲. 煤炭科学技术. 2019(04)
[6]基于PSO优化NP-FSVM的煤矸光电智能分选技术研究[J]. 郭永存,于中山,卢熠昌. 煤炭科学技术. 2019(04)
[7]我国干法选煤技术发展现状与应用前景[J]. 张振红. 选煤技术. 2019(01)
[8]西部煤炭绿色开发地质保障技术研究现状与发展趋势[J]. 王双明,段中会,马丽,张育平. 煤炭科学技术. 2019(02)
[9]卷积神经网络在目标检测中的应用综述[J]. 于进勇,丁鹏程,王超. 计算机科学. 2018(S2)
[10]不同照度下煤矸图像灰度及纹理特征提取的实验研究[J]. 王家臣,李良晖,杨胜利. 煤炭学报. 2018(11)
硕士论文
[1]基于深度学习的油菜典型害虫快速检测研究[D]. 曾鸿.浙江大学 2019
[2]复杂监控场景下车辆检测方法研究[D]. 沈冉冉.安徽大学 2019
[3]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[4]基于图像处理技术的煤矸识别与分选技术研究[D]. 谭春超.太原理工大学 2017
[5]基于X射线图像的煤矸石智能分选控制系统研究[D]. 袁华昕.东北大学 2014
[6]基于X光图像处理的煤矸石自动分选系统的研究[D]. 耿秀云.东北大学 2014
[7]小波分析在煤矸石图像识别ARM分选控制系统中的应用[D]. 臧洁.西安科技大学 2008
本文编号：3017324
【文章来源】：西安科技大学陕西省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
018年我国能源
1绪论11绪论1.1选题背景及研究意义煤炭作为我国的传统能源之一，与国民经济发展和人民生活息息相关，在我国能源结构中占据主导地位。如图1.1所示，2018年我国煤炭消费需求为27.4亿t标准煤，占能源消费总量的59%；预计到2025年我国煤炭消费需求为28亿~29亿t标准煤，占能源消费总量的50%~52%[1]。可以看出，在未来一段时间内，我国对煤炭的需求总量将保持稳定。在当前以能源与环境为主题的现代社会，煤炭的清洁高效集中利用显得尤为重要。其中，煤矸石分选作为煤炭高效利用的前提，已经引起了煤炭行业的广泛关注与重视。（a）2018年（b）2025年图1.12018年我国能源消费结构及2025预测矸石是煤炭开采和加工过程中产生的一种低碳固体废物。若在煤炭燃烧前不对矸石进行处理，不仅会增加煤炭后期加工的难度与成本，而且会降低煤炭的发热量、加重污染物的排放[2][3]，因此需要采取分选煤矸石的方式以减少排放、提高煤质。目前，我国煤矸石分选主要有人工拣矸、机械湿选法和干选法三种方式。人工拣矸依靠拣矸工人自身的经验进行判断从而将大块矸石拣出，这种方式的工作环境恶劣，拣矸结果存在主观性和不稳定性，工作效率也很难提升。机械湿选法主要包括重介、跳汰等方式，利用机械化设备代替手选预排矸，同时，加大分选的自动化控制程度，能够更进一步提升分选效率[4][5]。但是我国70%以上的煤炭资源处于西部水资源匮乏地区[6]，水资源耗费问题使得湿选法不适合在该地区长期使用和推广。由于湿选法的局限性，干选法分选技术得以迅速发展。目前，干法分选应用较为成熟的主要有复合式干法分选机、风力干法分选机、块煤智能干选机等[5][7]。可以看出，为符合我国的可持续发展战略以及满足煤炭的生产需求，煤矸石分选技
西安科技大学硕士学位论文4图1.2基于X射线的煤矸石分选系统中国矿业大学王卫东、张晨分析煤矸石井下分选回填及综合利用的需求，提出了一种煤矸光电分选系统[29]，如图1.3所示。该系统利用激光三维扫描法和动态称重技术分别测量煤或矸石的体积和重量两个特性，由体积和重量得出密度，以密度特性的不同识别煤和矸石，最终通过高压气阀改变矸石的下落轨迹分离煤矸石。图1.3煤矸光电分选系统对上述煤矸石图像检测研究的梳理可以发现，进行煤矸石识别之前研究人员大多以试验的方式人为设计并选取识别特征，这存在难以全面理解煤矸石特征从而影响分选准确率的问题，对于实际工作环境中煤矸石特征的分析和理解，仍需要在理论、算法、工艺等方面开展研究。近年来，许多深度学习模型作为深层次的网络结构模型逐渐被提出，其强大的特征提取能力比传统方法的人为特征提取具有明显的优势。目前，深度学习技术在车牌识别、人脸识别、物体检测等方面应用广泛，相关研究者也开始将其应用于煤矸石图像检测中，使得煤矸石分选技术得到了进一步的发展。L.Su等从输入尺寸、激活函数、网络深度等方面对经典卷积神经网络LeNet-5进行改进，对其训练之后获得能够识别煤矸石图像的网络模型，能够达到对煤矸石图像的识别与分
【参考文献】：
期刊论文
[1]深度学习下的计算成像:现状、挑战与未来[J]. 左超,冯世杰,张翔宇,韩静,陈钱. 光学学报. 2020(01)
[2]面向煤矸分拣机器人的多机械臂协同策略[J]. 曹现刚,吴旭东,王鹏,李莹,刘思颖,张国祯,夏护国. 煤炭学报. 2019(S2)
[3]2025年中国能源消费及煤炭需求预测[J]. 谢和平,吴立新,郑德志. 煤炭学报. 2019(07)
[4]基于多任务学习的深层人脸识别算法[J]. 杨恢先,陈凡,甘伟发. 激光与光电子学进展. 2019(18)
[5]基于多机械臂协同的煤矸分拣方法研究[J]. 曹现刚,费佳浩,王鹏,李宁,苏玲玲. 煤炭科学技术. 2019(04)
[6]基于PSO优化NP-FSVM的煤矸光电智能分选技术研究[J]. 郭永存,于中山,卢熠昌. 煤炭科学技术. 2019(04)
[7]我国干法选煤技术发展现状与应用前景[J]. 张振红. 选煤技术. 2019(01)
[8]西部煤炭绿色开发地质保障技术研究现状与发展趋势[J]. 王双明,段中会,马丽,张育平. 煤炭科学技术. 2019(02)
[9]卷积神经网络在目标检测中的应用综述[J]. 于进勇,丁鹏程,王超. 计算机科学. 2018(S2)
[10]不同照度下煤矸图像灰度及纹理特征提取的实验研究[J]. 王家臣,李良晖,杨胜利. 煤炭学报. 2018(11)
硕士论文
[1]基于深度学习的油菜典型害虫快速检测研究[D]. 曾鸿.浙江大学 2019
[2]复杂监控场景下车辆检测方法研究[D]. 沈冉冉.安徽大学 2019
[3]基于深度卷积神经网络的小目标检测[D]. 郭之先.南昌航空大学 2018
[4]基于图像处理技术的煤矸识别与分选技术研究[D]. 谭春超.太原理工大学 2017
[5]基于X射线图像的煤矸石智能分选控制系统研究[D]. 袁华昕.东北大学 2014
[6]基于X光图像处理的煤矸石自动分选系统的研究[D]. 耿秀云.东北大学 2014
[7]小波分析在煤矸石图像识别ARM分选控制系统中的应用[D]. 臧洁.西安科技大学 2008
本文编号：3017324
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3017324.html
