为了解决液压支架护帮板在收回过程中的空间姿态测量问题,提出了一种基于深度视觉原理的多传感器融合护帮板空间姿态测量解决方案。该方案通过FAST算法提取特征点,采用领域搜索算法优化特征点,基于护帮板姿态解算模型采用深度相机和倾角传感器相融合的方式进行姿态解算。结果表明:特征点在经过模型优化后,准确度提升25%,液压支架护帮板偏航角的平均解算误差为0.68°,横滚角的平均解算误差为1.31°,俯仰角的平均解算误差为0.82°,护帮板空间姿态角度解算最大误差为1.91°,护帮板空间姿态角度解算最小误差为0.57°,满足井下护帮板姿态检测要求。该方法不易受到环境的干扰,便于获取护帮板在三维空间中的姿态,不但可用于液压支架护帮板空间姿态测量,而且在其他领域视觉测量技术中也具有较好的普适性。

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOL...

作为液压支架的重要组成部分,护帮板在工作过程中极易发生支护不到位、伸缩不及时等问题,造成片帮、截割干涉等事故。针对上述问题,本文详细分析了护帮板运动过程,通过选取最佳传感器安装位置方案,设计了一套基于PLC控制的液压支架护帮板收放状态监测系统。系统通过实时采集、传输与分析护帮板收放位置数据,实现护帮板收放状态的在线监测与判断,并具备实时报警及维修提示功能,以保证液压支架为综采面提供可靠支护。

针对现有液压支架护帮板状态监测方法可靠性低、量化监测能力缺乏的问题,提出了一种基于深度神经网络的非接触式护帮板运动状态监测方法。该方法通过卷积和反卷积网络实现护帮板关键点空间位置检测,然后利用前馈神经网络将护帮板关键点的空间运动轨迹转换为护帮板伸缩角度,实现护帮板状态监测的量化。研究结果表明,基于深度神经网络的护帮板关键点空间位置的平均检测误差小于2个像素,护帮板位姿角度的平均量化误差小于3°,算法处理速度大于60f/s,具有良好的监测性能。

为解决液压支架工长时间作业过程中,因身体疲劳不能及时发现护帮板未护帮的问题,采用实时性高的Tiny-YOLOv3算法检测护帮板状态,但检测任务会受到综采工作面尘雾的影响。因此,提出一种融合图像去雾与Tiny-YOLOv3的目标检测算法,并在此基础上优化图像去雾算法的CUDA实现,首先将暗通道图像用RGB单通道图像代替,然后按列分组求大气光值,合并初始透射率的kernel函数并优化精细化透射率计算方式,提升图像去雾速度,保证算法的实时性。实验结果表明,在煤矿护帮板状态检测场景中,融合算法比Tiny-YOLOv3算法的准确率提高了22.8%,且满足实时检测的要求。

智能化开采已经普及到国内的各大煤矿,要实现煤矿出采智能化的安全落实,主要是解决液压支架护帮板与采煤机滚筒截割干涉监测的相关工作。在监测液压支架护帮板与采煤滚筒截割干涉的基础上,通过观察液压支架护帮板监控图像,研究了液压支架护帮板与采煤机滚筒的相对位置关系。实验研究的主要工作就是收集液压支架护帮板的位置信息,并对收到的护帮板位置信息进行数据处理。

液压支架护帮板的打开和闭合是煤矿井下的主要作业之一。为了自动识别监控视频中每个护帮板的工作状态,需研究液压支架护帮板工作状态智能识别算法。结合深度学习和计算机视觉的算法,可采用融合幅度信息的光流直方图(Histograms of Oriented Optical Flow,HOF)提取运动特征。实验结果表明:算法的准确率达到88.69%、精确率达到79.08%、召回率达到76.16%、F1_score值达到76.53%,fps值达到18帧/s,验证了该算法的可行性和有效性。