礦用單軌吊運輸巷全封閉無線預警系統設計

楊衛兵，陳 博

(1.山西三元福達煤業有限公司， 山西 長治 046000；2.太原科技大學， 山西 太原 030024)

煤礦井下單軌吊機車承擔著運輸設備和物料的重要任務，由于井下工作由多個部門協同完成，人員流動頻繁，極易發生人車相撞的事故。為此，學者們設計了多種報警閉鎖系統，如人員定位和絞車聯動閉鎖控制系統，無線視頻、綜采雷達感應控制絞車及安全語音報警系統等[1-2]，然而這些系統存在反應不及時，甚至遺漏、誤認等情況。本文所設計的礦用單軌吊運輸巷全封閉無線預警系統相對于無線視頻預警系統優勢為可以依靠圖像識別技術判斷是否有單軌吊車經過巷道口，不需要人力監控；攝像機由傳感器控制，可以有效控制能耗，無需全天候錄像；不僅可以識別巷道中是否有人員與車輛，還可以確定人員與車輛的相對位置，自動辨識巷道中人員的安全等級，實現分級預警功能。

1 主要技術及算法設計

1.1 SVDD算法

與之前的SVM算法相比，SVDD算法是一種非監督式的算法。它是指在訓練集中只存在唯一類別的數據，通過對樣本數據集進行學習，確定樣本的邊界，通過判斷待分類數據在分界面內外的位置來進行分類。具體如下：

設置訓練樣本集X={x1,x2，…，xn}，其中xi∈Rd(1≤i≤n)為列向量，而SVDD所求的最小超球面F(R,c,ε}=R2+C∑iεi即為其優化結果。使它滿足‖x-i-c‖2≤R2+εi?i,εi≥0. 因此，該優化問題描述為：

s.t.‖xi-c‖2≤R2+εi,εi≥0,1≤i≤n

其中，εi是引入的松弛項，C>a是控制參數。同時，找一個合適的映射φ將樣本特征空間O映射到更高維的特征空間?. 給定正定核函數K:Rd×Rd∈R，用該正定核誘導下的內積表示?空間中的內積形式,則在?空間中的SVDD模型為：

s.t.‖φ(xi)-cφ‖2≤R2+εi,εi≥0,1≤i≤n

上述模型所對應的超球面記為F(R,cφ,ε)，用拉格朗日乘子法求解該最優解可以將該問題變形為：

再利用SOM算法求解上式。

給定一個未知樣本x∈Rd，通過決策函數進行判斷是否屬于目標類別，決策函數如下：

f(x)=R2-‖φ(x)-c?‖2

當f(x)≥0時，則該樣本屬于目標樣本。

再根據KKT定理得：

f(x)=R2-‖φ(x)-c?‖2，R2=K(xk,xk)-

將其回代到決策函數可得最終的判決函數[3].

1.2 深度學習

深度學習關鍵技術是建立一個模擬人腦神經元工作的神經網絡。深度學習可以認為是傳統神經網絡的開發，二者都有著分層結構，深度學習的優勢是可以將特征提取與分類結合在一個框架中，這樣的結構與傳統機器學習方法相比，不需要人工提取特征，因為深度學習采用深層網絡結構，其高度非線性使得該網絡可以擬合一些較為復雜的函數，從而可以直接從圖片數據中提取抽象特征。

2 系統設計

2.1 軟件設計

單軌吊運輸裝置預警系統由系統主程序及各單元子程序等構成。系統各單元初始化后，在沒有物體經過超聲波測距儀的探測區域時，系統處于低能耗模式，在超聲波測距儀檢測到有物體出現在探測區域內時，閃光燈配合攝像頭進行圖片抓拍，抓拍到照片后，經過AD轉換，傳輸到監控分站進行圖像預處理，識別有用信息進行初步判別。當識別到圖片內有單軌吊車時，發出信號控制語音報警器進行語音警示“單軌吊車正在通行請勿走出巷道”，同時發出紅色燈光警示。當巷道口前的超聲波測距儀在后續的10 s內沒有檢測到有導軌吊車經過時，警報解除。系統軟件流程見圖1.

圖1 系統軟件運行流程圖

2.2 系統硬件結構設計

系統整體以平臺層和監控層為主，其中監控層的主要結構如下：首先在各個巷道口分別布置一組數據采集組，進行實時監控，采集到的數據經由交換器傳輸到監控總站，監控總站在SVDD分類器的支持下，對信息進行預處理及分類。當得到疑似單軌吊車經過時，傳輸信息到平臺層進行分析和處理，進行最后的判別；若確認信息準確，則傳回信號啟動預警系統。基于對數據傳輸的穩定性和抗干擾性的要求，監控層與平臺層的數據傳輸由工業以太網來保障[4]，具體見圖2.

圖2 全封閉無線預警系統結構圖

2.2.1 平臺層

平臺層以地面控制總站為主，負責對監控分站傳回的信息進行最后判別，預警信息存貯、人機交互等。

1) 數據交互。

為實現礦井智能化管理，該系統可與控制總站的管理系統實現數據互通，譬如與福達煤業的巷道柵欄門系統等數據整合到管理系統的巷道安全分支，實現數據互通以及總體控制，從而可以提前關閉巷道支路柵欄門，防止巷道支路有人闖出。地面控制總站可以遠程操作實現所有功能，同樣可以遠程監控巷道的具體情況，從而實現智慧礦山。

2) 信息存儲。

信息存儲主要分為兩部分，一部分空間存儲各個形態的單軌吊車圖片，作為數據識別特征對比的數據庫，另一部分存儲工作運行時拍攝的工作日志，經圖像識別系統確認后，有單軌吊車的圖片并入到數據庫中提高圖像識別系統的辨識能力，同時也可進行后期的人工檢測，查看是否有識別錯誤等問題對系統進行及時的調整以及事故判責等。

2.2.2 監控層

1) 信息采集。

信息采集部分由測距傳感器、攝像機、閃光燈組成，其中測距傳感器采集的信息主要是分辨是否有物體經過，攝像機采集的信息主要用來辨別經過物體是否為單軌吊機車。而閃光燈的作用是輔助攝像機進行工作。傳感器選取超聲波測距傳感器，相對于其它類型的傳感器，超聲波測距傳感器對于環境要求是最低的，超聲波的測量距離在20～500 cm，該測距范圍對于巷道來說最為合適；此外超聲波測距儀探測的扇形范圍可以在60°～120°適當調整，相對來說超聲波的測量區域更廣。

2) 警示器。

警示部分由語音警示和燈光警示兩部分組成。當接收到信號時，及時進行語音播報以及燈光警示。該裝置常見尺寸約為d90 mm，高67 mm，質量約260 g, 功率為15 W，工作溫度為-40 ℃～-70 ℃(不凝結)。其燈光有多色可設定，閃爍方式有爆閃與頻閃兩種可供選擇。報警語調可設定9種，最長可錄制30 min的語音提示，喇叭分貝在0～120 dB可調節，并能借助RS-485通信端口實現同上位機或井下其他作業分站的互聯通訊[5-6].

3 結果與分析

該系統主要依靠圖片識別作為基礎，故對其準確度加以數據分析。首先以非單軌吊車∶單軌吊車為2∶1的比例采集3 000張圖片。取其中400張無任何目標的圖像作為SVDD算法的訓練集，對圖像進行預處理后計算求解得到分類超球面。其中預處理指降維與變形，使其轉換為一個特征向量，以更方便地輸入SVDD算法進行訓練。將所有樣本圖像隨機分為訓練集2 500張、驗證集200張和測試集300張。使用訓練集對圖像進行迭代訓練深度神經網絡，每迭代300次利用驗證集測試該模型的損失率和準確率，見圖3. 圖3中損失率為代價函數的擬合誤差，實曲線指的是驗證集準確度，虛曲線是驗證集上的損失。

圖3 迭代數據圖

通過測試集驗證識別結果，識別框與真實框的交并比大于0.95的識別準確率高達97.67%，由于測試樣本取樣時單軌吊車與攝像頭距離較近，其分類準確率高達99.73%. 為了進一步測試系統的有效性，采集了3組視頻對其識別的最遠距離進行測試，判斷該視頻識別系統在遠距離識別中的有效性。采集了3段單軌吊車進入視頻監控的畫面，將算法識別到目標時第一幀畫面單軌吊車與攝像頭的距離作為測試結果。測試結果見表1.

表1 距離測試結果表 /m

針對不同情況設計不同的報警等級，見表2，提高預警系統的有效性。其中，在人車距離判別上，當車的框將人的框包圍時，則判定人在車上，表示正常，當人的框與車的框出現交疊等情況，則判別為人在車下，啟動二級報警[7]. 表2中得到SVDD算法相對識別的距離較短，適合巷道較短或交叉巷道口進行預判處理，對于較長巷道，直接使用深度神經網絡進行判斷。利用深度神經網絡識別結果見圖4. 由于圖像數據集中的裝置是有限的，而井下情況是復雜的，如安裝新的軌道車輛、長期運行粘煤后車輛變黑等情況也會影響神經網絡的識別精度。因此，使用SVDD算法進行識別也是有必要的。

表2 預警等級劃分表

圖4 識別效果圖

4 結 論

整體設計結束后，在山西三元福達煤業進行了相應的試驗與應用。該系統攝像頭每次連抓3張照片同時識別，每張照片識別率可達97.67%. 經實踐表明，該系統中的超聲波測距儀自動識別范圍在100°左右，橫向范圍1～1.5 m，可以確保在單軌吊車經過時及時反饋信號；配備的閃光燈配合攝像機經過預先調焦以后可以得到清晰的照片；通過視覺識別分類技術可以實現多級警報，報警器聲音洪亮且燈光的爆閃模式會起到強調效果。

該系統的視覺識別裝置圖像識別技術具有很高的可靠性，并且隨著使用過程中不斷抓拍到的單軌吊車圖片存儲于數據庫，其可靠度還會進一步加強；SVDD與深度神經網絡識別技術，不僅可以實現對煤礦現有設備的精準分類，還可以準確識別引進的新設備，更加穩定可靠地對人員和車輛進行預警。該系統的應用避免了人力資源的消耗，同時可以起到比傳統無線視頻監控更快捷、更安全、更有效的監督作用。