礦用帶式輸送機故障輔助識別系統實證研究

李 旭 ，董 博 ，黨恩輝

（西安合智宇信息科技有限公司，陜西 西安 710075）

近年來，伴隨礦井生產能力、開采深度的逐漸增加，機械化程度也隨之提升，帶式輸送機已經成為煤礦井下運輸的關鍵設備。帶式輸送機工作環境惡劣，采集的煤流中會夾雜著矸石、錨桿、角鐵等異物，若這些異物未能及時得到清理，便極易卡在輸送機的槽體、托輥及輸送帶間，從而導致運輸環節中斷造成運輸、采掘等工作癱瘓。因此，帶式輸送機的故障情況是運輸系統能否正常運行的關鍵因素。

目前針對綜采面工作的運輸問題，文獻[1]以路徑優化調度對運輸路線進行研究，為故障輔助識別系統的數據采集點提供最優方案；文獻[2-5]分析了運輸系統的發展狀況和自動化水平，提供了故障識別系統的搭建思路；文獻[6-7]對數據的處理和數據的存儲做了介紹，為系統識別異物奠定基礎。

綜上，結合傳統的帶式輸送機檢測系統，設計開發了一種基于機器視覺深度學習的帶式輸送機故障輔助識別系統[8-11]，本文障輔助識別系統可以保證綜采工作面運輸系統的正常運行，提高運輸環節的運輸效率。

1 系統總體設計

1.1 系統概述

相比于目前的人工分揀法、射線識別法、除鐵器法、光譜探測法和傳統圖像識別方法，基于機器視覺和深度學習的目標識別算法提取抽象特征的魯棒性更強、泛化能力更好，在高速識別方面具有較好的適用性，能夠適應煤礦井下的復雜環境。

異物識別流程圖如圖1。

圖1 異物識別流程圖Fig.1 Foreign object identification flow chart

異物識別流程主要包括數據集構建、異物識別模型訓練和異物識別3 部分。首先，使用系統攝像機進行實時錄像和監測，獲取實時輸送帶上的視頻圖像；將采集的視頻圖像數據進行預處理，得到相應處理數據；將預處理后的視頻流數據輸入到多層特征融合的圖像檢測模型中，使用多層特征融合的圖像檢測模型對復雜環境中的異物進行識別和定位，將視頻中的異物標出，并且進行異物識別；根據異物的大小建立不同異物類型數據集，數據集包含不同運輸區域的采樣序列和對應的故障類型標簽值[12-13]，在分類器中提取異物類型信息，并將其整理為時序數據，用生成對抗網絡的方法擴充訓練數據集，然后送入下一步的異物檢測模型；根據時序數據和異物類型信息，使用預先訓練好的面向動態特征補充機制的網絡異物檢測模型對其進行判斷，根據輸出進行判斷，確定預警等級；輸出預警等級后，系統將運輸帶上異物對線路的影響進行提示，與此同時視頻中的異物的狀態也將被標注出；最后，運用訓練后的異物識別模型實時對監控視頻進行識別，并得出異物識別結果。

當識別到輸送帶運行過程中出現可能造成輸送帶撕裂和造成破碎機損壞的工字鋼、刮板等金屬異物，聯動設備控制系統可實現聲光告警并對采煤機、刮板機變速器及帶式運輸機變速器進行智能減速，避免設備損壞，保證設備得正常運行。

1.2 基本原理

基于機器視覺深度學習的輸送機故障輔助識別系統，通過圖像算法庫進行圖像預處理，使用深度學習訓練得出的識別網絡模型利用監控視頻對異物進行識別[13]。

1）深度學習。基于深度學習的帶式輸送機異物識別方法以目標檢測算法為基礎框架，構建異物圖像數據集，搭建異物監測模型庫，并對模型庫不斷更新，依據井下環境對相關數據應用校正方法，使得異物圖像訓練與測試能夠更好地擬合，從而實現了對異物多目標、快速、精準識別與定位。在 Faster R-CNN 的基礎上，將主干特征提取網絡 VGG-16 的多尺度輸出進行特征融合，使得特征圖包含更多待檢測目標的特征信息，使用改進的非極大值抑制（NMS）算法避免重疊部分小目標的丟失，并且重新設置了適合井下作業區域場景下的小目標檢測的錨的尺寸比例，在感興趣區域池化層中使用雙線性插值法來減小傳統方法造成的預測邊框定位偏差。

2）深度學習數據庫。為使異物識別系統能夠貼合礦下環境，獲得更準確的識別率，采集的數據內容來自各個煤礦井下帶式輸送機和刮板機圖像，系統訓練集包含的所有數據均由此提供。考慮到煤礦井下環境復雜,圖像庫內的數據是在不同光照下、不同礦井下輸送帶和刮板不同方位采集的圖像，由于礦井下的復雜環境有的運輸環節無法進行全方位圖像采集，對于固定視角拍攝的圖像，使用仿射變換的方法可以將固定視角拍攝的圖像擴展為不同視角的圖像。訓練樣本包含了錨桿、角鐵、 螺母、矸石等目標樣圖像。在實際的運輸環境中，通過監測系統對運輸環節進行異物識別，對所有異物進行標注，這樣就可以獲得模型訓練、測試所需先驗標簽，標注內容為預測邊界框中心點為相對坐標、預測框邊界相對寬度、預測邊界框相對高度。異物標注實例如圖2。

圖2 異物標注實例Fig.2 Example of foreign object labeling

2 系統組成及故障輔助識別控制方案

2.1 監控系統框架

輸送機故障輔助識別系統主要由機器視覺異物監測系統、礦用隔爆兼本質安全型攝像儀、光源等組成。

1）機器視覺異物監測系統。機器視覺異物監測系統系統由現場硬件部分和后臺軟件分析系統組成，屬于基于視覺的輸送機運輸保護系統的一部分，整個系統是基于網絡的聯網平臺，能夠自動分析前端監測到的異常情況，對特定的輸送帶監控區域出現的異常情況進行判定和報警，并同步提醒巡檢人員。

2）礦用本質安全型攝像儀。主要用于對輸送機運輸環節各個節點的輸送情況進行視頻監控，并對工作面或回風巷視頻信息進行采集，壓縮編碼，并打包成IP 報文的形式發布到以太網上，供顯示器解碼顯示。礦用本質安全型攝像儀具有結構小巧、質量輕，安裝布置靈活、低照度、高分辨率、可靠性等特點，完全符合在薄煤層工作面上的工作要求。

2.2 圖像預處理

圖像預處理的主要目的是將采集的圖像中的無關信息進行弱化或消除，恢復有效的真實信息并對有效信息可檢測性進行增強，對圖像數據進行最大限度地簡化，從而提高圖像分割、目標匹配和識別的可靠性。系統采用高斯濾波算法對圖像像素點的值和鄰域間的像素加權平均后獲得。采用一個3×3 尺寸的高斯掩模對圖像處理，首先對圖像某一點坐標及其鄰域坐標通過公式計算出坐標模板，再對獲得的模板歸一化得到高斯核，當獲得高斯模板后對圖像像素值線性相乘即可得到高斯濾波處理后的圖像。經過上述操作能夠突出異物邊緣特征并去除噪音。圖像預處理的框架圖如圖3，圖像預處理前后對比如圖4。

圖3 圖像預處理框架圖Fig.3 Image pre-processing framework diagram

圖4 圖像預處理前后對比Fig.4 Comparison before and after image pre-processing

2.3 輸送機故障輔助識別系統控制方案

系統攝像儀采集帶式運輸機實時運行視頻，傳輸至機器視覺系統進行視頻圖像分析處理，當控制中心異物識別系統，監測到輸送帶運行過程中出現可能造成輸送帶撕裂和造成破碎機損壞的工字鋼、刮板等金屬異物，對所有異物進行編碼顯示，并進行跟蹤，直至異物處理；同時發出自動保護控制指令，首先進行聲光告警，發出警報告知工作人員，并對所述輔助調節模塊發出指令，自動調節采煤機、刮板運輸機及帶式輸送機運轉速度，使其進入低速運行模式，使工作人員能夠及時處理帶式輸送機上的異物；異物處理完成后，異物編碼消失，并對新出現異物重新進行編碼。

3 結 語

結合傳統的帶式輸送機檢測系統，研制了一種基于機器視覺深度學習的帶式輸送機故障輔助識別系統；通過圖像算法庫進行圖像預處理，增強系統對有關信息的可檢測性；使用深度學習訓練得出的識別網絡模型利用監控視頻對異物進行識別，提高系統識別異物的準確率，有效提高運輸環節的運輸效率。試驗結果表明：通過視頻圖像采集與智能識別技術，可以有效識別出帶式輸送機運輸過程中的異物，極大降低了異物導致輸送機故障的概率，保證了綜采工作面運輸系統的正常運行。