煤礦帶式輸送機異常狀態視頻AI識別技術研究

毛清華， 郭文瑾， 翟姣， 王榮泉， 尚新芒， 李世坤， 薛旭升

（1. 西安科技大學 機械工程學院, 陜西 西安 710054；2. 陜西省礦山機電裝備智能檢測與控制重點實驗室, 陜西 西安 710054；3. 西安重裝韓城煤礦機械有限公司, 陜西 韓城 715400）

0 引言

煤炭作為我國主體能源，為國民經濟和社會發展提供了能源安全保障，是國家能源安全穩定供應的“壓艙石”[1]。2020年2月25日，國家發展改革委、國家能源局等八部委聯合印發《關于加快煤礦智能化發展的指導意見》，要求煤礦帶式輸送機實現智能化運行。帶式輸送機作為煤炭運輸系統的核心裝備，長期處于高負荷狀態運行，一旦發生故障，將影響煤炭生產效率，甚至造成人員傷亡。帶式輸送機的異常狀態識別能夠有效預防故障發生，對確保煤礦帶式輸送機安全、高效運行具有重要意義。

傳統的帶式輸送機異常狀態識別采用人工巡檢或機械綜合保護系統進行檢測。由于煤礦帶式輸送機在井下布設廣泛，人工巡檢存在勞動強度大、效率低、難以準確發現故障等問題[2]。機械綜合保護系統主要采用機械式傳感器對帶式輸送機故障進行監測，但傳感器可靠性易受環境影響，容易造成誤判，導致識別效果不佳[3]。

隨著機器視覺、深度學習和工業以太網技術發展，視頻AI（Artificial Intelligence，人工智能）識別技術在煤礦帶式輸送機異常狀態識別領域成為研究和應用的熱點。本文通過分析視頻AI識別技術在煤礦帶式輸送機跑偏、托輥故障、人員異常、堆煤和異物識別方面的研究現狀，總結現有帶式輸送機視頻AI識別技術存在的問題，并給出相應的解決思路和發展趨勢，為后期煤礦帶式輸送機異常狀態視頻AI識別技術研究提供借鑒。

1 帶式輸送機異常狀態視頻AI識別研究現狀

1.1 輸送帶跑偏視頻AI識別技術

井下復雜環境導致的視頻噪聲大等現象會降低視頻質量，從而影響識別效果，通過對視頻數據降噪等預處理操作可提升視頻數據質量，從而提高識別精度，因此應將預處理作為帶式輸送機輸送帶跑偏視頻AI識別技術的首要研究目標。文獻[4]基于濾波塊中像素的加權平均值，提出一種抑制高斯噪聲和脈沖噪聲的方法，可抑制井下視頻信息混合噪聲。文獻[5]提取輸送帶監控的ROI（Region of Interest，感興趣區域）并進行歸一化，采用較大閾值區間的Canny 算法提取輸送帶邊緣特征點，并采用形態學濾波方法處理噪聲及偽邊緣。目前，輸送帶跑偏異常識別的預處理仍存在噪聲濾除及偽邊緣處理不徹底等問題，因此預處理算法需繼續深入研究。

將視頻數據進行預處理后，利用視頻AI識別算法對輸送帶跑偏進行識別。文獻[6]針對視頻數據，運用PPHT（Progressive Probabilistic Hough Transform，累計概率霍夫變換）實時監測跑偏異常。文獻[7-8]利用Canny算法結合霍夫變換檢測輸送帶邊緣并提取直線斜率，根據擬合的直線斜率和直線與圖像坐標系中x軸的交點監測輸送帶跑偏。文獻[9]利用巡檢機器人采集輸送帶運行視頻，通過Canny算法獲取輸送帶邊緣后判別輸送帶跑偏異常。文獻[10]使用CMOS（Complementary Metal Oxide Semiconductor，互補金屬氧化物半導體）圖像傳感器采集輸送帶視頻數據，將坐標統計法與分組近似法相結合，識別輸送帶跑偏異常狀態。文獻[11]利用優化M-SSD（MobileNet-Single Shot MultiBox Detector，輕量化單激發多框探測器）提取輸送帶區域畫面，并基于模板匹配算法實現輸送帶跑偏異常檢測。隨著深度學習技術發展，學者們開展了基于深度學習的視頻AI識別輸送帶跑偏研究。文獻[12]基于RCNN（Region Convolutional Neural Networks，區域卷積神經網絡）實例分割算法自主學習目標區域特征并完成標注，利用改進的邊緣檢測算法和改進的直線段檢測算法實現輸送帶跑偏識別。文獻[13]基于多任務的卷積神經網絡對輸送帶跑偏進行檢測，識別效果如圖1所示。文獻[14]通過改進的語義分割FCN（Fully Convolutional Network，全卷積網絡）算法實現ROI分割，使用深度可分離卷積輕量模型提取特征，并以特征金字塔網絡融合來自不同特征層的信息，提高了識別準確性和實時性。文獻[15]以空間金字塔池化作為YOLOv5特征提取網絡，由輸送帶邊緣斜率及輸送帶識別框對角坐標計算左右帶邊緣與視場之差，由差值是否超出閾值判別是否發生跑偏異常。

圖1 基于視頻AI技術的輸送帶跑偏識別Fig. 1 Recognition of belt deviation based on video AI technology

基于深度學習的輸送帶跑偏視頻AI識別方法提高了跑偏識別的效率，但仍存在數據集構建耗時長、使用的視頻AI識別算法只能對局部輸送帶進行識別而難以有效獲得長距離依賴關系的問題[16]。因此，在輸送帶跑偏識別中，需加強對數據集高效構建方法及融合全局和局部信息的視頻AI識別算法的研究，從而提高輸送帶跑偏異常識別精度與速度。

1.2 托輥故障視頻AI識別技術

托輥作為帶式輸送機的重要組成部分，在帶式輸送機長期運行中易出現軸損壞及表面磨損等問題。傳統托輥故障識別需人工巡檢，勞動強度大，效率低。基于聲音的托輥故障檢測方法易受井下噪聲影響，無法有效檢測到故障信號，漏檢嚴重。基于壓力和電壓等物理量的托輥故障檢測方法需大量傳感器進行數據采集，傳感器穩定性不足，且安裝和維護成本高。而利用紅外視頻數據檢測托輥故障具有良好的可行性，因此國內外學者在利用紅外視頻AI技術識別煤礦帶式輸送機托輥故障方面開展了諸多研究。

對數據進行預處理是利用紅外視頻AI技術識別托輥故障的首要步驟，可降低紅外數據中的噪聲及復雜背景對托輥故障識別效果的影響。文獻[17]采用3D降噪算法抑制數據隨機噪聲，并設計了基于多尺度視網膜皮層理論的圖像增強算法以提升圖像細節。文獻[18]通過離散小波變換和粒子群優化對含噪數據進行分割，得到較好的分割區域，但預處理效果仍需進一步提升，以更好地復原視頻數據。

許多學者對基于紅外視頻AI技術的托輥故障識別方法進行了研究。文獻[19]在巡檢機器人上布設RGB相機與紅外攝像儀，對這2種設備采集的數據分別進行分析處理后融合，實現對托輥故障的識別與定位。文獻[20] 提出一種基于異常值的托輥自動分割方法和形狀檢測算法，將分割出的熱點形狀、位置與RGB圖像進行對比，實現對帶式輸送機托輥狀態的定量評估。文獻[21]利用熱成像診斷方法測量異常托輥紅外輻射，在帶式輸送機運行的情況下實現托輥異常狀態診斷。文獻[22]利用紅外數據處理技術進行托輥區域分割和特征提取，根據溫度對故障等級作出判斷并進行故障預警。文獻[23]利用遷移學習增強紅外數據訓練效果，通過DenseNet模型實現托輥故障檢測。文獻[24]利用提取光流法進行邊緣檢測，以保證視頻完整性，對處理后的視頻運用改進CNN（Convolutional Neural Networks，卷積神經網絡）和LSTM（Long Short-Term Memory，長短期記憶）雙流網絡模型進行托輥異常狀態識別。文獻[25] 提出了一種基于聲音和熱紅外特征的帶式輸送機托輥故障分析方法，實現對托輥故障程度的識別和顯示。文獻[26]使用紅外相機采集數據，將紅外圖像轉換為溫度值矩陣，以獲取托輥溫度，從而檢測其故障。文獻[27]提取RGB數據中ROI，利用熱點檢測算法識別紅外數據中的熱點，最終在RGB數據中融合紅外故障點，實現托輥故障準確識別，檢測效果如圖2所示。

圖2 融合紅外數據與RGB數據的托輥故障視頻AI識別Fig. 2 Idler fault video AI recognition based on fusion of infrared data and RGB data

目前主要開展了基于紅外視頻AI技術、基于紅外視頻與RGB視頻融合的托輥故障識別方法研究。將RGB視頻圖像與紅外視頻圖像融合，能有效提升托輥故障識別精度，但仍存在識別實時性不足、融合后數據對比度低、細節丟失等問題。未來可考慮融合激光雷達等設備采集的數據，加強融合算法及視頻AI識別技術研究，進一步提升識別精度和速度。

1.3 人員異常狀態視頻AI識別技術

帶式輸送機運行中的人員異常狀態主要分為人員入侵危險區域及人員不安全行為。由于井下環境復雜、粉塵大、光照不均，視頻存在遮擋、噪聲大等情況，導致視頻數據細節信息模糊、特征信息丟失。為改善輸入視頻質量，對采集到的煤礦視頻數據進行預處理。文獻[28]提出了一種基于小波變換與暗原色先驗知識相結合的方法，有效去除圖像噪聲，解決濃霧和光照不均問題。文獻[29]提出一種基于單尺度視網膜大腦皮層理論和雙邊濾波集成的混合算法，減少了圖像噪聲，強化了邊緣信息。

1.3.1 人員入侵危險區域識別技術

煤礦帶式輸送機工作區存在巨大安全隱患，人員入侵危險區域造成的傷亡事故時有發生。目前人員入侵危險區域檢測主要依靠傳統視頻監控下的人工提醒或設置實體圍欄，實時性差、安全性低。而利用視頻AI識別技術檢測人員入侵帶式輸送機工作區域并實時報警，可提高煤礦生產安全水平及智能化程度。

國內外學者在利用視頻AI技術識別人員入侵危險區域方面進行了諸多研究。文獻[30]利用一種改進Tiny YOLOv3方法，并以深度可分離卷積單元為網絡主體構建下采樣殘差模塊，實現井下人員越界行為的快速準確識別。文獻[31]利用行人越界檢測算法識別視頻中行人目標，并通過狀態緩沖處理計算出人員越界趨勢，以判斷越界方向。文獻[32]通過雙閾值背景差分法識別人員，利用改進的CAMShift（Continuously Adaptive Mean-Shift，連續自適應的均值偏移）算法跟蹤人員是否入侵危險區域。文獻[33]提出基于目標區域的配準算法，采用Lucas-Kanade光流法和基于塊的背景運動補償分別實現靜態和動態背景下的人員檢測與分割。文獻[34]利用Faster-RCNN（Faster-Region Convolutional Neural Networks，快速區域卷積神經網絡）提取圖像特征，再通過RPN（Regional Proposal Networks，區域選取網絡）實現視頻中人員初步定位，經過ROI池化及全連接層操作后，得到精確的人員檢測圖。文獻[35]提出一種基于DenseNet網絡和SCAE（Stacked Convolutional AutoEncoder，堆疊卷積自編碼器）的相似性學習步態識別算法，采用特征融合方法實現動靜態特征的融合和呈現，提升人員入侵識別準確率。文獻[36]提出基于鬼影的Vibe（Visual Background Extractor，視覺背景提取）二次檢測方法，劃定人員最小邊界矩形，通過像素的區域計算和相似度閾值判斷，有效抑制人員入侵檢測中鬼影現象，提高前后景分離精度，增強識別能力，其識別效果如圖3所示。

圖3 基于視頻AI技術的人員入侵危險區域識別效果Fig. 3 Personnel intrusing dangerous region recognition based on video AI technology

人員入侵危險區域的視頻AI識別算法包括幀差法、背景建模法和光流法等，但由于人員入侵帶式輸送機工作區域的數據樣本不足、視頻AI識別算法提取特征能力有限，人員入侵識別率仍有待提升。加強可應用于小樣本數據的視頻AI識別算法研究和融合前景人員動態信息與背景環境靜止信息的識別算法研究，可進一步提升對人員入侵危險區域的識別效果。

1.3.2 人員不安全行為識別技術

在煤礦帶式輸送機安全事故中人為因素占比較高，部分礦工安全意識淡薄，出現未按要求佩戴安全帽、睡崗離崗、打電話等不安全行為，嚴重時造成人員傷亡，因此開展礦井人員不安全行為的視頻AI識別研究十分必要。

許多學者針對煤礦井下人員危險行為識別進行了研究。文獻[37]提出一種基于交叉注意力機制的多特征融合行為識別模型，采用一種基于三維殘差網絡分組膨脹卷積模型提取圖像特征，利用人體姿態識別算法和時空圖卷積網絡提取人體關鍵點特征，采用交叉注意力機制和自注意力機制對2種特征進行融合和拼接處理，大幅提高了識別準確率。文獻[38]針對人體行為識別中傳統動態時間規整算法經常出現的奇異點和時間復雜度問題，提出一種分段線性逼近結合自適應權重動態時間規整算法，提升了人員行為的識別速度和準確率。文獻[39]針對輸送帶區域礦工的不安全行為，基于Kinect深度傳感器，采用多層次互補特征表示方法，引入加權平均投票模型和集成算法，對礦工的不安全行為進行有效識別。文獻[40]基于YOLOv4網絡模型識別礦工安全帽佩戴情況，采用Open Pose算法及時空圖卷積網絡模型對監控視頻中的礦工行為進行識別，實現了不安全行為的自動預警。文獻[41]采用人體姿態識別算法對人體關鍵點進行識別，采用YOLOv3神經網絡對設備與環境進行識別，采用MobileNetV3神經網絡與時空圖卷積網絡分別對靜態不安全行為和動態不安全行為進行識別，采用規則推理對互動不安全行為進行識別，實現了井下人員不安全行為智能識別。文獻[42]針對生產區域監控視頻模糊及識別準確率低的問題，提出了一種基于DA-GCN（Domain-Aware Attentive Graph Convolution Network，面向域的注意力圖卷積網絡）的煤礦人員行為識別方法，采用人體姿態識別算法提取人員骨架關鍵點，利用TCN（Temporal Convolutional Network，時間卷積網絡）提取人體關節點的時間特征，在Cumt-Action數據集上進行了驗證，具有較高的識別準確率。

目前主要開展了基于二維視頻圖像的人員不安全行為識別方法研究，但二維視頻AI識別方法識別精度不高。運用三維視頻AI識別方法能夠準確提取人體關鍵特征，識別效果更好，但單一人體特征信息不全面，易導致人員行為識別率低。加強對融合人體輪廓、人體骨架等多種特征的三維視頻AI識別技術研究，可有效提升人員不安全行為識別精度。

1.4 堆煤檢測視頻AI識別技術

帶式輸送機運行中由于運輸量大、大塊煤堵塞等因素導致的堆煤會造成輸送帶起火、撕裂等安全隱患。傳統輸送帶堆煤預警方法分為人工檢測和開關量堆煤傳感器檢測。人工檢測效率低、勞動強度大；開關量堆煤傳感器檢測存在易受環境影響、誤識別率較高等問題。視頻AI識別技術作為非接觸式檢測方法，在帶式輸送機堆煤檢測中可有效克服傳統檢測方法的弊端并提高識別實時性。

國內外學者針對堆煤檢測開展了諸多研究。文獻[43]利用無監督分割算法得到煤堆輪廓，在視頻圖像上設置電子圍欄，以是否超出警戒線判斷是否出現堆煤異常。文獻[44]針對煤礦帶式輸送機溜槽堆煤和擁塞問題，采用幀差-Vibe法和圖像亮度分割法獲得圖像的運動特性和亮度特性，并利用運動特性和亮度特性獲取實時ROI，計算累計煤粒度比值來判別是否出現堆煤異常。文獻[45]利用濾波去噪、降采樣等預處理算法對采集到的點云數據進行處理并完成煤流三維重建，利用前后2幀輸送帶煤流的高度和寬度信息差識別堆煤異常，識別效果如圖4所示。文獻[46]以YOLOv4和YOLACT算法為基礎，通過SGBM（Semi-Global Block Matching，半全局模板匹配）雙目視覺算法獲取堆煤三維坐標點，以求取堆煤體積，通過判斷體積是否超過設定閾值實現堆煤檢測。文獻[47]采用基于紅外結構光技術的快速重建煤流曲面方法實現帶式輸送機堆煤識別。文獻[48]在視頻中獲取圖像的內部凹凸信息和梯度漸變特征，組建曲量子場空間，構建堆煤模型，根據模型高度和半徑識別堆煤異常。

圖4 基于視頻AI技術的輸送帶堆煤識別效果Fig. 4 Coal pile recognition of belt based on video AI technology

基于二維視頻AI技術的堆煤識別受圖像顏色信息影響較大，易產生誤識別問題。基于三維視頻AI技術的堆煤異常識別方法能夠檢測帶式輸送機上煤流三維信息，對堆煤識別準確性更高，但現有的三維點云信息處理復雜，基于三維視頻AI的堆煤識別精度和速度有待進一步提升。

1.5 輸送帶異物視頻AI識別技術

煤礦帶式輸送機在運輸過程中存在矸石、錨桿、槽鋼等異物，輕則造成輸送帶劃傷、撕裂，重則導致輸送帶斷裂，影響煤炭正常運輸，甚至造成人員傷亡。常用的異物識別方法包括人工識別、射線識別、光譜識別、視覺識別等。人工識別異物勞動強度大、效率低，不符合智能化發展要求；射線識別存在輻射，會對人體健康產生影響；光譜識別效果不佳且效率低；基于視頻AI技術的視覺識別方法具有成本低和非接觸等優點，成為研究熱點。

對于井下復雜環境引起的視頻數據質量差及異物數據集不足等問題，需通過預處理進行數據增強。文獻[49]利用多卷積神經網絡及KinD++（Kindling the Darkness++，加入多尺度照明注意模塊的低光照圖像增強）算法增強圖像色彩，恢復異物細節特征。文獻[50]融合Mixup和CutMix數據增強方法，隨機將2張樣本圖像按照比例混合生成新圖像，實現異物數據集的擴充。

預處理后利用視頻AI識別算法進行異物識別。文獻[51]采用雙目視覺相機獲取圖像，基于Canny算法和灰度拉伸方法完成圖像處理，利用形態學矩陣方法提取異物特征，通過特征匹配方式解算出異物區域。文獻[52]提出一種融合殘差信息的輕量級網絡，采用殘差塊作為基本特征提取單元，以交叉學習機制和特征拼接的方法融合不同尺度的特征信息，以實現異物識別。文獻[53]以DarkNet-53作為主干特征提取網絡，利用深度可分離卷積替換標準卷積，引入復合殘差塊、加權雙向特征金字塔網絡和雙尺度輸出，提高特征利用率和異物識別效率。文獻[54]構建一種多尺度特征融合的語義分割網絡，將得到的多尺度特征圖譜在解碼器端進行融合，結合圖像的背景語義信息，對實際生產現場采集的煤中異物圖像實現端到端的檢測。文獻[55]以YOLOv3作為基礎框架，增加反卷積網絡，并以Focal Loss損失函數替換交叉熵損失函數，實現異物識別。文獻[56] 提出一種Faster-RCNN結合雙向特征金字塔網絡（Double-Sided Feature Pyramid Networks，DSFPN）的異物識別模型，模型以目標檢測框架Faster-RCNN為基礎，利用DSFPN自底向上和自頂向下2個多尺度特征融合過程來解決輸送帶異物的多尺度問題，提升了異物識別能力和精度。文獻[57]提出一種融合卷積塊注意力模型的YOLOv5目標檢測算法，增強異物在網絡中的特征表達能力，提升了異物目標識別精度。文獻[58]通過自適應空間特征融合圖像的特征信息，增強異物特征表達，實現異物準確識別。文獻[59]利用改進的模板匹配算法初步識別異物，結合幀差法和面積法進一步篩選大塊異物，實現對煤中異物精確篩選和識別。文獻[60]設計了基于幀間差分法、閾值分級和選擇輪廓算法的帶式輸送機大塊異物識別算法，并采用卡爾曼濾波對大塊異物進行追蹤。文獻[61]運用以深度可分離卷積替換其主干網絡的改進YOLOv7模型進行異物識別，并通過加入輕量化注意力機制模塊提升識別精度，識別效果如圖5所示。

圖5 基于視頻AI技術的輸送帶異物識別效果Fig. 5 Foreign object recognition of belt based on video AI technology

目前異物視頻圖像預處理方法難以破解高速運動導致的異物模糊問題，因此需深入研究解決運動模糊問題的預處理算法。在異物視頻AI識別算法方面，針對因異物數據不足導致的識別精度不高問題及因算法復雜導致的實時性問題，需加大對小樣本識別算法的研究，從而降低視頻圖像數據集構建時間，提升識別精度與速度。

2 異常狀態視頻AI識別技術存在問題及解決思路

視頻AI技術已廣泛應用于煤礦帶式輸送機異常狀態智能識別，在煤礦帶式輸送機跑偏、堆煤、異物、托輥故障、人員入侵和人員不安全行為等異常識別方面取得了一定的研究進展，但仍存在一些共性問題未解決。

2.1 視頻圖像數據集構建耗時長

1） 主要原因。目前視頻AI識別采用有監督學習方法，需要大量異常狀態數據樣本，這些樣本需要人工進行標注，耗時較長；異常狀態出現頻率小，采集異常狀態數據周期較長。

2） 解決思路。① 針對標注耗時長問題，加大半監督學習AI識別技術、無監督學習AI識別技術和小樣本學習算法的研究。如無監督學習AI識別只需輸入無標簽數據，算法自主生成人工標簽，然后對數據進行保持語義信息的數據增強后進行異常識別，小樣本學習算法只通過學習小樣本數據即可實現異常識別。② 擴充異常數據集。基于生成模型的擴充方法可得到豐富多樣的異常數據集[62]，也可較好解決異常數據采集周期長導致的數據集構建耗時長問題。

2.2 異常狀態識別精度不高

1） 主要原因。① 煤礦帶式輸送機處于采光條件差、雜光干擾、粉塵干擾等復雜環境，導致視頻圖像模糊。② 實際工況中帶式輸送機異常狀態出現頻率不高，導致異常狀態數據集不足，正常與異常樣本數據不平衡。③ 現有深度學習方法對于煤礦復雜環境下的視頻圖像特征提取和特征融合能力不足。

2） 解決思路。① 研究適應于煤礦井下復雜環境的圖像去模糊方法，構建數據集之前，進行圖像降噪、圖像增強等預處理，提升數據集圖像質量。② 對于正負樣本不均衡導致的識別精度不高問題，運用輔助分類生成對抗網絡等算法均衡異常和正常樣本，提升識別精度。③ 針對現有深度學習模型特征提取及融合能力不足導致的識別精度不高問題，通過改進視頻AI識別的深度學習算法，使之更適用于煤礦特殊環境。煤礦帶式輸送機異常狀態識別精度不高問題的解決思路如圖6所示。

圖6 煤礦帶式輸送機異常狀態識別精度不高問題的解決思路Fig. 6 Solutions to the problem of low precision of abnormal state recognition of coal mine belt conveyor

2.3 視頻信息傳輸延時大

1） 主要原因。① 目前帶式輸送機異常狀態視頻識別系統通過將視頻信息從井下帶式輸送機傳到地面服務器，地面服務器利用視頻AI識別算法識別視頻信息中異常狀態，視頻信息傳輸距離遠，且傳輸過程中存在網絡通信延時，導致視頻信息傳輸延時較大。② 帶式輸送機異常狀態識別信息傳輸量較大，網絡帶寬占用率高，影響視頻信息傳輸速率，導致傳輸延時較大。

2） 解決思路。① 針對目前將數據傳輸至地面服務區識別異常狀態導致的延時現象，構建“云-邊-端”協同的視頻AI識別系統架構，充分發揮邊緣節點計算的優勢，緩解傳輸過程及地面云端計算堵塞問題。“云-邊-端”帶式輸送機異常狀態視頻AI識別系統架構由云平臺、邊緣節點和前端設備組成，如圖7所示。系統利用5G網絡高效傳輸數據，采用邊緣節點對前端設備輸入的多種視頻數據進行視頻分析和處理，將處理后輸出的異常狀態識別結果轉入云平臺，并在人機交互界面顯示識別效果，動態決策預警。② 適當降低視頻分辨率，壓縮數據量，減小帶寬占用率，在井下合理部署高帶寬、低延時的5G等網絡通信系統。

圖7 “云-邊-端”協同的帶式輸送機異常狀態視頻AI識別系統架構Fig. 7 Architecture of abnormal state video AI recognition system for belt conveyor with cloud-edge-end

3 煤礦帶式輸送機視頻AI識別技術發展趨勢

1） 高性能視頻AI識別算法。針對識別精度不高、數據集構建耗時長等問題，需進一步加強無需人工構建數據集的無監督學習模型研究，簡化識別過程，并深化提升算法識別精度的理論研究。進一步加強對當下主流AI算法的改進研究并提出新的AI識別算法，使之在井下復雜環境中呈現更好的識別效果。

2） 高帶寬、低延時視頻通信技術。現有4G、WiFi等網絡通信技術在帶寬、穩定性、延時等方面都不能滿足煤礦視頻信息高效傳輸需求，所以攻關高帶寬、低延時的視頻通信技術是未來的發展趨勢之一。如代表性的5G網絡，具有高帶寬、低延時等優勢，合理部署后將有利于解決井下帶式輸送機異常狀態視頻數據傳輸延時問題。

3） “云-邊-端”高效協同視頻AI識別系統。目前用于視頻AI識別分析的邊緣計算節點存在通信接口協議、數據類型不同及邊緣計算能力不足等問題，均會導致“云-邊-端”系統難以高效協同。因此，應進一步加強對邊緣計算、多數據融合技術，以及通信協議、接口自主匹配研究，構建“云-邊-端”高效協同處理的視頻AI識別系統。

4） 健全視頻AI識別技術標準。目前視頻AI識別技術已廣泛應用于煤礦井下帶式輸送機等場景異常狀態識別中，但尚未建立統一的技術規范標準、技術管理標準和技術應用標準，不利于視頻AI識別技術在更多煤礦中的推廣和應用。因此，逐步健全視頻AI技術標準和生產實際中的技術管理體系，有助于形成安全高效的帶式輸送機異常狀態視頻AI識別體系，不斷提高煤礦智能化建設水平。

4 結語

分析了煤礦帶式輸送機異常狀態視頻AI識別技術研究現狀，總結出帶式輸送機異常狀態視頻AI識別存在視頻圖像數據集構建耗時長、異常狀態識別精度不高、視頻信息傳輸延時大3個主要問題，并提出了相應的解決思路。指出未來煤礦帶式輸送機異常狀態視頻AI識別技術的主要發展方向為深入研究高性能視頻AI識別算法，不斷發展高帶寬、低延時視頻通信技術，構建“云-邊-端”高效協同的視頻AI識別系統及健全視頻AI識別技術標準。