煤矿巷道支护钢带锚孔智能识别与定位
张夫净1
王宏伟2
王浩然3
李正龙1
王宇衡1
1.太原理工大学矿业工程学院,山西太原 030024;太原理工大学 山西省煤矿智能装备工程研究中心,山西 太原 0300242.太原理工大学 山西省煤矿智能装备工程研究中心,山西 太原 030024;太原理工大学机械与运载工程学院,山西太原 030024;山西焦煤集团有限责任公司 博士后工作站,山西 太原 0300243.太原理工大学 山西省煤矿智能装备工程研究中心,山西 太原 030024;太原理工大学安全与应急管理工程学院,山西晋中 030600
摘要：煤矿井下掘进巷道使用钢带辅助锚杆支护时,如果支护钢带锚孔的定位不准确,钻头打在钢带或锚网上易造成设备损坏,存在较大安全隐患.针对上述问题,提出了 一种基于改进YOLOv5s模型的煤矿巷道支护钢带锚孔智能识别与定位方法.①通过超分辨率重构技术(SR)增加锚孔图像的清晰度,防止因图像模糊而丢失图像中锚孔边缘高频信息.②由于锚孔较小且摄像头距锚孔有一定距离,在卷积神经网络中易丢失较小锚孔的特征信息,影响锚孔检测效果.在YOLOv5s模型的Backbone网络中添加坐标注意力机制(CA)模块,增加YOLOv5s网络中特征提取网络的网络层数,将目标物体的坐标信息融入到卷积网络中,可有效提取锚孔小目标特征信息,从而提高锚孔检测成功率.③利用嵌入CA模块的YOLOv5s网络训练经SR重构后的锚孔数据集,得到改进后的YOLOv5s模型,即SR-CA-YOLOv5s模型.④ 采用SR-CA-YOLOv5s模型结合双目摄像头对锚孔进行实时识别与定位.实验结果表明:相较于YOLOv5s模型,SR-CA-YOLOv5s模型的平均精度均值为96.8％,较YOLOv5s模型提高了 3.1％;SR-CA-YOLOv5s模型有更好的检测能力,在一定程度上避免了漏检;虽然SR-CA-YOLOv5s模型的每秒填充图像的帧数(FPS)降低了 18.5帧/s,但其FPS仍保持在166.7帧/s,并不影响模型的实时检测功能.实际测试结果表明:SR-CA-YOLOv5s模型能够在不同光照条件下准确检测出锚孔并获得锚孔相对于摄像头的三维坐标,坐标误差在6 mm以内,且FPS满足实时性要求.
关键词：巷道支护锚杆钻机钻锚位置支护钢带锚孔智能识别与定位YOLOv5s超分辨率重构坐标注意力机制
分类号：TD67(矿山电工)
资助基金：国家重点研发计划(2020YFB1314004)山西省揭榜招标项目(20201101008)山西省重点研发计划项目(202102100401015)
论文发表日期：2022-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 76-81 )
英文信息