基于深度卷积神经网络的卡车装载矿石量估计研究

摘要：

卡车装载矿石量一般采用人工方式进行统计,人工统计不具有客观性,可能影响卡车司机的绩效考核;此外还有使用激光扫描技术或地磅对装载矿石量进行精确统计,但设备成本过高.为节约成本并提高测量精度,研究采用基于深度卷积神经网络的技术实现卡车装载矿石量的估计.由于实际场景下矿车装载矿石的图片不便获取,故使用三维物理引擎Chrono模拟矿石堆落入卡车的过程,从而生成装载矿石量和矿石分布区域均不同的卡车图片.通过构建深度卷积神经网络对生成的样本进行拟合,用最后一层神经元的预测值与真实值的欧式距离作为代价函数.然后,对卷积核与特征图进行可视化,分析卷积神经网络实现矿石量估计的过程.试验结果表明,构建的深度卷积神经网络在实验测试集上的准确度较好,测试样本预测误差大部分在4％以内.说明用深度学习技术实现自然场景下卡车装载矿石量的估计切实可行,且具有较好的应用前景.

关键词：矿石量估计、人工智能、深度学习、卷积网络、物理引擎

所属期刊栏目：27

分类号：TD57(矿山运输与设备)

资助基金：国家自然科学基金项目"基于深度学习和距离场的复杂金属矿体三维建模技术研究"41572317

在线出版日期：2019-04-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：112-120