基于图像识别的带式输送机输煤量和跑偏检测方法

摘要：

传统的卷积神经网络(CNN)是单任务网络,为实现带式输送机输煤量和跑偏的同时检测,使用2个卷积神经网络分别对输煤量和跑偏进行检测,导致网络体积大、参数多、计算量大、运行时间长,严重影响检测性能.为降低网络结构的复杂性,提出了一种基于多任务卷积神经网络(MT-CNN)的带式输送机输煤量和跑偏检测方法,可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数.在VGGNet模型的基础上,增大卷积核和池化核的尺度,减少全连接层通道数量,改变输出层结构,构建了MT-CNN;对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后,获取训练数据集和测试数据集,并对MT CNN进行训练;使用训练好的MT CNN对输送带图像进行识别分类,实现输煤量和跑偏的准确、快速检测.实验结果表明,训练后的MT-CNN在测试数据集中检测准确率为97.3％,平均处理每张图像的时间约为23.1 ms.通过现场实际运行验证了该方法的有效性.

关键词：带式输送机、输煤量检测、跑偏检测、图像识别、多任务卷积神经网络

所属期刊栏目：46

分类号：TD634.1(矿山电工)

资助基金：国家自然科学基金资助项目;陕西省教育厅科研计划资助项目

在线出版日期：2020-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：17-22