范喜林

(中煤科工集團 常州研究院有限公司，江蘇 常州 213015)

帶式輸送機在煤礦生產(chǎn)作業(yè)中廣泛應用，膠帶堆煤事故時有發(fā)生。當堆煤事故發(fā)生時，若未及時處理將帶來嚴重的安全隱患，同時會給煤礦企業(yè)帶來較大的經(jīng)濟損失。因此，建立有效、可靠的帶式輸送機堆煤檢測系統(tǒng)具有極其重要的意義[1-2]。

目前，大多數(shù)煤礦企業(yè)采用堆煤傳感器檢測帶式輸送機運煤狀態(tài)，大致可分為三種，分別基于行程開關、水銀開關、電極式原理實現(xiàn)。以上傳感器雖能實現(xiàn)堆煤狀態(tài)的檢測。但煤礦井下煤塵較多、濕度較大，行程開關與電極式原理傳感器易受煤塵、濕度影響出現(xiàn)誤檢；水銀開關無法全方位檢測，容易出現(xiàn)漏檢。煤礦井下環(huán)境的復雜性造成堆煤傳感器靈敏度不高，可靠性較差。為了有效解決現(xiàn)有堆煤檢測方法的不足，本文提出一種基于BP神經(jīng)網(wǎng)絡的方法實現(xiàn)對帶式輸送機運行時堆煤狀態(tài)的檢測。

1 BP神經(jīng)網(wǎng)絡識別算法

1.1 BP神經(jīng)網(wǎng)絡簡介

神經(jīng)網(wǎng)絡的研究始于20世紀40年代，由美國科學家McCulloch和Pitts共同提出。神經(jīng)元被視為二值開關，不同的組合方式可以實現(xiàn)不同的邏輯運算。這種“邏輯神經(jīng)元”模型又被稱為MP模型(網(wǎng)絡神經(jīng)元模型)，MP模型的提出打開了神經(jīng)網(wǎng)絡研究的大門。

神經(jīng)網(wǎng)絡的發(fā)展歷程大致為：1947—1969年為發(fā)展初期，在此期間許多類別的神經(jīng)元模型和學習規(guī)則被科學家們相繼提出；1970—1985年為神經(jīng)網(wǎng)絡研究的低谷期，期間，Hopfield教授提出了能量函數(shù)的概念，同時提出了用于聯(lián)想記憶和優(yōu)化計算的方法。1984年，Hiton教授提出Boltzman模型；1986年,McClelland等提出誤差反向傳播的神經(jīng)網(wǎng)絡，簡稱BP(back propagation)網(wǎng)絡。

如今，BP神經(jīng)網(wǎng)絡已經(jīng)成為廣泛使用的網(wǎng)絡。1987年至今為其發(fā)展期，在此期間，神經(jīng)網(wǎng)絡發(fā)展受到國際上眾多研究者們的重視，各個國家都對此展開相關研究，從而形成神經(jīng)網(wǎng)絡發(fā)展的另一個快速發(fā)展期。

1.2 BP神經(jīng)網(wǎng)絡原理

BP神經(jīng)網(wǎng)絡[3-4]是一種按照誤差反向傳播(誤差反傳)的多層前饋網(wǎng)絡，其算法被稱為BP算法。該算法的基本思想是梯度下降法(Gradient Descent)，得到最小化的損失函數(shù)和模型參數(shù)值，最終使網(wǎng)絡的實際輸出與期望輸出的誤差、均方差都達到最小。

BP神經(jīng)網(wǎng)絡不僅具有輸入層、輸出層的節(jié)點，而且還有一個或多個隱藏層節(jié)點。對于輸入端，第一個轉到隱藏層的節(jié)點，通過每個單元的激活函數(shù)(也稱為動作函數(shù))來操作，在操作之后，隱藏節(jié)點的輸出信息傳播到輸出節(jié)點，最后得到輸出結果。

BP神經(jīng)網(wǎng)絡使用梯度下降法,梯度下降法是基于誤差函數(shù)的梯度,每兩個節(jié)點權重和計算重量誤差函數(shù)的貢獻,然后根據(jù)梯度信息來修改權重以達到學習的目的。BP網(wǎng)絡可以有多個隱藏層，其中h隱藏層，根據(jù)前饋順序，隱藏層節(jié)點是：w1，w2，……，wh+1.BP神經(jīng)網(wǎng)絡模型結構如圖1所示。

BP神經(jīng)網(wǎng)絡識別算法核心部分需要經(jīng)過輸入信號的前向傳播和誤差反傳兩個必要過程。即計算誤差輸出時，按照從輸入到輸出的方向進行，而調(diào)整閾值和權值則需要從輸出到輸入的方向進行。正向傳播時，輸入端信息通過隱藏層作用于輸出節(jié)點，經(jīng)過非線性變換(Nonlinear transformation)，產(chǎn)生輸出結果，如果實際輸出與期望輸出差別較大，則轉入誤差的反向傳播過程，將誤差通過隱藏層向輸入層逐層反傳，誤差分攤給各隱藏層單元。這樣，獲得的誤差信號即可作為各隱層調(diào)整權值的依據(jù)。使誤差沿梯度方向下降，經(jīng)過反復訓練過程，網(wǎng)絡自動確定與最小誤差相對應的網(wǎng)絡參數(shù)(權值和閾值)，訓練即停止。此時，經(jīng)過訓練的神經(jīng)網(wǎng)絡即可以對類似樣本的輸入，進行自行處理，使得輸出結果誤差最小。

圖1 BP神經(jīng)網(wǎng)絡模型結構

1.3 BP神經(jīng)網(wǎng)絡計算過程

BP神經(jīng)網(wǎng)絡輸入層與輸出層之間的若干層神經(jīng)元被稱為隱藏層單元。它們與外界沒有直接的聯(lián)系，但是其狀態(tài)的改變，則能影響輸入與輸出之間的關系。BP神經(jīng)網(wǎng)絡的計算過程分為正向和反向兩個部分。正向傳播為，輸入端信號從輸入單元層經(jīng)過隱藏單元層逐層處理，轉向輸出層。如果在輸出層不能得到期望的輸出，則網(wǎng)絡自動轉入反向傳播過程，將誤差信號沿原路返回，通過修改各隱層神經(jīng)元的權值，使得誤差信號最小。

2 堆煤檢測實驗

2.1 堆煤檢測方法的設計

本文所提出的基于BP神經(jīng)網(wǎng)絡的堆煤檢測方法包括以下三個步驟：

1) 堆煤場景數(shù)據(jù)集采集：采用礦用攝像儀獲取得到的堆煤視頻場景，拆分為堆煤場景圖像，以此作為堆煤場景數(shù)據(jù)集；

2) 特征值提?。焊鶕?jù)堆煤場景數(shù)據(jù)集圖像，采用HOG特征提取算子進一步處理，得到圖像特征向量；

3) 堆煤檢測：設計BP神經(jīng)網(wǎng)絡檢測算法，檢測礦用攝像儀獲取得到的帶式輸送機機頭運煤視頻解析圖片，最終得到檢測結果。

結合上述內(nèi)容，設計出如圖2所示的堆煤場景檢測流程圖。

2.2 圖像特征值提取

在圖像處理過程中，比較常用的圖像特征提取的算法有[5]：局部二值模式(Local Binary Pattern，LBP)特征，Haar特征，方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征。經(jīng)過查找文獻，對比三者對圖像的特征提取效果得知，與其他兩種算法特征描述相比，HOG算法特征提取具有比較多的優(yōu)點。

具體表現(xiàn)如下：①HOG算法特征提取運算在圖像的局部方格單元上進行，因此它對圖像的幾何以及光學形變均能保持最大限度的不變性，而且這兩種形變僅會出現(xiàn)在更為寬大的空間領域上。②在較強的局部光學歸一化以及在精細的方向上抽樣條件下，被檢測圖像的少許位移，旋轉等微小的動作，都可以被忽略，而不會影響到HOG特征提取的效果。因此，HOG特征提取算法適合于做圖像檢測,本文選定采用HOG算法對圖像特征值進行提取。

圖2 堆煤場景檢測流程圖

2.3 BP神經(jīng)網(wǎng)絡訓練

2.3.1 訓練集與測試集的劃分

BP神經(jīng)網(wǎng)絡檢測圖像的過程，需要將待檢測圖像劃分為訓練集和測試集。測試集樣本與訓練集的樣本比例通常被劃分為1∶3.

考慮到帶式輸送機機頭運煤場景共有3種，分別為空載、正常、堆煤，為了體現(xiàn)本文方法的可靠性，在數(shù)據(jù)集采集過程中一共處理得到以上三種場景的數(shù)據(jù)集。每種場景采集得到80張圖像，共計240張圖像。隨機選取每類圖像的60張作為訓練集，共計180張，剩余圖像作為測試集,共計60張。

2.3.2 BP神經(jīng)網(wǎng)絡的訓練

BP神經(jīng)網(wǎng)絡訓練過程中，僅將訓練集的樣本訓練，構造輸入矩陣及輸出矩陣。待檢測運煤場景為3類，分別將空載、正常、堆煤數(shù)據(jù)集的標簽標記為“0”，“1”，“2”。由于待檢測帶式輸送機機頭運煤狀態(tài)有3類，即輸出類別有3類，故應構造出3個輸出神經(jīng)元，設置450個隱層神經(jīng)元(一般隱層神經(jīng)元個數(shù)為輸入神經(jīng)元與輸出神經(jīng)元和的一半)，同時根據(jù)后續(xù)實驗結果得知，設置450個隱層神經(jīng)元是適當?shù)?。BP神經(jīng)網(wǎng)絡訓練過程如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡訓練窗口

由圖3可知，該神經(jīng)網(wǎng)絡輸入?yún)?shù)為900(特征向量維數(shù))，輸出參數(shù)為3(3個類別)，隱藏層神經(jīng)元個數(shù)為450個；訓練算法為梯度下降自適應LR算法，誤差指標為mse，計算方式為MEX；迭代次數(shù)為217次，網(wǎng)絡訓練時間為10 s，第一次迭代網(wǎng)絡輸出誤差為0.237、梯度為1.06.

2.3.3 實驗結果

訓練得到的BP神經(jīng)網(wǎng)絡模型在測試集上的表現(xiàn)，見表1。

表1 帶式輸送機機頭運煤場景檢測結果

由表1可知，實驗中對帶式輸送機機頭堆煤場景檢測的準確率為96.7%，回歸系數(shù)為0.981；空載場景準確率為95%，回歸系數(shù)為0.972；正常場景下準確率為93.3%，回歸系數(shù)為0.951.

煤塊正常運輸時的場景檢測準確率以及回歸系數(shù)均較低的原因在于，帶式輸送機機頭的煤塊量介于堆煤與空載之間，對BP神經(jīng)網(wǎng)絡模型的檢測精度有一定影響。

3 結 語

1) 本文提出的方法對堆煤狀態(tài)檢測的準確率可以穩(wěn)定在95%以上，可以有效解決傳統(tǒng)的堆煤檢測方法易受煤礦井下環(huán)境影響存在的漏檢、誤檢率較高的問題。

2) 本文提出的堆煤狀態(tài)檢測方法具有準確率高、低功耗等優(yōu)點，具有一定的實際應用價值。