任富強、李剛、康宇全

（貴州省煤礦設(shè)計研究院有限公司，貴州貴陽 550025）

0 引言

我國是當前世界上最大的煤炭生產(chǎn)國及消費國，煤炭資源在我國的能源結(jié)構(gòu)中占據(jù)重要地位。煤炭開采環(huán)境復雜，從生產(chǎn)到最終發(fā)運到全國各地，需要通過煤炭運輸環(huán)節(jié)來實現(xiàn)，如果對該環(huán)節(jié)的工作監(jiān)控管理不到位，就容易造成大量的資源浪費。當前，煤炭產(chǎn)業(yè)引入了圖像AI 識別技術(shù)，用以提高煤炭運輸效率，避免資源浪費。圖像識別是AI 技術(shù)的一大重要領(lǐng)域。在煤炭運輸作業(yè)中，主要應用的是圖像識別技術(shù)中的機器視覺技術(shù)，通過攝像頭、傳感器等外接設(shè)備，獲取圖像，分析作業(yè)過程中存在的各種隱患，還能通過相應算法選取最佳運輸路線，能夠有效提高運輸?shù)陌踩约氨憬菪浴?/p>

1 基于圖像識別技術(shù)的煤礦運輸皮帶異物檢測

1.1 異物來源及危害

因生產(chǎn)環(huán)境復雜，煤炭中易摻雜異物，其中的異物主要為矸石和金屬器物兩類。煤炭采集和清洗過程中會排放出固體廢物，這種固體廢物就是矸石，矸石與煤層伴生，顏色與煤相近，硬度高于煤，碳含量低于煤。煤礦頁巖、煤層之間的巷道排出的部分砂石也屬于矸石。在機械化、自動化程度較高的礦山，矸石會不可避免地與煤炭混合在一起，其含量一般達17%左右。金屬器物主要是鐵器，且多為較大的鐵器，如工字鋼、鋼板、開采工具等。這類異物多是工作人員將各類物品遺失在煤倉上口或者溜眼等位置導致的。此外，煤炭運輸皮帶的擋煤、給煤設(shè)備固接不牢，也會導致物品掉落成為異物。

皮帶是動力傳輸與煤炭之間的介質(zhì)，將煤炭從生產(chǎn)區(qū)域運輸出來一般需要通過運輸皮帶來完成。煤礦產(chǎn)業(yè)的生產(chǎn)任務(wù)非常繁重，運輸皮帶的運行時間很長，想要保證安全生產(chǎn)，就必須確保皮帶正常運轉(zhuǎn)且不受損害。煤礦運輸作業(yè)中采用的皮帶價格較高，質(zhì)量上乘，一般要求使用6年以上。在煤炭運輸過程中，異物的鋒利邊角會造成皮帶撕裂破損。如果在運行過程中異物損壞皮帶，則會導致一定的經(jīng)濟損失，以及耽誤工時的損失等。為了避免運輸系統(tǒng)停滯癱瘓，影響生產(chǎn)效率，帶來經(jīng)濟損失以及避免給工作人員帶來安全威脅，必須快速定位異物并剔除。而在煤炭運輸工作中借助圖像AI 識別技術(shù)，可將異物迅速定位。

1.2 基于AI 深度學習的煤炭運輸皮帶異物識別系統(tǒng)

1.2.1 基于AI 深度學習的煤炭運輸皮帶異物識別可行性

基于AI 深度學習的機器視覺技術(shù)在煤炭產(chǎn)業(yè)中有極大的應用價值，該技術(shù)主要是通過圖像定位檢測對象的位置。因異物問題較為嚴重且不易被發(fā)現(xiàn)，故對目標檢測的要求較高，傳統(tǒng)的檢測方法無法同時滿足實時、迅捷兩個要求。AI 深度學習概念在圖像分類領(lǐng)域以及對象檢測領(lǐng)域有著較好的表現(xiàn)。深度神經(jīng)網(wǎng)絡(luò)可以通過多層網(wǎng)絡(luò)逐層篩選對象信息特征，將低級特征不斷組合，生成抽象的高級特征，借助函數(shù)計算提升模型的擬合能力，完成學習過程。深度神經(jīng)網(wǎng)絡(luò)具備多層映射結(jié)構(gòu)，更加逼近復雜函數(shù)，加之具備特征提取能力與持續(xù)學習能力，能夠建立起最符合煤炭運輸皮帶運行環(huán)境的模型。同時，卷積神經(jīng)網(wǎng)絡(luò)的對象檢測算法可以快速完成檢測，檢測精度也符合要求，在煤炭運輸過程中，能夠達到檢測實時性與精確性的平衡。目前，我國的煤礦企業(yè)都實現(xiàn)了運輸皮帶視頻監(jiān)控和集控設(shè)備配套，每個皮帶的機頭部位置和轉(zhuǎn)載位置都安裝了圖像識別攝像頭，工作人員可以遠程監(jiān)控運輸皮帶的實時情況。在深度識別運輸皮帶上異物的識別算法中，F(xiàn)aster R-CNN 系列的應用較為廣泛，目前該算法的檢測速度和精度更高，可高效完成基于AI 深度學習算法的煤炭運輸皮帶異物識別工作。

1.2.2 基于AI 深度學習的煤炭運輸皮帶異物識別優(yōu)勢

傳統(tǒng)的煤炭運輸皮帶異物檢測方式中的對象檢測流程如下：首先，查詢系統(tǒng)所獲取的圖像，對所有可能存在異物的皮帶位置進行搜索。其次，對以上搜索區(qū)域進行特征提取。再次，運用分類器對搜集到的特征進行分類，同時對是否存在異物對象做出判斷。最后，輸出檢測結(jié)果。該方式的遍歷過程較長，使得檢測的實時性不高，降低了系統(tǒng)的整體檢測性能。

傳統(tǒng)的對象檢測算法有一定的局限性，僅適用于背景非常簡單、對象特征很明顯的場景。而煤炭運輸?shù)淖鳂I(yè)環(huán)境較為復雜，傳統(tǒng)的對象檢測算法的檢測效果自然不佳?；贏I 深度學習的檢測算法，可以應對復雜多變的背景以及特征多變或不明顯的對象，能夠更準確地完成對象檢測?；贏I 深度學習的檢測算法所能提取的對象特征更豐富、更細致，加之利用大量數(shù)據(jù)訓練模型算法，該算法更健壯，可應對的場景更廣泛。傳統(tǒng)的機器學習對象檢測方式側(cè)重于提取對象特征、解釋對象特征?；贏I 深度學習的對象檢測算法，可利用多層卷積神經(jīng)網(wǎng)絡(luò)自學習，不需要人為設(shè)定對象特征，對象特征表達能力強、檢測精度高，且隨著AI 技術(shù)的不斷發(fā)展，系統(tǒng)的學習能力和圖像處理能力更強，能夠更好地適應煤炭運輸作業(yè)環(huán)境，光照條件差、煤塵干擾多、視覺環(huán)境復雜等問題均不會影響檢測效果，目前該算法已基本取代傳統(tǒng)算法，成為當前圖像識別中的主流技術(shù)。并且，基于AI深度學習的對象檢測系統(tǒng)安裝簡單、維護簡便，長期應用的成本較低。

1.2.3 基于AI 深度學習的煤炭運輸皮帶異物識別方法

基于AI 深度學習的圖像識別算法能夠通過模擬人的神經(jīng)系統(tǒng)，提取圖像中的對象特征數(shù)據(jù)，挖掘深層次特征，更好地進行對象分類。卷積神經(jīng)網(wǎng)絡(luò)Faster R-CNN 是專門針對圖像識別而構(gòu)建的神經(jīng)網(wǎng)絡(luò)，可模仿人類的識別過程進行圖像處理和對象識別。在此基礎(chǔ)上，研究人員發(fā)現(xiàn)了基于區(qū)域的高速卷積網(wǎng)絡(luò)Faster R-CNN，能夠更快地完成檢測，使用區(qū)域建議網(wǎng)絡(luò)完成目標監(jiān)測，可提高檢測實時性。在煤礦運輸作業(yè)中，F(xiàn)aster R-CNN 能夠快速地完成對象檢測，識別矸石和金屬器物。

AI 深度學習檢測方式運用的輔助方法有如下幾種：第一，中值濾波法，將統(tǒng)計結(jié)論進行排序完成噪聲抑制，屬于非線性信息處理方式，可以對圖像進行降噪，能夠有效解決煤礦傳輸作業(yè)環(huán)境陰暗、灰塵較多的問題。第二，直方圖分析法，增強圖像的局部對比度，借助圖像直方圖的對比度進行圖像分析。第三，自適應均衡化方法，先計算出直方圖，然后重新分布亮度，再次調(diào)節(jié)圖像對比度，通過改進對比度獲得更多細節(jié)，取得更好的圖片處理結(jié)果。第四，F(xiàn)aster RCNN，可解決不同圖像對象的輸入問題，提高檢測的準確度和實效性。

2 運用圖像跟蹤識別技術(shù)對進出煤炭廠區(qū)的車輛進行監(jiān)控

2.1 圖像跟蹤識別技術(shù)連續(xù)幀差法監(jiān)控技術(shù)概述

連續(xù)幀差法監(jiān)控技術(shù)是基于對煤炭運輸過程的把控和保護提出的。在煤場運輸點的出入口位置安裝視頻監(jiān)控頭，對所有進出運輸點的車輛進行管理和監(jiān)控，判斷是否放行。監(jiān)控系統(tǒng)借助連續(xù)幀差法，并結(jié)合車牌識別技術(shù)，可避免攝像頭從某個特定角度進行目標監(jiān)控，導致錯失目標或者監(jiān)控錯誤。系統(tǒng)控制云臺旋轉(zhuǎn)，可從不同角度進行掃描，獲取車牌不同角度的清晰圖像，識別速度和準確度更高。

在追蹤車牌對象的過程中運用連續(xù)幀差法，選用雙峰法確定最佳值，計算車牌對象運動區(qū)域，將目標與背景分割開來，形成容易記錄和識別的二值圖像。圖像中可能含有白噪點、空點、孤立點，會影響系統(tǒng)甄別。為此，可引入卡爾曼濾波預測車牌對象下一時刻所處的位置，進而實現(xiàn)全過程跟蹤。將掃描結(jié)果實時上傳給計算機進行識別，連接車牌識別系統(tǒng)，將采集結(jié)果與系統(tǒng)數(shù)值相對應，驗證車牌的合法性，最終判斷是否放行。

根據(jù)煤場運輸點環(huán)境，進行連續(xù)幀差法的硬件選型、安裝和調(diào)試，完成系統(tǒng)集成，通過車牌識別、云臺控制等模塊，實現(xiàn)監(jiān)控管理功能。系統(tǒng)對進出運輸場的速度低于70km/h 的車輛進行圖像采集、追蹤、識別，車牌識別速度需達到每幅圖像小于0.3s 的要求。系統(tǒng)與車輛信息數(shù)據(jù)庫相連，可將追蹤到的車輛信息與數(shù)據(jù)庫中的信息相對照，且查詢車輛信息數(shù)據(jù)庫的時間不得大于0.3s。系統(tǒng)拍攝的圖像在處理前后都要做到可以由人眼識別，系統(tǒng)識別準確率需高于96%。同時，要求系統(tǒng)前端至少可以連續(xù)運行一個月不出現(xiàn)系統(tǒng)宕機、死機等問題。

2.2 圖像跟蹤識別技術(shù)連續(xù)幀差法監(jiān)控技術(shù)工作原理

針對煤場運輸點進出口車輛監(jiān)控工作的圖像跟蹤識別系統(tǒng)，主要是基于連續(xù)幀差法原理，該系統(tǒng)主要由云臺模塊、攝像模塊、目標追蹤識別模塊、車輛識別模塊等組成。由于煤場運輸點并無統(tǒng)一的引導柵欄，所以云臺要不斷運動，以追蹤車輛、捕捉圖像，并加以識別。車輛來到監(jiān)控設(shè)備工作區(qū)域時，上位機收到信號，啟動云臺和攝像頭，系統(tǒng)同步進行跟蹤、識別、查詢工作。

圖像跟蹤識別系統(tǒng)分為以下幾個部分：車輛到達感應部分、云臺控制部分、計算機部分、車輛識別部分、云臺控制部分。

車輛到達感應部分采用的是圖像AI 識別中常見的地磁感應器。在運輸點入口7m 左右的位置安裝感應器，車輛到達后感應器會將車輛信息傳達給計算機，計算機發(fā)送信號給監(jiān)控攝像頭，攝像則開始采集車輛圖像。

圖像采集部分使用的是CCD 攝像設(shè)備。攝像頭對進入監(jiān)控區(qū)域的車輛進行拍照，系統(tǒng)將照片圖像傳送給計算機，用以識別車牌號。為避免出現(xiàn)不清晰圖像，一般抓拍4 張照片，以提高識別效率，使系統(tǒng)能夠快速完成識別。

云臺控制設(shè)備持續(xù)追蹤汽車行駛軌跡，如果車牌被障礙物遮擋，或者司機主觀遮擋，云臺則會俯仰運動或者左右搖擺，直至獲取合格的車牌號圖像。

計算機存儲、管理、搜集所有車輛信息，其中包括車牌號、車輛信息、車主信息、進出時間、車輛進出時的重量等。計算機要不斷從地磁傳感器中調(diào)取車輛信息，將指令傳遞給云臺與監(jiān)控攝像頭，實時完成圖像采集、跟蹤、識別。

3 利用圖像AI 識別蟻群算法進行運輸路線選擇

3.1 圖像AI 識別蟻群算法

蟻群算法是一種用來尋找優(yōu)化路徑的概率型算法。該算法的創(chuàng)始人稱，其靈感源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。該算法是一種模擬算法，模擬過后完成進化，且相關(guān)研究和應用都證明，該算法具有很好的適用性。螞蟻覓食過程中，單一成員行為很簡單，但是蟻群卻可以呈現(xiàn)智能選擇行為。蟻群可在不同環(huán)境下尋找到最短的可達食物源的路徑，這是因為蟻群內(nèi)部的個體可以通過信息機制完成信息傳遞，在路徑上釋放“信息素”，所有個體感知到信息素，沿著信息素濃度最高的路徑行進，形成正向反饋。經(jīng)過一段時間的嘗試，蟻群就能夠找到通往食物源的最短路徑了。

3.2 圖像AI 識別技術(shù)蟻群算法在煤炭運輸路徑選擇中的應用

運用蟻群算法計算煤炭運輸過程中最短時間內(nèi)的最佳路徑，能夠提高煤炭運輸效率，特別是在緊急調(diào)運的情況下，能夠大大提高煤炭運輸?shù)膽獙δ芰ΑＦ涔ぷ髟砣缦拢簩⒚禾窟\輸路徑選擇轉(zhuǎn)換為圖像AI識別問題，通過計算機將采集的圖像轉(zhuǎn)化為數(shù)字矩陣，存放于數(shù)據(jù)庫，通過特定算法進行數(shù)據(jù)分析。

應用蟻群算法選擇煤炭運輸路徑時，要求系統(tǒng)在煤炭運輸過程中搜集部分圖片，將所有數(shù)量元素提取成為數(shù)學計算元素，設(shè)置運輸次數(shù)，設(shè)定禁忌區(qū)域。根據(jù)兩地距離、運輸成本、損耗、禁忌等數(shù)據(jù)，將“螞蟻”的地點從原煤場轉(zhuǎn)移到目的地，遍歷所有可選路徑，計算所有路徑上的信息量。對比信息量，進行動態(tài)調(diào)整，所有“螞蟻”都收斂到同一條路徑，則該路徑為最優(yōu)路徑。對該方法進行仿真驗證，發(fā)現(xiàn)運用蟻群算法得到最優(yōu)路徑比傳統(tǒng)方法便捷，運輸目的地的數(shù)量越多，最優(yōu)路徑和其他路徑的差距越大，更容易選出最優(yōu)路徑，可見此算法的優(yōu)勢較為明顯。

4 結(jié)語

在煤炭運輸皮帶異物識別、運煤進出口車輛對象識別、煤炭運輸路線設(shè)計等環(huán)節(jié)，應用圖像AI 識別技術(shù)，能夠極大地提高煤炭運輸作業(yè)的效率與安全水平，并且能夠有效減少資源浪費。但該技術(shù)在煤炭運輸作業(yè)中的應用尚存在一些不足，仍需相關(guān)領(lǐng)域研究人員加大研究力度，以不斷提高其工作效率與精準度，大幅度提高煤炭運輸效能，促進煤炭產(chǎn)業(yè)可持續(xù)發(fā)展。