论文部分内容阅读
井下排水系统的运行状况直接影响煤炭开采的稳定与安全。作为排水系统的核心部门,矿井泵房属于煤矿井下高级别限制区域。为保障矿井泵房的安全运行,需及时获取水泵的异常工作状态,并具备警示技术员的危险区域操作及无关人员的进入等能力。而目前,矿井泵房内监控系统只提供现场工况环境的视频监测、存储等简单功能,无法实现智能在线预警功能。鉴于此,本文在已有矿井泵房监控系统的基础上,利用机器视觉、深度学习等智能算法,实现对现场工况的智能在线监控,主要包括以下内容:针对井下泵房的漏水检测问题,提出了一种结合运动目标检测以及卷积神经网络分类算法的检测策略:首先,利用漏水区域的运动特性,采用三帧差分法,确定包含运动目标的区域;其次,将运动目标定义为疑似漏水区域;最后,搭建基于卷积神经网络的判别模型,对疑似漏水区域进行判定。实验表明基于ResNet-50的分类模型在漏水区域判别的准确率可达到96.8%。为获取井下泵房人员进入的情况,基于Deepsort模型,研究对泵房内人员实现多目标跟踪的方法:首先,分别采用YOLOv3、YOLOv3-tiny以及YOLOv3-MobileNet 3种网络,作为Deepsort模型检测器;然后利用ReID网络进行特征提取,结合余弦相似度损失函数进行训练;最后,采用匈牙利匹配算法对跟踪以及检测结果进行数据关联,从而实现矿井泵房内人员多目标跟踪,实验表明基于YOLOv3的Deepsort模型的多目标跟踪准确度可达到83.7%。关于井下泵房人员动作行为的识别,研究了基于三维卷积神经网络的6种基础动作鉴定:首先采用固定窗口方式制作数据集;然后采用C3D、ResNet-3D以及Inception-3D网络对矿井泵房内人员进行行为识别,并结合P3D与Inception-3D网络提出一种更为高效的PI3D模型。相较于原始Inception-3D模型,PI3D网络的模型参数减少了58%,其行为识别准确度可达到91.5%。基于上述模型算法,通过引入模块化的设计思想,设计友好的软件平台,设计一套完备的煤矿井下泵房环境智能在线监控系统,以实现漏水事故预警及工作人员轨迹跟踪与行为识别的智能化、实时化、无人化的监测分析。该论文有图48幅,表6个,参考文献87篇。