面向煤矸分揀機(jī)器人的煤矸識(shí)別定位系統(tǒng)研究

曹現(xiàn)剛,劉思穎,王 鵬,許 罡,吳旭東

(1.西安科技大學(xué) 機(jī)械工程學(xué)院,陜西 西安 710054;2.陜西省礦山機(jī)電裝備智能檢測(cè)重點(diǎn)實(shí)驗(yàn)室,陜西 西安 710054)

0 引 言

煤炭是我國(guó)主體能源,也是最經(jīng)濟(jì)和可高效利用的能源[1-2]。隨著智能制造、人工智能等技術(shù)的興起,煤炭智能綠色生產(chǎn)成為我國(guó)煤炭行業(yè)發(fā)展的趨勢(shì),因此煤矸的高效分選顯得尤為關(guān)鍵[3]。

現(xiàn)階段選煤方式主要有人工排矸、重介質(zhì)選煤[4]、浮游選煤[5]、跳汰選煤[6]、選擇性破碎等,但這些方法普遍存在識(shí)別精度低、占地空間大、投資成本高、環(huán)境污染嚴(yán)重等問(wèn)題[7]。為實(shí)現(xiàn)煤炭高效清潔生產(chǎn),近幾年研究學(xué)者提出一些新的煤矸分選系統(tǒng)[8-9]。王衛(wèi)東等[10]應(yīng)用激光三維掃描和動(dòng)態(tài)稱(chēng)重的方式設(shè)計(jì)了一種煤矸光電分選系統(tǒng),根據(jù)體積和質(zhì)量的不同識(shí)別煤矸。吳開(kāi)興等[11]設(shè)計(jì)了基于灰度共生矩陣識(shí)別算法的煤矸識(shí)別系統(tǒng),根據(jù)煤矸灰度紋理特征不同實(shí)現(xiàn)自動(dòng)識(shí)別。黃洪濤等[12]根據(jù)煤矸紋理特征不同設(shè)計(jì)了一種煤矸識(shí)別分選系統(tǒng),結(jié)合SVM實(shí)現(xiàn)自動(dòng)化分選。楊慧剛等[13-14]應(yīng)用X射線和光纖傳感器相結(jié)合的方式設(shè)計(jì)了一種煤矸分選系統(tǒng),根據(jù)煤矸灰度值不同分選煤矸。陳立等[15]將小波變換應(yīng)用于煤矸自動(dòng)分選系統(tǒng)中,利用煤和矸石質(zhì)量差異將煤和矸石進(jìn)行分離。郭永存等[16]根據(jù)煤矸紋理灰度特征結(jié)合X射線方法設(shè)計(jì)一煤矸分選系統(tǒng)。

綜上撰述,不少專(zhuān)家對(duì)煤矸識(shí)別方法進(jìn)行了深入研究并取得了大量成果，但對(duì)現(xiàn)場(chǎng)復(fù)雜環(huán)境下煤矸準(zhǔn)確識(shí)別及定位方法還需要進(jìn)一步研究。在上述研究基礎(chǔ)上,面向所研制的煤矸分揀機(jī)器人平臺(tái)[17]對(duì)煤矸高效識(shí)別定位的需求,設(shè)計(jì)了一種煤矸視覺(jué)識(shí)別定位系統(tǒng)并進(jìn)行了分析測(cè)試。采用基于遷移學(xué)習(xí)AlexNet[18]網(wǎng)絡(luò)與RPN方法[19]實(shí)現(xiàn)煤矸石在線識(shí)別與定位,重點(diǎn)解決了由于現(xiàn)場(chǎng)煤矸石表面黏附物、環(huán)境光線強(qiáng)度等復(fù)雜環(huán)境條件影響下煤矸石高效高識(shí)別率算法及定位難題,為煤矸分揀機(jī)器人平臺(tái)現(xiàn)場(chǎng)高效分揀應(yīng)用奠定了基礎(chǔ)。

1 煤矸識(shí)別定位流程與算法

1.1 煤矸識(shí)別定位系統(tǒng)組成

煤矸分揀機(jī)器人是由識(shí)別定位系統(tǒng)、主控系統(tǒng)和多機(jī)械臂分揀系統(tǒng)組成[20-21]。其中,煤矸識(shí)別定位系統(tǒng)主要由識(shí)別模塊、定位模塊組成，如圖1所示。識(shí)別定位模塊采用卷積神經(jīng)網(wǎng)絡(luò)作為識(shí)別算法,將煤矸原圖進(jìn)行分類(lèi)并得到煤矸邊框位置信息。定位模塊通過(guò)坐標(biāo)轉(zhuǎn)換方法將邊框位置信息轉(zhuǎn)化為煤矸實(shí)際空間定位信息。隨后,通過(guò)煤矸識(shí)別定位系統(tǒng)可視化界面將功能進(jìn)行可視化輸出。

圖1 識(shí)別定位系統(tǒng)

其中,煤矸圖像采集裝置包括計(jì)算機(jī)(內(nèi)部配置GTX1080圖像顯卡)、維氏相機(jī)(MV-EM510C)、光源、遮光裝置、目標(biāo)傳送帶,如圖2a所示。維氏相機(jī)結(jié)構(gòu)如圖2b所示,采用單目彩色CMOS感光元件,鏡頭分辨率為640 pix×480 pix,垂直和水平方向視場(chǎng)角分別為60°和70°。

圖2 圖像采集裝置

識(shí)別定位系統(tǒng)可視化界面如圖3所示,包括采集輸送帶上煤矸原圖(左上)、識(shí)別結(jié)果(右上)、通信時(shí)間(正下),以及目標(biāo)分類(lèi)和及定位信息(正下)。煤矸目標(biāo)通過(guò)輸送帶時(shí),相機(jī)采集煤矸圖像并輸入識(shí)別算法中獲取分類(lèi)及位置信息,隨后將經(jīng)過(guò)坐標(biāo)轉(zhuǎn)換的煤矸識(shí)別定位信息以socket通信方式傳輸給機(jī)器人主控系統(tǒng)。

圖3 識(shí)別定位系統(tǒng)可視化界面

1.2 煤矸圖像表面特征分析

選取煤矸表面的灰度特征,測(cè)試0～70 lux范圍的灰度變化,獲取煤矸表面特征變化較大的照度閾值,如圖4所示。

圖4 煤矸灰度特征的照度測(cè)試

由圖4可知,煤矸圖像灰度值隨照度值增大而增大,通過(guò)OTSU閾值分割方法[22]獲取照度測(cè)量范圍內(nèi)灰度閾值,由最佳灰度閾值與折線圖交點(diǎn)得到煤矸表面特征變化較大的照度閾值為41.74 lux,以該閾值作為判定煤矸圖像表面特征的依據(jù)。

煤矸檢測(cè)模型的結(jié)果受煤矸表面特征影響較大,實(shí)際工況的環(huán)境光、前置工藝和落煤特性是決定煤矸表面特征的主要因素。根據(jù)銅川玉華礦選煤廠的分選條件和無(wú)黏附物的表面特征定義4種狀態(tài)和1類(lèi)不可識(shí)別狀態(tài):

1)強(qiáng)光下無(wú)黏附物狀態(tài)(No Adhesive State Under High Light,NAS-HL)。定義無(wú)前置分選工藝條件下,光強(qiáng)大于照度閾值的煤矸狀態(tài)。

2)弱光下無(wú)黏附物目標(biāo)(No Adhesive State Under Low Light,NAS-LL)。定義無(wú)前置分選工藝條件下,光強(qiáng)小于照度閾值的煤矸狀態(tài)。

3)強(qiáng)光下黏附物目標(biāo)(Adherent State in High Light,AS-HL)。定義光強(qiáng)大于照度閾值,因前置分選工藝,導(dǎo)致煤矸表面存在煤泥水和煤泥灰等粘附物的狀態(tài)。

4)弱光下黏附物目標(biāo)(Adherent State in Low Light,AS-LL)。定義光強(qiáng)小于照度閾值時(shí),因前置分選工藝,導(dǎo)致煤矸表面存在煤泥水和煤泥灰等粘附物的狀態(tài)。

5)不可識(shí)別狀態(tài)(Unidentifiable State,US)。定義堆積覆蓋情況下,分揀性?xún)r(jià)比較低的狀態(tài)。

基于AlexNet網(wǎng)絡(luò)對(duì)NAS-HL和NAS-LL等目標(biāo)的研究,結(jié)合銅川玉華礦的AS-HL和AS-LL等煤矸圖像樣本,進(jìn)一步研究基于遷移學(xué)習(xí)AlexNet網(wǎng)絡(luò)實(shí)現(xiàn)煤矸圖像樣本的在線識(shí)別,同時(shí)規(guī)避US類(lèi)目標(biāo)的識(shí)別，如圖5所示。

圖5 煤矸表面特征狀態(tài)

1.3 煤矸圖像識(shí)別方法

針對(duì)煤矸分揀機(jī)器人對(duì)煤矸識(shí)別實(shí)時(shí)性要求及煤矸表面特征分類(lèi),提出一種基于遷移學(xué)習(xí)的AlexNet卷積神經(jīng)網(wǎng)絡(luò)提取煤矸目標(biāo)特征,將通過(guò)卷積操作提取到的煤矸特征圖輸入RPN網(wǎng)絡(luò),共享目標(biāo)識(shí)別網(wǎng)絡(luò)中卷積層Conv1至Conv5,從煤矸石特征映射圖中生成一批候選區(qū)域,與煤矸石目標(biāo)識(shí)別網(wǎng)絡(luò)中的ROI池化層相連,通過(guò)ROI池化層將候選區(qū)域生成固定尺寸的煤矸特征圖候選框向量。最后通過(guò)Softmax分類(lèi)器和Bounding Box回歸得到煤矸石目標(biāo)識(shí)別結(jié)果和預(yù)測(cè)窗口位置,具體如圖6所示。

圖6 基于遷移學(xué)習(xí)的AlexNet框架

RPN網(wǎng)絡(luò)將整幅圖像用作輸入,并將圖像分割成S×S大小的網(wǎng)格,若某個(gè)格子中包含檢測(cè)目標(biāo),則該格子負(fù)責(zé)檢測(cè)該目標(biāo),并預(yù)測(cè)位置邊框和目標(biāo)置信度。位置邊框信息通過(guò)Bounding Box回歸進(jìn)行預(yù)測(cè)即給定:(Px,Py,Pw,Ph),尋找一種映射,使得:

f(Px,Py,Pw,Ph)=(Gx,Gy,Gw,Gh)

(1)

(2)

式中：Px、Py分別為網(wǎng)絡(luò)坐標(biāo)x軸、y軸偏移量;Pw、Ph分別為預(yù)設(shè)anchor框?qū)捙c高邊長(zhǎng);Gr,Gy,Gw,Gh為最終邊界框坐標(biāo)值;dx,dy,dw,dh為網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)。

通過(guò)對(duì)每種尺度預(yù)測(cè)多個(gè)邊框來(lái)提高多尺度目標(biāo)預(yù)測(cè)準(zhǔn)確率。

1.4 煤矸定位方法

由圖6可知,煤矸識(shí)別模型輸出預(yù)測(cè)邊界框的像素坐標(biāo)值(xmin,ymin,xmax,ymax),獲取煤矸質(zhì)心的像素坐標(biāo)值。

(3)

其中,(x,y)為煤矸質(zhì)心的像素坐標(biāo)值,用Q表示,如圖7所示。采用張正友標(biāo)定法,通過(guò)MATLAB標(biāo)定工具箱對(duì)維氏工業(yè)相機(jī)(640 pix×480 pix)的內(nèi)外參數(shù)矩陣進(jìn)行標(biāo)定,建立像素坐標(biāo)系O-uv、相機(jī)坐標(biāo)系Oc-XcYcZc和機(jī)架坐標(biāo)系Ow-XwYwZw的映射關(guān)系,獲取煤矸在帶式輸送機(jī)上相機(jī)坐標(biāo)系中的質(zhì)心坐標(biāo)值。

圖7 坐標(biāo)轉(zhuǎn)換過(guò)程

通過(guò)標(biāo)定獲取相機(jī)內(nèi)部參數(shù)矩陣K,具體如下:

(4)

式中,光心焦距為(fx,fy)=(644.238 2,644.093 7),主光點(diǎn)為(u0,v0)=(330.278 7,233.031 7)。

根據(jù)相機(jī)內(nèi)參矩陣K和物距Zc,計(jì)算相機(jī)坐標(biāo)系的煤矸質(zhì)心坐標(biāo)值。

(5)

根據(jù)式(4)、(5)獲得煤矸質(zhì)心坐標(biāo)從相機(jī)坐標(biāo)系到機(jī)架坐標(biāo)系的轉(zhuǎn)換矩陣Mc。代入相機(jī)內(nèi)參和平臺(tái)裝置參數(shù),計(jì)算結(jié)果如下:

(6)

根據(jù)轉(zhuǎn)換矩陣Mc和相機(jī)坐標(biāo)系的矸石質(zhì)心坐標(biāo)(Xc,Yc,Zc),獲得機(jī)架坐標(biāo)系下的矸石質(zhì)心坐標(biāo)P(Xw,Yw,Zw):

(7)

2 數(shù)據(jù)集制作及模型訓(xùn)練

2.1 圖像采集及數(shù)據(jù)集構(gòu)建

樣品來(lái)自陜西省銅川玉華煤礦和陳家山煤礦。原煤通過(guò)分級(jí),獲取煤矸數(shù)據(jù)粒度200～300 mm進(jìn)行試驗(yàn),模擬選煤廠人工選矸環(huán)節(jié)在揀矸輸送帶最前端架設(shè)煤矸圖像采集裝置。

通過(guò)試驗(yàn)裝置實(shí)時(shí)采集輸送帶上運(yùn)輸?shù)拿喉穲D像,為保證試驗(yàn)數(shù)據(jù)清晰度,設(shè)置采集圖像幀率30 fp/s。整個(gè)采集過(guò)程使用物料2 253塊煤、2 149 塊矸石,需采集均等數(shù)量的煤矸以保證模型檢測(cè)效果,避免因分類(lèi)不均導(dǎo)致的檢測(cè)模型精度耗損，見(jiàn)表1。

表1 不同光強(qiáng)下煤矸石圖像樣本

2.2 模型訓(xùn)練

煤矸識(shí)別模型使用遷移學(xué)習(xí)訓(xùn)練,訓(xùn)練過(guò)程對(duì)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng)。訓(xùn)練階段使用隨機(jī)梯度下降方法進(jìn)行訓(xùn)練,初始學(xué)習(xí)率為0.001,動(dòng)量系數(shù)設(shè)為0.9,權(quán)重衰減為0.000 5,參數(shù) gamma 設(shè)置為 0.1。使用錨點(diǎn)(anchor)策略,將RPN的分類(lèi)層的候選框重疊閾值設(shè)置為0.7進(jìn)行極大值抑制,保留300個(gè)候選區(qū)域進(jìn)行最后的分類(lèi)回歸。

模型迭代訓(xùn)練10 000次,迭代訓(xùn)練和測(cè)試過(guò)程中損失率曲線如圖8所示,訓(xùn)練模型在迭代訓(xùn)練2 000次左右時(shí)損失率不再下降。為查看平均精度(mAP)變化趨勢(shì),在迭代訓(xùn)練2 000次基礎(chǔ)上增加1 000次,即選用3 000以?xún)?nèi)的權(quán)重文件計(jì)算mAP,其mAP曲線如圖9所示。

圖8 損失率曲線對(duì)比

由圖9可知,在迭代2 000次之后, mAP達(dá)到90.17%,并逐漸趨于平穩(wěn),因此選擇迭代2 000次的權(quán)重文件作為識(shí)別模型。

圖9 識(shí)別模型mAP曲線

mAP計(jì)算公式為

(8)

P=TP/(TP+FP)

(9)

R=TP/(TP+FN)

(10)

式中：E為引用閾值數(shù)量；P(k)為閾值k時(shí)的準(zhǔn)確率；ΔR(k)為在閾值k時(shí)的召回率變化量；TP為真實(shí)正樣本數(shù)量；FP為虛假正樣本數(shù)量；FN為虛假負(fù)樣本數(shù)量；k為閾值；P為準(zhǔn)確率；R為召回率。

3 煤矸識(shí)別定位系統(tǒng)試驗(yàn)

3.1 煤矸識(shí)別試驗(yàn)

F1值是物體檢測(cè)模型綜合評(píng)價(jià)指標(biāo),是精確率和召回率的調(diào)和均值,因此筆者使用F1對(duì)模型的識(shí)別性能進(jìn)行評(píng)估,其計(jì)算公式為：

F1=2PR/(P+R)

(11)

使用驗(yàn)證集254幅圖像對(duì)識(shí)別模型進(jìn)行性能測(cè)試,統(tǒng)計(jì)識(shí)別模型對(duì)除不可識(shí)別狀態(tài)外4類(lèi)目標(biāo)物識(shí)別F1值，統(tǒng)計(jì)結(jié)果如圖10所示。方法對(duì)AS-LL類(lèi)識(shí)別的F1最低,為78.3%;對(duì)NAS-HL類(lèi)識(shí)別F1值最高為90.1%;對(duì)NAS-LL和AS-HL類(lèi)識(shí)別的F1值較為均等分別為83.7%和84.3%,檢測(cè)結(jié)果較為理想。

圖10 識(shí)別分類(lèi)F1值

正確檢測(cè)和錯(cuò)誤檢測(cè)的效果圖分別如圖11、圖12所示,其中正確檢測(cè)的矸石以綠色矩形框框定,正確檢測(cè)的煤塊以藍(lán)色矩形框框定。

圖11為模型正確檢測(cè)的煤矸石目標(biāo)可視化效果,識(shí)別方法在這些環(huán)境下可以獲得良好的檢測(cè)性能;圖11b和圖11c均檢測(cè)到表面覆蓋少量煤灰的矸石目標(biāo),這表明當(dāng)目標(biāo)矸石表面混有少量煤灰時(shí),模型也能夠準(zhǔn)確地檢測(cè)到該目標(biāo)矸石的存在;圖11c中煤矸石目標(biāo)密集,并沒(méi)有出現(xiàn)將多塊煤矸石作為一塊目標(biāo)進(jìn)行檢測(cè)的情況,說(shuō)明該模型可以有效地檢測(cè)到距離相隔較小或緊挨的每一塊煤矸石;圖11d和圖11e均正確檢測(cè)到小塊的煤和矸石;圖11e和圖11f檢測(cè)出因黏附物造成的表面顏色加深、邊緣梯度不明顯的煤矸石目標(biāo),表明該模型具有很好的抗噪性。

圖11 煤矸分揀機(jī)器人平臺(tái)正確檢測(cè)效果

由圖10和圖11可看出,強(qiáng)光環(huán)境識(shí)別效果優(yōu)于弱光環(huán)境,目標(biāo)表面無(wú)黏附狀態(tài)優(yōu)于有黏附狀態(tài)識(shí)別效果。在系統(tǒng)中利用卷積神經(jīng)網(wǎng)絡(luò)識(shí)別煤矸石具有可行性和可靠性,可以準(zhǔn)確檢測(cè)到不同干擾因素、不同背景下的多個(gè)不規(guī)則形狀的煤矸石目標(biāo)。

圖12為模型誤檢和漏檢的測(cè)試效果示例,紅色圈標(biāo)記了誤檢、漏檢的煤矸石。在圖12a—圖12c中存在矸石被誤檢為煤的情況;圖12d中輸出了3個(gè)結(jié)果,其中目標(biāo)煤塊被準(zhǔn)確檢測(cè),另外2個(gè)檢測(cè)框誤將背景視為煤和矸石。以上情況的出現(xiàn)是由于煤塵、光線等干擾因素的影響,導(dǎo)致矸石和煤、背景的顏色特征較為相似,在檢測(cè)中將矸石誤認(rèn)為是煤;圖12e和圖12f為不同光線強(qiáng)度和背景環(huán)境下小目標(biāo)煤矸石的漏檢情況,因?yàn)橛?xùn)練樣本中多數(shù)煤矸石尺寸較大且位于圖像的中央位置,當(dāng)獲取的圖像煤矸石尺寸較小,難以準(zhǔn)確給出目標(biāo)的位置和種類(lèi)信息。針對(duì)上述問(wèn)題,可以對(duì)表面特征較為相似的煤矸石進(jìn)行重點(diǎn)訓(xùn)練、增加小目標(biāo)煤矸石訓(xùn)練數(shù)據(jù)等舉措以減少誤檢、漏檢情況。

圖12 煤矸分揀機(jī)器人平臺(tái)誤檢和漏檢效果

3.2 定位試驗(yàn)

煤矸模型檢測(cè)能夠獲得目標(biāo)煤矸石的分類(lèi)信息和檢測(cè)框的左上角與右下角的坐標(biāo)像素信息(xmin,ymin,xmax,ymax)。為驗(yàn)證采用檢測(cè)框中心定位的準(zhǔn)確性,在上述試驗(yàn)的基礎(chǔ)上取檢測(cè)框正確的15個(gè)矸石樣本進(jìn)行定位誤差分析試驗(yàn):將目標(biāo)矸石的檢測(cè)框中心點(diǎn)的像素坐標(biāo)通過(guò)定位方法的特定映射方式轉(zhuǎn)換成矸石在機(jī)器人系統(tǒng)中的絕對(duì)坐標(biāo),并計(jì)算轉(zhuǎn)換坐標(biāo)與實(shí)際坐標(biāo)的誤差,結(jié)果見(jiàn)表2。

表2 檢測(cè)定位誤差分析

由表2可以看出x軸誤差最大的為樣本4,誤差為8.22 mm,y軸誤差最大的為樣本5,誤差為9.45 mm,誤差均不超過(guò)10 mm,對(duì)矸石的定位具有較高的精度,后續(xù)控制系統(tǒng)可通過(guò)處理矸石檢測(cè)框信息并結(jié)合多機(jī)械臂協(xié)同分揀策略分配矸石的抓取任務(wù)。

3.3 識(shí)別定位系統(tǒng)測(cè)試

煤矸目標(biāo)放置輸送帶上,在0.3 m/s最小帶速下按30 fp/s幀率采集煤矸圖像數(shù)據(jù)進(jìn)行系統(tǒng)測(cè)試。依次進(jìn)行10組通信測(cè)試和50組系統(tǒng)響應(yīng)測(cè)試,試驗(yàn)結(jié)果如圖13所示。煤矸識(shí)別定位系統(tǒng)檢測(cè)時(shí)間對(duì)煤矸分揀過(guò)程有一定影響,根據(jù)最小帶速、機(jī)械臂分揀工作區(qū)間1.5 m、識(shí)別定位檢測(cè)視場(chǎng)距離0.6 m,計(jì)算不產(chǎn)生漏檢和漏揀的最大時(shí)間,由式(12)實(shí)現(xiàn)系統(tǒng)響應(yīng)時(shí)間是否滿足機(jī)械臂抓取條件的判定,保證煤矸石的可靠抓取。

圖13 通信與系統(tǒng)響應(yīng)測(cè)試

(12)

式中：tw為工作區(qū)間分揀時(shí)間；U為機(jī)械臂分揀工作區(qū)間；vd為輸送帶運(yùn)行帶速；tr為視場(chǎng)檢測(cè)時(shí)間；L為識(shí)別定位系統(tǒng)視場(chǎng)區(qū)間；T為系統(tǒng)響應(yīng)時(shí)間。

由圖13可知,黑色折線圖為測(cè)試10組數(shù)據(jù)的系統(tǒng)通信時(shí)間,耗時(shí)最多25 ms、平均通信時(shí)長(zhǎng)為17.4 ms,具有較好的數(shù)據(jù)傳輸速度。藍(lán)色折線圖表征0.3 m/s帶速下50組數(shù)據(jù)測(cè)試結(jié)果,該系統(tǒng)響應(yīng)時(shí)長(zhǎng)主要包括煤矸識(shí)別算法、坐標(biāo)轉(zhuǎn)換及通信時(shí)長(zhǎng),系統(tǒng)最大響應(yīng)時(shí)長(zhǎng)為350 ms,平均響應(yīng)時(shí)長(zhǎng)312.7 ms。綜合上述分析,識(shí)別定位系統(tǒng)性能滿足煤矸實(shí)時(shí)分選的基本要求。

3.4 識(shí)別定位系統(tǒng)的帶速匹配試驗(yàn)

根據(jù)識(shí)別定位系統(tǒng)固定帶速下的系統(tǒng)性能測(cè)試結(jié)果,進(jìn)行不同帶速下基于識(shí)別定位系統(tǒng)的檢測(cè)實(shí)驗(yàn),設(shè)置帶速為0.3～0.8 m/s(帶速間隔0.1 m/s),每種帶速下進(jìn)行50塊煤矸樣本試驗(yàn),并記錄10組系統(tǒng)響應(yīng)時(shí)長(zhǎng)和檢測(cè)準(zhǔn)確率,試驗(yàn)結(jié)果如圖14所示。

圖14 系統(tǒng)響應(yīng)時(shí)間與檢測(cè)準(zhǔn)確率關(guān)系

由圖14知,隨著帶速的增加,系統(tǒng)響應(yīng)時(shí)間逐步增大,帶速為0.3 m/s時(shí)煤矸檢測(cè)準(zhǔn)確率為90.17%,在帶速為0.8 m/s時(shí)檢測(cè)準(zhǔn)確率為84.41%,準(zhǔn)確率下降5.76%。同時(shí),折線圖為不同帶速下煤矸檢測(cè)過(guò)程的系統(tǒng)響應(yīng)時(shí)間變化,如式(13)所示,系統(tǒng)響應(yīng)時(shí)間取每種帶速下10組系統(tǒng)響應(yīng)時(shí)長(zhǎng)的均值。試驗(yàn)結(jié)果表明系統(tǒng)檢測(cè)算法隨帶速的增加,檢測(cè)準(zhǔn)確率受圖像采集時(shí)的目標(biāo)模糊影響而下降,繼而導(dǎo)致誤檢和漏檢目標(biāo)增加。模糊目標(biāo)的檢測(cè)過(guò)程影響,導(dǎo)致識(shí)別和定位時(shí)間增加,漏檢和誤檢導(dǎo)致數(shù)據(jù)發(fā)送延時(shí),繼而使系統(tǒng)響應(yīng)時(shí)間隨帶速增加而增加。

(13)

式中：td為煤矸檢測(cè)時(shí)間；tc為定位時(shí)間；ts為通信時(shí)間。

4 結(jié) 論

1)結(jié)合煤矸分揀機(jī)器人試驗(yàn)平臺(tái),試驗(yàn)驗(yàn)證基于遷移學(xué)習(xí)的AlexNet網(wǎng)絡(luò)模型可應(yīng)用于煤矸生產(chǎn)工況下,對(duì)混合煤矸樣本的識(shí)別率可達(dá)90.17%。為煤矸分揀機(jī)器人存在前置分選工藝選煤廠的技術(shù)推廣提供了技術(shù)支撐。

2)設(shè)計(jì)煤矸識(shí)別定位系統(tǒng),融合基于遷移學(xué)習(xí)的AlexNet網(wǎng)絡(luò)模型和坐標(biāo)轉(zhuǎn)換方法開(kāi)發(fā)煤矸在線識(shí)別與定位功能,并設(shè)計(jì)基于tkinter的可視化煤矸檢測(cè)界面。測(cè)試不同帶速下,煤矸識(shí)別定位系統(tǒng)的識(shí)別率隨檢測(cè)時(shí)間的變化。為煤礦智能化,基于視覺(jué)識(shí)別的煤矸分揀機(jī)器人應(yīng)用,提供了案例研究的價(jià)值。

3)根據(jù)系統(tǒng)試驗(yàn)結(jié)果可知,隨著帶式輸送機(jī)速度的提高,煤矸圖像樣本的檢測(cè)準(zhǔn)確率逐漸減小,且系統(tǒng)響應(yīng)時(shí)間逐漸增大。根據(jù)圖13和圖14中0.3 m/s帶速下系統(tǒng)響應(yīng)時(shí)間差值較小,考慮測(cè)試數(shù)據(jù)量和測(cè)試樣本差異,煤矸識(shí)別定位系統(tǒng)的魯棒性不受其影響。因此,煤礦實(shí)際生產(chǎn)條件下,基于高帶速、強(qiáng)環(huán)境干擾的混合煤矸樣本識(shí)別方法研究成為未來(lái)智能煤矸分選設(shè)備發(fā)展的關(guān)鍵技術(shù)問(wèn)題之一。