圖像AI識別在煤炭運(yùn)輸中的應(yīng)用研究

任富強(qiáng)、李剛、康宇全

（貴州省煤礦設(shè)計(jì)研究院有限公司，貴州貴陽 550025）

0 引言

我國是當(dāng)前世界上最大的煤炭生產(chǎn)國及消費(fèi)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(fù)雜，從生產(chǎn)到最終發(fā)運(yùn)到全國各地，需要通過煤炭運(yùn)輸環(huán)節(jié)來實(shí)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(fèi)。當(dāng)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(yùn)輸效率，避免資源浪費(fèi)。圖像識別是AI 技術(shù)的一大重要領(lǐng)域。在煤炭運(yùn)輸作業(yè)中，主要應(yīng)用的是圖像識別技術(shù)中的機(jī)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(yīng)算法選取最佳運(yùn)輸路線，能夠有效提高運(yùn)輸?shù)陌踩约氨憬菪浴?/p>

1 基于圖像識別技術(shù)的煤礦運(yùn)輸皮帶異物檢測

1.1 異物來源及危害

因生產(chǎn)環(huán)境復(fù)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(jī)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(dá)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(dǎo)致的。此外，煤炭運(yùn)輸皮帶的擋煤、給煤設(shè)備固接不牢，也會導(dǎo)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(yùn)輸出來一般需要通過運(yùn)輸皮帶來完成。煤礦產(chǎn)業(yè)的生產(chǎn)任務(wù)非常繁重，運(yùn)輸皮帶的運(yùn)行時(shí)間很長，想要保證安全生產(chǎn)，就必須確保皮帶正常運(yùn)轉(zhuǎn)且不受損害。煤礦運(yùn)輸作業(yè)中采用的皮帶價(jià)格較高，質(zhì)量上乘，一般要求使用6年以上。在煤炭運(yùn)輸過程中，異物的鋒利邊角會造成皮帶撕裂破損。如果在運(yùn)行過程中異物損壞皮帶，則會導(dǎo)致一定的經(jīng)濟(jì)損失，以及耽誤工時(shí)的損失等。為了避免運(yùn)輸系統(tǒng)停滯癱瘓，影響生產(chǎn)效率，帶來經(jīng)濟(jì)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(yùn)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(xué)習(xí)的煤炭運(yùn)輸皮帶異物識別系統(tǒng)

1.2.1 基于AI 深度學(xué)習(xí)的煤炭運(yùn)輸皮帶異物識別可行性

基于AI 深度學(xué)習(xí)的機(jī)器視覺技術(shù)在煤炭產(chǎn)業(yè)中有極大的應(yīng)用價(jià)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(yán)重且不易被發(fā)現(xiàn)，故對目標(biāo)檢測的要求較高，傳統(tǒng)的檢測方法無法同時(shí)滿足實(shí)時(shí)、迅捷兩個(gè)要求。AI 深度學(xué)習(xí)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(jì)算提升模型的擬合能力，完成學(xué)習(xí)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(fù)雜函數(shù)，加之具備特征提取能力與持續(xù)學(xué)習(xí)能力，能夠建立起最符合煤炭運(yùn)輸皮帶運(yùn)行環(huán)境的模型。同時(shí)，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(yùn)輸過程中，能夠達(dá)到檢測實(shí)時(shí)性與精確性的平衡。目前，我國的煤礦企業(yè)都實(shí)現(xiàn)了運(yùn)輸皮帶視頻監(jiān)控和集控設(shè)備配套，每個(gè)皮帶的機(jī)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(yuǎn)程監(jiān)控運(yùn)輸皮帶的實(shí)時(shí)情況。在深度識別運(yùn)輸皮帶上異物的識別算法中，F(xiàn)aster R-CNN 系列的應(yīng)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(xué)習(xí)算法的煤炭運(yùn)輸皮帶異物識別工作。

1.2.2 基于AI 深度學(xué)習(xí)的煤炭運(yùn)輸皮帶異物識別優(yōu)勢

傳統(tǒng)的煤炭運(yùn)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(jìn)行搜索。其次，對以上搜索區(qū)域進(jìn)行特征提取。再次，運(yùn)用分類器對搜集到的特征進(jìn)行分類，同時(shí)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(shí)時(shí)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(yùn)輸?shù)淖鳂I(yè)環(huán)境較為復(fù)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(xué)習(xí)的檢測算法，可以應(yīng)對復(fù)雜多變的背景以及特征多變或不明顯的對象，能夠更準(zhǔn)確地完成對象檢測?；贏I 深度學(xué)習(xí)的檢測算法所能提取的對象特征更豐富、更細(xì)致，加之利用大量數(shù)據(jù)訓(xùn)練模型算法，該算法更健壯，可應(yīng)對的場景更廣泛。傳統(tǒng)的機(jī)器學(xué)習(xí)對象檢測方式側(cè)重于提取對象特征、解釋對象特征。基于AI 深度學(xué)習(xí)的對象檢測算法，可利用多層卷積神經(jīng)網(wǎng)絡(luò)自學(xué)習(xí)，不需要人為設(shè)定對象特征，對象特征表達(dá)能力強(qiáng)、檢測精度高，且隨著AI 技術(shù)的不斷發(fā)展，系統(tǒng)的學(xué)習(xí)能力和圖像處理能力更強(qiáng)，能夠更好地適應(yīng)煤炭運(yùn)輸作業(yè)環(huán)境，光照條件差、煤塵干擾多、視覺環(huán)境復(fù)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(dāng)前圖像識別中的主流技術(shù)。并且，基于AI深度學(xué)習(xí)的對象檢測系統(tǒng)安裝簡單、維護(hù)簡便，長期應(yīng)用的成本較低。

1.2.3 基于AI 深度學(xué)習(xí)的煤炭運(yùn)輸皮帶異物識別方法

基于AI 深度學(xué)習(xí)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(jìn)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(jìn)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(biāo)監(jiān)測，可提高檢測實(shí)時(shí)性。在煤礦運(yùn)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(xué)習(xí)檢測方式運(yùn)用的輔助方法有如下幾種：第一，中值濾波法，將統(tǒng)計(jì)結(jié)論進(jìn)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(jìn)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(qiáng)圖像的局部對比度，借助圖像直方圖的對比度進(jìn)行圖像分析。第三，自適應(yīng)均衡化方法，先計(jì)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(jìn)對比度獲得更多細(xì)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(zhǔn)確度和實(shí)效性。

2 運(yùn)用圖像跟蹤識別技術(shù)對進(jìn)出煤炭廠區(qū)的車輛進(jìn)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(yùn)輸過程的把控和保護(hù)提出的。在煤場運(yùn)輸點(diǎn)的出入口位置安裝視頻監(jiān)控頭，對所有進(jìn)出運(yùn)輸點(diǎn)的車輛進(jìn)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(gè)特定角度進(jìn)行目標(biāo)監(jiān)控，導(dǎo)致錯(cuò)失目標(biāo)或者監(jiān)控錯(cuò)誤。系統(tǒng)控制云臺旋轉(zhuǎn)，可從不同角度進(jìn)行掃描，獲取車牌不同角度的清晰圖像，識別速度和準(zhǔn)確度更高。

在追蹤車牌對象的過程中運(yùn)用連續(xù)幀差法，選用雙峰法確定最佳值，計(jì)算車牌對象運(yùn)動區(qū)域，將目標(biāo)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(diǎn)、空點(diǎn)、孤立點(diǎn)，會影響系統(tǒng)甄別。為此，可引入卡爾曼濾波預(yù)測車牌對象下一時(shí)刻所處的位置，進(jìn)而實(shí)現(xiàn)全過程跟蹤。將掃描結(jié)果實(shí)時(shí)上傳給計(jì)算機(jī)進(jìn)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(yīng)，驗(yàn)證車牌的合法性，最終判斷是否放行。

根據(jù)煤場運(yùn)輸點(diǎn)環(huán)境，進(jìn)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(shí)現(xiàn)監(jiān)控管理功能。系統(tǒng)對進(jìn)出運(yùn)輸場的速度低于70km/h 的車輛進(jìn)行圖像采集、追蹤、識別，車牌識別速度需達(dá)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(shí)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(zhǔn)確率需高于96%。同時(shí)，要求系統(tǒng)前端至少可以連續(xù)運(yùn)行一個(gè)月不出現(xiàn)系統(tǒng)宕機(jī)、死機(jī)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(yùn)輸點(diǎn)進(jìn)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(biāo)追蹤識別模塊、車輛識別模塊等組成。由于煤場運(yùn)輸點(diǎn)并無統(tǒng)一的引導(dǎo)柵欄，所以云臺要不斷運(yùn)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(shí)，上位機(jī)收到信號，啟動云臺和攝像頭，系統(tǒng)同步進(jìn)行跟蹤、識別、查詢工作。

圖像跟蹤識別系統(tǒng)分為以下幾個(gè)部分：車輛到達(dá)感應(yīng)部分、云臺控制部分、計(jì)算機(jī)部分、車輛識別部分、云臺控制部分。

車輛到達(dá)感應(yīng)部分采用的是圖像AI 識別中常見的地磁感應(yīng)器。在運(yùn)輸點(diǎn)入口7m 左右的位置安裝感應(yīng)器，車輛到達(dá)后感應(yīng)器會將車輛信息傳達(dá)給計(jì)算機(jī)，計(jì)算機(jī)發(fā)送信號給監(jiān)控?cái)z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(jìn)入監(jiān)控區(qū)域的車輛進(jìn)行拍照，系統(tǒng)將照片圖像傳送給計(jì)算機(jī)，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(jī)主觀遮擋，云臺則會俯仰運(yùn)動或者左右搖擺，直至獲取合格的車牌號圖像。

計(jì)算機(jī)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(jìn)出時(shí)間、車輛進(jìn)出時(shí)的重量等。計(jì)算機(jī)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?cái)z像頭，實(shí)時(shí)完成圖像采集、跟蹤、識別。

3 利用圖像AI 識別蟻群算法進(jìn)行運(yùn)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(jìn)化，且相關(guān)研究和應(yīng)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(dá)食物源的路徑，這是因?yàn)橄伻簝?nèi)部的個(gè)體可以通過信息機(jī)制完成信息傳遞，在路徑上釋放“信息素”，所有個(gè)體感知到信息素，沿著信息素濃度最高的路徑行進(jìn)，形成正向反饋。經(jīng)過一段時(shí)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(yùn)輸路徑選擇中的應(yīng)用

運(yùn)用蟻群算法計(jì)算煤炭運(yùn)輸過程中最短時(shí)間內(nèi)的最佳路徑，能夠提高煤炭運(yùn)輸效率，特別是在緊急調(diào)運(yùn)的情況下，能夠大大提高煤炭運(yùn)輸?shù)膽?yīng)對能力。其工作原理如下：將煤炭運(yùn)輸路徑選擇轉(zhuǎn)換為圖像AI識別問題，通過計(jì)算機(jī)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(jìn)行數(shù)據(jù)分析。

應(yīng)用蟻群算法選擇煤炭運(yùn)輸路徑時(shí)，要求系統(tǒng)在煤炭運(yùn)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(xué)計(jì)算元素，設(shè)置運(yùn)輸次數(shù)，設(shè)定禁忌區(qū)域。根據(jù)兩地距離、運(yùn)輸成本、損耗、禁忌等數(shù)據(jù)，將“螞蟻”的地點(diǎn)從原煤場轉(zhuǎn)移到目的地，遍歷所有可選路徑，計(jì)算所有路徑上的信息量。對比信息量，進(jìn)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(jìn)行仿真驗(yàn)證，發(fā)現(xiàn)運(yùn)用蟻群算法得到最優(yōu)路徑比傳統(tǒng)方法便捷，運(yùn)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(yùn)輸皮帶異物識別、運(yùn)煤進(jìn)出口車輛對象識別、煤炭運(yùn)輸路線設(shè)計(jì)等環(huán)節(jié)，應(yīng)用圖像AI 識別技術(shù)，能夠極大地提高煤炭運(yùn)輸作業(yè)的效率與安全水平，并且能夠有效減少資源浪費(fèi)。但該技術(shù)在煤炭運(yùn)輸作業(yè)中的應(yīng)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(zhǔn)度，大幅度提高煤炭運(yùn)輸效能，促進(jìn)煤炭產(chǎn)業(yè)可持續(xù)發(fā)展。