网站访问量
露天矿无人驾驶运输标准研究制定
孙继平;露天矿无人驾驶运输系统建设，是减少作业人员、避免或减少事故发生、提高生产效率和设备利用率的有效措施。因此，需针对露天矿无人驾驶运输安全生产需求，提出露天矿无人驾驶运输技术要求，规范露天矿无人驾驶运输。(1)提出了无人驾驶卡车要求：应具有自动驾驶功能，根据调度管理平台的指令完成作业；应具有周围环境感知功能，感知可能影响车辆运行的物体，并预测该物体的轨迹；应具有组合导航定位功能；应具有自动避障功能，针对不同类型障碍物自动避障；应具有与其他设备通信功能；应具有无人驾驶卡车运行状态和故障信息存储功能；应具有安全监测与管理功能；应具有远程驾驶功能，支持一控多车；应具有车道线、交通标志、护栏等信息的高精地图，满足无人驾驶感知、定位、规划、决策与控制等需求；应能在矿区粉尘、雨、雪、雾、剧烈震动、极端温度等恶劣环境中工作等。(2)提出了作业任务处理和执行、环境感知、规划决策、定位导航、车辆控制、安全停车、紧急停车、车联网（V2X）、安全监测、数据存储、空中下载（OTA）升级等车载控制系统功能要求。(3)提出了驱动、转向、制动、举升、状态监控和行车警示等线控系统要求。(4)提出了运营环境、剥离区场地、排土场场地、巡航道路、停车场场地、加油区场地等无人驾驶作业环境要求。(5)提出了无人驾驶卡车智能化增量部件、仪表灯光电气、转向系统、动力系统、举升系统、车体部件等点检要求。
矿井智能通风系统架构及关键技术研究
徐雪战;邹云龙;现有矿井智能通风研究在关键参数精准感知、多源信息耦合解算及协同调控方面仍存在不足，尚未形成一体化技术体系，难以满足矿井通风系统精细化智能管控的需求。针对上述问题，采用“感知—传输—分析—决策—应用”的一体化体系架构，设计了一种矿井智能通风系统。该系统采用基于超声波时差法的风速监测方法和基于压阻式微机电系统（MEMS）的风压监测方法，实现通风参数高精度在线感知；通过风门与风窗结构优化、动力装备变频驱动、多参数感知与智能控制技术，实现通风构筑设施远程联控与动力装备协同调节；结合多源信息融合、通风网络解算、径向基函数（RBF）神经网络识别及模糊推理等方法，进行矿井通风网络异常诊断，实现通风异常识别、位置判定及灾变影响范围判断；利用反向传播（BP）神经网络及粒子群优化（PSO）算法，结合动态权重优化机制，实现矿井需风量动态预测与通风网络全局寻优调控。现场应用结果表明，该系统风量解算最大相对误差为8.38%，风阻解算平均相对误差为2.11%，能够准确反映矿井通风网络运行状态，并可依据灾变信息自动完成应急控风并引导人员逃生，有效提升了矿井通风智能化管控水平与本质安全能力。
融合语义路标的煤矿井下多传感器建图与定位方法
李小波;杨奉豪;高铭阳;黄昌鑫;刘奎;同步定位与建图（SLAM）是实现矿用机器人自主导航的关键技术，受煤矿井下环境特征稀疏、重复度高等影响，存在定位误差累计显著、重定位耗时长等问题。针对该问题，提出了一种融合语义路标的煤矿井下多传感器建图与定位方法：通过系统融合视觉里程计、惯导里程计与激光里程计的观测信息，构建紧耦合的多传感器融合里程计系统，提升特征缺失环境下定位的鲁棒性；定义适用于井下环境的语义路标，通过建立巷道结构特征与路标编码信息的映射关系，构建包含空间几何特征和自定义语义标签的融合语义路标地图，以解决因巷道特征重复性高而导致的重定位效率低和特征误匹配问题；利用语义路标实时修正里程计累计误差，实现机器人位姿动态校正。基于冲尘机器人平台开展地面隧道环境下试验和井下工业性试验，结果表明：该方法在地面隧道中的建图误差平均值为0.020 m，静态定位误差最大值为0.035 m，动态定位绝对位姿误差最大值为0.153 m，平均重定位时间为3.3 s；在井下巷道中可构建2 400 m全局地图，百米地图平均误差为0.038 m，可实现机器人自主导航。
基于YOLO-WRC的无人机露天煤层自燃检测方法
王彪;陶庆;刘伟;李范焕;无人机在露天矿区监测中较传统测量和遥感技术具有显著优势。目前基于无人机的露天煤层自燃检测方法存在的主要问题是缺少相应的检测模型实现对高温点的检测，对小尺寸、多尺度的高温点识别精度较低，煤层上挖掘机的尾气管高温与煤层自燃高温点易混淆。针对上述问题，提出一种基于YOLO-WRC的无人机露天煤层自燃检测方法。在主干网络中融合了小波变换卷积（WTConv），聚焦于更多的特征信息；采用重参数化泛化特征金字塔网络（RepGFPN）重构了颈部网络，改善了颈部网络在特征融合方面的劣势；引入轻量级分布式焦点检测头（CLLAHead），统筹各个层次特征与语义信息，聚焦于微小高温点的识别；采用PIoUv2损失函数，提高模型对多尺度异常高温点的回归效果。实验结果表明：① YOLO-WRC的准确率、召回率和mAP@0.5分别达到88.2%，90.1%，95.4%，相较于原始的YOLOv8n模型，准确率、召回率与mAP@0.5分别提升了1.3%，2.2%，3.2%。② 对比实验证明，YOLO-WRC召回率、mAP@0.5均优于SSD，Faster-RCNN，YOLOv5，YOLOv10n等主流模型，对异常高温点的识别展现出较高的鲁棒性和适应性。③ YOLO-WRC对检测目标的置信度较高，且可识别YOLOv8n漏检的目标，对于易混淆、小尺寸目标有更强的识别能力。
基于YOLO-DIS的露天矿复杂环境下车辆障碍物检测
曹婷;冯治东;郭红波;罗晓春;针对露天矿作业区遮挡严重、扬尘干扰、图像模糊等复杂环境下车辆障碍物检测存在漏检、误检的问题，在YOLOv11n的基础上提出了一种YOLO-DIS模型，用于露天矿复杂环境下车辆障碍物检测。该模型引入迭代注意力特征融合（iAFF）改进C3k2模块，通过两阶段迭代注意力融合强化了复杂情况下的特征提取能力；采用轻量化动态上采样代替原有的最近邻插值法，通过学习采样点偏移量，根据目标形状及遮挡情况动态调整采样位置，有效弥补了因固定采样规则导致的被遮挡目标边缘特征恢复不准确的缺陷；采用SlideLoss损失函数对不同难度的样本赋予差异化权重，解决了样本分布不均衡问题。实验结果表明：相较于YOLOv11n，YOLO-DIS模型在参数量仅少量增加的情况下，精确率、召回率、mAP@0.5分别提升了4.4%，7.3%，4.0%；与主流目标检测模型相比，YOLO-DIS模型的mAP@0.5最高；YOLO-DIS模型在自制数据集和KITTI数据集上均保持了较好的检测性能，具有良好的泛化性；在遮挡严重、扬尘干扰、图像模糊、小目标检测、背景干扰等场景下，YOLO-DIS模型检测框置信度更高，有效减少了漏检情况。
几种边缘检测算子的比较
马艳,张治辉边缘检测是图象处理中重要的一个环节。文章具体考察了 5种常用的检测算子 ,并加以实现 ,并对其特点进行了讨论和比较。梯度算子简单有效 ,LOG滤波器和Canny算子能产生较细的边缘。实践时要根据具体情况和要求选择合适的算子
数据挖掘研究现状及发展趋势
王惠中;彭安群;从数据挖掘的定义出发,介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点;详细总结了国内外数据挖掘的研究现状及研究热点,指出了数据挖掘的发展趋势。
数据挖掘研究现状及发展趋势
王惠中;彭安群;从数据挖掘的定义出发,介绍了数据挖掘的神经网络法、决策树法、遗传算法、粗糙集法、模糊集法和关联规则法等概念及其各自的优缺点;详细总结了国内外数据挖掘的研究现状及研究热点,指出了数据挖掘的发展趋势。
物联网、大数据及云计算技术在煤矿安全生产中的应用研究
马小平;胡延军;缪燕子;阐述了物联网、大数据及云计算技术的研究现状,指出3种技术之间的关系,即物联网产生大数据,大数据助力物联网;大数据需要云计算,云计算增值大数据。结合煤矿综合自动化的建设发展历程,研究了3种技术在煤矿安全生产保障中的作用和地位,提出了3种技术在煤矿生产安全保障中的关系:物联网是煤矿各个子系统建设的技术框架和路线图,大数据是矿山物联网建设的产物,云计算则是对大数据处理利用的技术手段,并指出基于物联网、大数据及云计算技术的煤矿安全生产监测监控系统将是主动式、多参数融合、具备预警功能的监测监控系统,可有效提升煤矿安全生产水平。
几种边缘检测算子的比较
马艳,张治辉边缘检测是图象处理中重要的一个环节。文章具体考察了 5种常用的检测算子 ,并加以实现 ,并对其特点进行了讨论和比较。梯度算子简单有效 ,LOG滤波器和Canny算子能产生较细的边缘。实践时要根据具体情况和要求选择合适的算子
基于改进YOLOv7的煤矿带式输送机异物识别
毛清华;李世坤;胡鑫;薛旭升;姚丽杰;带式输送机煤流中会掺杂锚杆、角铁、木条、矸石、大块煤等异物，易导致输送带撕裂、转接处堵塞甚至断带。针对带式输送机巡检机器人难以在井下光照不均及带式输送机高速运行环境中高效、准确识别异物及模型部署不便等问题，以及YOLOv7模型对目标特征提取能力高，但识别速度较慢的特点，提出了一种基于改进YOLOv7的煤矿带式输送机异物识别方法。运用限制对比度自适应直方图均衡化方法对采集的带式输送机监控图像进行增强，提高图像中物体轮廓的清晰度；对YOLOv7模型进行改进，通过在主干提取网络引入轻量化无参注意力机制，提高模型对图像复杂背景的抗干扰能力和对异物特征的提取能力，同时引入深度可分离卷积代替主干特征提取网络中的普通卷积，提高异物识别速度；使用TensorRT引擎将训练后的改进YOLOv7模型进行转换并部署在NVIDIA Jetson Xavier NX上，实现了模型的加速。对煤矿井下分辨率为1 920×1 080的带式输送机监控视频进行识别，实验结果表明：改进YOLOv7模型的识别效果优于YOLOv5L和YOLOv7模型，识别精确率达92.8%，识别速度为25.64帧/s，满足精确、高效识别带式输送机异物的要求。
