Multi-sensor fusion-based intelligent supervision system for coal storage yard operation safety
-
摘要:
作业工人和车辆是煤场安全管理的关键对象，实时获得高精度定位信息对避免安全事故具有十分重要的意义。研究基于超宽带与视觉融合的人员车辆检测与定位方法，根据封闭煤场的场景特点，提出了基于飞行时间−时间到达差混合定位的方法，实现煤场内携带标签目标的高精度定位；为解决因遮挡导致超宽带定位中断的问题，采用视觉位置估计辅助超宽带定位，提出了基于Transformer和Yolov7融合目标检测识别方法，根据目标在图像中的位置变化，估计目标的位置坐标，采用扩展卡尔曼滤波方法实现融合定位。该方法在国能宁夏灵武发电厂煤场进行测试，通过收集煤场内作业场景数据图像，制作了作业人员与车辆数据集，目标检测模型的平均准确率指标mAP@0.5为0.925，模型在现场部署后的图片检测速度为30 fps。检测模型的试验结果表明该模型对储煤场中的主要目标具有较高的检测精度和较快的检测速度，实时性达到了煤场应用落地的实际需求。对比试验结果表明，提出的目标检测模型在不牺牲处理帧率的情况下，mAP@0.5相比于原始CNN网络Yolov7提升了1.4%。煤场内定位精度范围为0.5～0.9 m，定位刷新频率为10 fps，有效地解决因遮挡导致的UWB定位中断问题。
Abstract:Workers and vehicles are the key objects of coal yard safety management. It is of great significance to obtain high-precision positioning information in real time to avoid safety accidents. Studying the detection and positioning method of personnel and vehicle based on ultra-WB and visual integration, according to the scene characteristics of the closed coal yard, the method based on flight time-time arrival difference is proposed to realize the high-precision positioning of label targets in the coal yard; In order to solve the interruption of UWB location caused by occlusion, UWB detection and identification method based on Transformer and Yolov7 is proposed to estimate the position in the image, and the Kalman filter method is used to realize the fusion positioning. This method was tested in the coal yard of Ningxia Lingwu Power Plant of National Energy. By collecting the data images of operation scenes in the coal field, the data set of operators and vehicles was made. The average accuracy index of the target detection model mAP@0.5 is 0.925, and the image detection speed of the model deployed on the site is 30 frames per second. The experimental results of the detection model show that the model has high detection accuracy and fast detection speed for the main motion targets in the coal storage field, and meets the actual requirements of the coal field application in real time. The comparative experimental results show that the proposed target detection model improves the mAP@0.5 by 1.4% over the original Yolov7 without sacrificing the processing frame rate. The positioning accuracy range in the coal yard is 0.5～0.9 m, and the positioning refresh frequency is 10 frames per second, which effectively solves the problem of UWB positioning interruption caused by occlusion.
-
0. 引 言
页岩气是一种自生自储、原地聚集成藏的非常规天然气资源，是一种优质高效的清洁能源[1-2]。在我国页岩气勘探开发历程中涪陵示范区建立了海相页岩气“二元富集”理论、高效开发气藏工程理论、页岩气丛式水平井组优快钻井技术和页岩储层差异化缝网压裂技术等勘探开发地质理论和技术[3]，昭通示范区提出了“多场协同多元耦合”山地页岩气富集成藏赋存理论和山地页岩气勘探开发技术[4]，长宁—威远示范区形成了地质工程一体化技术、页岩气综合地质评价技术和“六化”管理模式[5]，3个海相页岩气示范区相继实现了商业化开发。
随着国内页岩气商业化开发进程的推进，国内学者对甜点区评价和控气因素分析方面进行理论研究，并获得了诸多成果。张培先等[6]从资源基础、保存条件、地应力场等方面建立了16项关键指标页岩气甜点目标评价体系。张廷山等[7]从沉积地貌、岩性岩相、储集空间和保存条件方面对页岩气的控气因素进行了分析，认为古地貌直接控制了储层的品质，优势岩相控储控气，纳米孔隙控气，顶底板封盖是富集控气的关键因素。何梅朋[8]研究认为：有机质含量、脆性矿物含量和孔隙度均与含气性呈正相关，黏土矿物含量与含气性呈负相关。总体而言，页岩的含气性与地质特征密切相关，也是非常规天然气勘探开发的重要依据。然而，位于示范区外围的页岩气矿业权空白区五峰组—龙马溪组海相页岩气的勘探仍处于起始阶段，由于复杂的构造保存条件，适用于商业开采区的关键地质参数和控气因素不能完全用于复杂构造带页岩气有利区的预测。
滇东北地区位于四川盆地南缘复杂构造区，通过近几年的调查评价，部署在木杆向斜的某页岩气参数井直井地层含气性测试获得页岩气工业气流，抽油机求产折算日产5 608 m3，达到工业气流标准，证实了盆地外缘同样具有较好的页岩气资源条件。为了进一步拓宽滇东北地区页岩气富集区域，本次工作以木杆向斜南部的勺寨向斜为重点，结合区内剖面、钻井资料，对该区的五峰组−龙马溪组页岩气地质条件进行研究，并在此基础上分析研究区含气性控制因素，以期为天然气资源的接替提供依据。
1. 研究区地质背景
研究区位于云南省昭通境内。构造上位于小江断裂东部、水城−紫云断裂西部，处于扬子地台西南边缘的滇黔北坳陷−昭通凹陷。该凹陷为早古生代凹陷，南接黔中滇东隆起，北邻四川盆地；介于盆地和古隆起之间（图1a），具有构造挤压强烈、地表地形复杂的特征；发育北东向具有“向斜宽缓，背斜窄陡”的隔挡式褶皱[9-10]（图1b）。不同于盆地内部的保存条件好、构造变形弱的构造背景。
![]()
区域地层受构造运动控制，晚震旦世至早古生代地壳相对平静，下古生界寒武系、奥陶系、志留系地层较为发育；海西运动作用下，黔中滇东同时缺失了中晚泥盆世和石炭世地层。早二叠世，区内大面积海进，使得下二叠统以平行不整合超覆于不同时代的老地层之上。受东吴运动影响，晚二叠世峨眉山玄武岩岩浆大量喷出，增加了研究区的热流值，加快了五峰组−龙马溪组页岩层系的生烃进程[10]。
2. 储层特征
2.1 岩石学特征
研究区内五峰组−龙马溪组为一套深灰色至灰黑色炭质泥页岩、泥质粉砂岩、粉砂质泥岩，五峰组和龙马溪组分为2段；其中有利层段为五峰组上段、龙马溪组下段，主要发育钙质泥页岩、含炭钙质页岩、含钙粉砂质页岩，并见大量的笔石发育，夹多层黄铁矿，间夹灰岩透镜体（图2）。
2.2 矿物学特征
XD2井位于勺寨向斜北东端，其71件泥页岩样品X−衍射测试结果显示：区内五峰组−龙马溪组泥页岩以石英、长石和碳酸盐岩等脆性矿物为主，脆性矿物质量分数介于52.00%～92.00%，平均值为73.61%；石英质量分数介于7.00%～78.00%，平均值为27.68%；黏土矿物质量分数介于8.00%～45.00%，平均值为25.35%；样品中普遍发育黄铁矿，质量分数介于2.00%～5.00%，平均值为3.22%（图2）。研究区五峰组−龙马溪组较高的脆性矿物含量有利于诱导裂缝的形成[11]，从而联通裂隙与储层孔隙，实现页岩气的运移。研究表明，H2S含量与海水深度呈一定的正相关[12]，H2S含量决定矿物类型，H2S含量少主要形成菱铁矿，H2S量大则形成黄铁矿，研究区样品测试均为黄铁矿不含菱铁矿表明具有硫化氢富集特征，指示储层处于水深较深的还原环境，有机质得以充分保存。垂向上石英含量高值点位于五峰组二段的顶部和龙马溪组一段的底部也是目前勘探开发的有利层段。
黏土矿物测试结果显示，五峰组−龙马溪组样品以伊利石为主，质量分数介于54.00%～94.00%，平均值为68.63%；其次为绿泥石和伊/蒙混层，质量分数平均值均在10%以上；大多数样品也含有少量的高岭石，不含蒙脱石和绿/蒙混层。魏祥峰等（2013）研究发现泥页岩的伊蒙间层矿物含量与孔比表面积关系间呈现良好的对数关系，样品中伊/蒙混层质量分数介于6.00%～39.00%，平均值为12.58%，有利于页岩气的吸附富集。
2.3 有机地化特征
XD2井五峰组−龙马溪组10块样品显微组分的分析测试显示：显微组分主要表现为腐泥组，缺乏惰质组和壳质组。与震旦系和寒武系干酪根显微组份不同的是，上奥陶统−志留系开始出现少量的镜质组，壳质组体积分数平均值为4.3%，该特征可能和奥陶纪晚期维管陆地植物的出现有关。有机质类型指数介于86.00%～98.30%，为I型干酪根，具高氢低氧含量，生气潜能大。
有机碳含量在深水陆棚区总体较高，TOC含量均大于1.0%层段厚度为105 m，TOC含量大于2.0%层段厚度为35 m（图2）。龙马溪组下段上部零星可见TOC>1.0%，龙马溪组一段中下部及五峰组上部TOC质量分数均大于1.0%，龙马溪组一段下部及五峰组上部为TOC质量分数大于2.0%的优质页岩段。整体观察，由上向下TOC含量逐渐增大，高TOC段主要分布在五峰组上部和龙马溪组底部，可见明显异常高GR峰。
2.4 孔缝特征
泥页岩在演化过程中，由于构造作用、热力作用及生排烃作用形成了复杂的微裂缝与孔隙，其既是天然气的储集空间，又是天然气的渗流通道[13]。通过对XD2井页岩进行宏观裂缝观测和扫描电镜测试，发现研究区页岩储层发育宏观裂缝（图3a），黏土矿物成平行密集排列（图3f），二者一方面增加了气体的储集空间，另一方面增大了储层的比表面积，对吸附态页岩气和游离页岩气的富集均有积极的作用。
![]()
图 3 勺寨向斜五峰组−龙马溪组泥页岩孔−裂隙特征Figure 3. Characteristics of shale pores and fractures in the Wufeng - Longmaxi Formation of Shaozhai Syncline黄铁矿晶间孔和长石粒内溶蚀孔（图3d、图3e）等无机孔的发育为游离态页岩气缝有高角度剪切裂缝、层间裂缝，微观的孔−裂隙有黏土矿物层间缝、脆性矿物破裂缝、有机质孔、粒内孔、粒间孔。页岩气主要赋存状态为吸附态和游离态。宏观高角度剪切裂缝，总体上呈开启状态，不利于页岩气的保存（图3a）。从页岩气储集方面看：微观的蜂窝状有机质孔（图3b）、无机的矿物溶蚀孔和晶间孔为页岩气的富集提供了空间。从排采运移的角度看，黏土矿物层间缝（图3f）、脆性矿物破裂缝（图3c）等微裂缝为沟通宏观裂隙及后期压裂裂缝提供了有效通道。
研究区处于深水陆棚相到浅水陆棚相的过渡区，XD2井处五峰−龙马溪组黄铁矿发育，沉积环境为深水陆棚。页岩层段脆性矿物含量较高，有利于开发阶段的压裂。富有机质钙质页岩层段厚度大，TOC大于2%的优质层段厚度相对较大，与长宁A井钙质页岩平均值2.36%接近[14]，并且有机质类型为Ⅰ型干酪根，生气潜力大。但研究区页岩储层局部受到断裂构造影响，宏观裂隙发育，页岩气随着断裂逸散，不利于页岩气的保存。得益于研究区内页岩储层发育蜂窝状有机质孔、无机矿物粒内孔、粒间孔等，降低了构造作用对页岩气逸散的影响程度。
3. 含气性特征
XD2井的页岩样品模拟原始地层温度，在温度为65℃时，甲烷等温吸附量在2.12～4.28 m3/t，平均含量为2.74 m3/t，反映了研究区五峰组−龙马溪组页岩气储层具有较好的吸附能力。
对XD2井
1369 ～1473 m井段总计23个页岩岩心样品进行含气量测定，富有机质页岩水浸试验冒泡较为剧烈，解吸气体呈淡蓝色（图4）。现场解吸气量介于0.26～1.45 m3/t，平均0.73 m3/t，其中最大现场解吸气量位于五峰组顶部黑色炭质页岩。实测总含气量（解吸气量+残余气量+损失气量）为0.61～1.87 m3/t，平均为1.14 m3/t。纵向上，以五峰组−龙马溪组下部含气性较高。现场解吸气体组分分析表明气体组分主要为N2和CH4，N2体积分数分布范围为29.60%～89.36%，平均含量为54.40%；CH4体积分数分布范围为3.85%～70.01%，平均含量为43.84%。含少量CO2（含量0.22%～6.75%）、C2H6（平均体积分数≤0.29%）、C3H8（体积分数≤0.02%）和CO（体积分数≤0.01%）。现场解吸气含量平均值不到甲烷等温吸附气含量一半，且组分中含有大量的N2。分布范围94.78%～97.87%，平均体积分数96.18%，含少量N2，平均体积分数3.05%，含极少量乙烷和CO2。较高的CH4含量和较低的含量表明其保存条件较好，有利于页岩气的富集。对于XD2井与YYD3井页岩气组分差异因素进行分析：本次研究两口井使用的解吸气量均为无空气基；两口钻井均位于勺寨复向斜轴部附近，地层分布较为相似；XD2井距离莲峰断裂近，富有机质页岩厚度大、埋深大，YYD3井距离莲峰断裂远，富有机质页岩厚度小、埋深小；莲峰断裂为高角度断裂，XD2井页岩层段受莲峰断裂影响大，YYD3受断裂影响小。因此，XD2与YYD3井页岩气组分差异是由于莲峰断裂的影响，XD2井页岩层段裂隙发育，部分导通地表，使其N2含量远高于保存条件较好的YYD3井。结合XD2井与YYD3井页岩气含气量数据分析：二者数据差异较小，虽然研究区北东部受断裂影响较大，导致部分地层沟通空气，但莲峰断裂为逆冲断层，勺寨复向斜受挤压应力，对原位赋存的页岩气影响具有一定的局限性。
4. 含气性控制因素
页岩含气性是是页岩气资源潜力预测、地质评价和探矿权设置的重要指标，其一定程度上决定了页岩气藏是否具有商业开发价值[15-16]。一般认为页岩气含气性受沉积、古地貌、岩浆活动、保存条件、TOC、矿物成分、储层物性等多方面影响[17-20]。本次重点从构造控制下的沉积环境、页岩本身特征以及保存条件3方面展开讨论。
4.1 构造控制下的沉积环境对含气性的影响
研究区位于昭通凹陷内，昭通凹陷北邻四川盆地，南接黔中滇东隆起；研究区地层沉积过程受黔中滇东隆起控制，其是形成于加里东晚期（O−S）的隆起[21]。在隆起过程中：
晚奥陶世五峰期靠近古陆的金阳、巧家等地为潮坪相沉积，发育有白云岩及含燧石条带泥质白云岩，夹少量的粉砂岩[21]；中部大关的莲峰（云永地3井）、黄葛溪为浅水陆棚相相沉积，发育碳质钙质泥岩、粉砂质泥岩、泥灰岩，含笔石；北部的高桥（XD2井）、木杆（XY1井）为深水陆棚沉积，发育碳质钙质泥岩、含硅碳质粉砂质泥岩、含钙碳质粉砂质泥岩，笔石化石丰富集中且见数层疑似斑脱岩发育（图5a）。
![]()
图 5 勺寨复向斜五峰期−龙马溪期沉积及五峰组−龙马溪组优质页岩厚度展布图Figure 5. Distribution Map of Sedimentary Facies from the Wufeng- Longmaxi Periods of the Shaozhai Syncline and Distribution Map of High Quality Shale Thickness from the Wufeng- Longmaxi Formations早志留世龙马溪期早期滇东北北部海水浸漫，深水陆棚相沉积扩展到莲峰地区（YYD3井），发育黑色碳质硅质页岩及碳质页岩，含粉砂碳质页岩、硅质页岩等，笔石种类丰富且数量较多，黄铁矿晶粒呈分散状和条带状、纹层状（图5b）。
早志留世龙马溪期晚期古陆抬升，海水退却，研究区水体深度快速变浅，物源供给更为充分，沉积速率亦明显变大。研究区结束了黑色页岩的沉积，开始演变为富氧浅色的粉砂质泥岩、泥灰岩、钙质泥岩沉积。在研究区南部的YYD3井，岩性浅灰色−灰绿色的钙质泥岩、泥灰岩，往北至高桥发育灰色、深灰色泥岩、粉砂质泥岩（图5c）。
研究区总体上在加里东晚期构造运动控制下的黔中滇东隆起的升降运动，在其控制下的沉积环境呈靠近古陆的潮坪相、中部的浅水陆棚相以及远离古陆的深水陆棚相展布。垂向上XD2井的五峰组上段和龙马溪组下段底部的深水陆棚环境发育优质的烃源岩；平面上在加里东晚期构造控制下由北向南水体变浅，表现在研究区北部XD2井五峰组−龙马溪组富有机质页岩厚度达105 m，优质页岩厚度为35 m；而南部莲峰一带YYD3井为71 m，优质页岩厚度为3 m（图5d）。
4.2 页岩自身特征对含气性影响
在对XD2井进行含气量测试基础上，系统采集了样品进行有机地化、岩石学、储集特征等测试；并对总含气量与有机碳（TOC）含量、碳酸盐岩矿物含量、黏土矿物含量、孔总体积、孔比表面积进行了相关性分析。结果显示TOC与总含气量呈线性正相关，R2达0.62（图6a），相关性较强，表明研究区TOC含量对页岩总含气量具有较强的控制作用；一方面有机质是生烃演化的重要物质基础，充足的有机质才能够形成更多的页岩气；另一方面有机质在热演化生烃过程中，形成了大量的有机质纳米孔，为页岩气提供了大量储集空间，与此同时增大了储层比较面积，提高了页岩气储层的吸附能力[22]。
![]()
图 6 研究区XD2井五峰组−龙马溪组各储层参数与总含气量相关关系Figure 6. Correlation between Reservoir Parameters and Total Gas Content in the Wufeng - Longmaxi Formation of Well XD2 in the Study Area泥页岩孔体积、比表面积与总含气量均呈线性正相关，R2分别为达0.59和0.34（图6b、图6c），相关性较强。泥页岩中的孔−缝为游离态的页岩气赋存提供了空间，有机质纳米孔和黏土矿物孔增大了储层的比表面积，为吸附态页岩气的赋存提供了场所。因此泥页岩的孔体积、比较面积对总含气量有一定的控制作用。
黏土矿物含量与总含气量之间呈一定的正相关，R2为0.35（图6 d），相关性中等。表明黏土矿物对总含气量具有一定的控制作用；这与黏土矿物的孔隙结构有关：黏土矿物颗粒间、粒内多发育纳米级孔以及微裂缝，可以赋存大量游离气，与此同时黏土矿物尤其是矿伊蒙间层矿物具有较大的比表面积，能够增强页岩储层的吸附能力。
黄铁矿含量与总含气量之间表现为正相关，R2为0.28（图6e），相关性较弱。因为原生黄铁矿含量指示着水体的深度，其含量越高代表水体越深还原性越强，形成黄铁矿所必须的H2S和Fe2+含量越高，有机质富集程度就越高，但其形成会挤占有机质的空间，从而一定程度上减弱了地层的吸附能力，因此虽然黄铁矿虽然对总含气量具有一定的控制作用，但相关性较弱。
碳酸盐岩矿物含量与总含气量呈负相关，R2为0.61（图6f），相关性较强。主要原因为碳酸盐岩矿物属于成岩作用过程中的产物，其形成会充填封堵孔裂隙，见较小页岩气的富集空间。因此碳酸盐的形成不利于页岩气的富集，对总含气量呈负向控制。
4.3 保存条件
昭通凹陷位于盆地外围，经历了加里东期、海西期、印支期、燕山期等多期次构造运动。形成一系列北东向和近东西向的逆断；同时形成一套向斜宽缓、背斜紧闭的复向斜（图1b）。研究区位于昭通凹陷西北部的勺寨复向斜区，构造改造相对较弱，向斜舒缓开阔，地层倾角在10°～20°，形态较完整，构造圈闭保存完好，对页岩气的保存具有积极作用。断层主要以挤压性的逆断层为主，封闭性较好。优质页岩的顶板龙马溪组下段上部发育的泥页岩、粉砂质泥岩，下志留统黄葛溪组发育的泥灰岩以及上志留统嘶风崖组的泥岩、厚层状石英砂岩，总厚度约300～600 m。目的层段底板的下奥陶统临湘组、中奥陶统宝塔组沉积一套瘤状灰岩，顶底板均属于低孔低渗的致密岩层，分布广泛而连续，厚度大，可作为五峰组−龙马溪组含气层的优质盖层和底板，在纵向上可阻止气体的逸散。断层两侧致密岩层连续对接，在页岩储层两侧形成封堵，阻止页岩气在横向上向两侧运移，具备良好的三维封闭体系。
以往的研究认为烃源岩的厚度和埋深也至关重要[23-24]，但在研究区内初步分析发现关键的控制因素是断裂：以XD2井和YYD3井进行剖析发现，XD2井优质页岩厚度35 m，目的层埋深在
1380 m～1485 m；YYD3井优质页岩厚度3 m，目的层埋深在1000 m。云永地3井距离莲峰断裂直线距离为10 km，XD2井距莲峰断裂的直线距离为3.1 km，莲峰断裂为深大断裂对周边地层原始状态影响较大，与此同时YYD3井因金沙厂背斜的遮挡受到构造影响进一步降低（图1b）。主要表现在XD2井发育高角度的裂缝、局部岩芯破碎（图3a），CH4无空气基组分含量最高为70.01%，最低为3.85%，N2无空气基组分含量最高89.36%，最低为26.90%，表明其页岩气保存遭受破坏，沟通地表导致大气成分如N2等增多。而距离断裂远，有金沙厂向斜遮挡的YYD3井虽然埋深浅、优质页岩厚度只有3 m，但CH4无空气基组分含量分布范围94.78%～ 97.87%，平均含量96.18%，仅含含少量N2，表明其在后期改造过程中受扰动较小，保存条件好。4.4 勘探开发有利区
研究区含气性受控于构造条件、储层特征的影响。分析结果显示，页岩储层的总含气量与TOC含量、孔体积、比表面积、黏土矿物含量、黄铁矿含量均呈正相关关系，与碳酸盐岩矿物的含量呈负相关关系。与TOC含量、孔体积正相关性及碳酸盐岩矿物含量负相关性较强，因此，页岩含气性主控因素为TOC含量，是页岩气的来源；孔体积是页岩气的赋存空间，而与比表面积较小相关性说明吸附态页岩气含量较小；碳酸盐岩矿物则封堵储层孔隙空间，导致页岩气储存空间减少。逆冲推覆构造对下盘断层具有一定的封闭性，储层底部和顶部的封闭性较好，有利于页岩气的保存，具有逆断层封堵的成藏特征，莲峰断裂对页岩储层局部有一定破坏，导致沟通大气，但较为局限。
研究区位于勺寨复向斜，受挤压应力，虽然发育莲峰断裂，影响部分储层，但影响局限，总体保存条件较好，具有逆断封堵、向斜成藏的特点。页岩储层具有厚度大，TOC含量良好，总含气量较好，脆性矿物含量高等特点，具有较好的勘探开发前景。勺寨复向斜北东端（高桥一带）具备远离莲峰断裂、优质页岩厚度大的条件，是五峰组−龙马溪组页岩气富集的有利区。
5. 结 论
1）受海西运动控制，滇东北地区勺寨复向斜五峰组−龙马溪组沉积自南东至北西由浅水陆棚向深水陆棚转变，富有机质泥页岩主分布在五峰组上段和龙马溪组下段底部，岩性主要为碳质泥岩、含炭钙质页岩、含钙粉砂质页岩，并见大量的笔石发育。页岩TOC含量高，有机质类型为I型，生烃潜力大。
2）勺寨复向斜五峰组上段和龙马溪组下段页岩的有机质含量、矿物组成及储集空间对其含气性均有一定的控制作用。TOC含量、孔体积、孔比表面积、黏土矿物含量、黄铁矿含量、碳酸盐岩矿物含量与总含气量呈线性相关关系，TOC 含量、孔体积、孔比表面积、黏土矿物含量、黄铁矿含量的发育对页岩气的生成、储集及开发具有促进作用。其中 TOC含量、孔体积是研究区优质页岩段页岩含气性量的主要控制因素，孔比表面积、黏土矿物含量、黄铁矿含量的控制作用稍弱。碳酸盐岩矿物含量对含气性呈削弱作用。
3）在勺寨复向斜生烃条件、页岩储层储集条件等同时具备的基础之上，远离断裂，具有褶皱遮挡的宽缓向斜区，是研究区五峰组−龙马溪组页岩气富集的有利区。
-
表 1 目标在数据集中出现过的总次数
Table 1 Objects’ total number in dataset
目标类型 数据集中的总数 人 6485 卡车 9154 铲车 6274 斗轮机 564 
下载: 导出CSV
表 2 每个检测目标类别的AP@0.5
Table 2 AP@0.5 result of each type of the model on test dataset
目标类型 AP@0.5/% 人 75.2 卡车 98.8 铲车 98.6 斗轮机 97.4
下载: 导出CSV
表 4 定位结果
Table 4 Results of localization
序号 绝对坐标/m 定位坐标/m 误差/m 测试区域 X Y X Y X Y 1 4.9 5.1 4.63 4.32 0.27 0.78 煤堆下−南 2 22.93 2.2 23.27 1.2 0.34 0.9 3 43.52 6.2 42.75 5.43 0.77 0.77 4 64.25 4.23 64.74 3.58 0.49 0.65 5 87.24 3.24 88.02 2.89 0.78 0.35 6 118.57 8.45 119.03 7.89 0.46 0.56 7 145.3 4.37 144.72 5.21 0.58 0.84 8 157.23 4.25 157.83 3.88 0.6 0.37 煤堆下−北 9 184.56 5.35 185.31 6.26 0.75 0.91 10 192.48 4.75 192.99 4.51 0.51 0.24 11 202.69 4.88 202.25 4.01 0.45 0.87 12 214.9 6.59 214.11 7.21 0.79 0.62 13 235.23 6.50 235.97 7.02 0.64 0.52 14 226.45 2.2 227.32 2.7 0.8 0.5 15 57.1 20.93 56.31 20.45 0.79 0.48 煤堆上 16 70.25 21.33 70.89 20.85 0.64 0.48 17 81.33 20.78 80.98 21.23 0.35 0.45 18 93.65 21.02 93.11 20.51 0.54 0.51 19 105.87 21.25 106.33 21.56 0.46 0.31 20 116.47 22.14 116.17 22.84 0.3 0.7 21 125.62 21.06 126.40 21.84 0.78 0.78 22 133.52 25.34 132.81 26.21 0.71 0.87
下载: 导出CSV
-
[1] 武文忠,蒋华,陈良,等. 大型火力发电厂超大跨度煤场封闭施工的工艺实践[J]. 电力学报,2023,38(2):127−135. WU Wenzhong,JIANG Hua,CHEN Liang,et al. Construction method of large span closed coal yard structure in thermal power plant[J]. Journal of Electric Power,2023,38(2):127−135.
[2] 杨凯. 露天煤矿机动车辆事故分析及预防措施[J]. 露天采矿技术,2017,32(12):85−87,90. YANG Kai. Accident analysis and preventive measures of motor vehicle in open-pit coal mine[J]. Opencast Mining Technology,2017,32(12):85−87,90.
[3] 李航天. 2021年全国生产安全事故十大典型案例[N]. 中国应急管理报,2022−01−21(004). LI Hangtian. Top ten typical cases of production safety accidents in China in 2021[N]. China Emergency Management News,2022−01−21(004).
[4] 苏素燕,陈金旺,王林芳,等. 室内外定位技术综述[J]. 智能计算机与应用,2023,13(10):179−183. doi: 10.3969/j.issn.2095-2163.2023.10.035 SU Suyan,CHEN Jinwang,WANG Linfang,et al. A review of indoor and outdoor positioning technology[J]. Intelligent Computer and Applications,2023,13(10):179−183. doi: 10.3969/j.issn.2095-2163.2023.10.035
[5] 曹波,王世博,葛世荣,等. 基于校准补偿和VBUKF平滑的超宽带采煤机定位技术[J]. 煤炭科学技术,2022,50(8):210−219. CAO Bo,WANG Shibo,GE Shirong,et al. Ultra-wideband shearer positioning technology based on calibration compensation and VBUKF smoothing[J]. Coal Science and Technology,2022,50(8):210−219.
[6] ZHAO Z Q,ZHENG P,XU S T,et al. Object detection with deep learning:A review[J]. IEEE Transactions on Neural Networks and Learning Systems,2019,30(11):3212−3232. doi: 10.1109/TNNLS.2018.2876865
[7] ZOU Z X,CHEN K Y,SHI Z W,et al. Object detection in 20 years:A survey[J]. Proceedings of the IEEE,2023,111(3):257−276. doi: 10.1109/JPROC.2023.3238524
[8] GIRSHICK R,DONAHUE J,DARRELL T,et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway,NJ:IEEE,2014:580−587.
[9] HE K M,ZHANG X Y,REN S Q,et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[M]//Computer vision–ECCV 2014. Cham:Springer International Publishing,2014:346−361.
[10] REN S Q,HE K M,GIRSHICK R,et al. Faster R-CNN:Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137−1149. doi: 10.1109/TPAMI.2016.2577031
[11] LIN T Y,DOLLÁR P,GIRSHICK R,et al. Feature pyramid networks for object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway,NJ:IEEE,2017:936−944.
[12] WANG C Y, BOCHKOVSKIY A, LIAO H M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[EB/OL]. （2022−07−06） [2023−12−14]. https://arxiv.org/abs/2207.02696v1. WANG C Y,BOCHKOVSKIY A,LIAO H M. YOLOv7:Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[EB/OL]. (2022−07−06) [2023−12−14]. https://arxiv.org/abs/2207.02696v1.
[13] LAW H,DENG J. CornerNet:Detecting objects as paired keypoints[C]// Computer Vision – ECCV 2018. Cham:Springer International Publishing,2018:765−781.
[14] ZHOU X Y, WANG D Q, KRÄHENBÜHL P. Objects as points[EB/OL]. （2019−04−25） [2023−12−14]. https://arxiv.org/abs/1904.07850v2. ZHOU X Y,WANG D Q,KRÄHENBÜHL P. Objects as points[EB/OL]. (2019−04−25) [2023−12−14]. https://arxiv.org/abs/1904.07850v2.
[15] DEVLIN J, CHANG M W, LEE K, et al. BERT: Pre-training of deep bidirectional transformers for language understanding[EB/OL]. （2019−05−24） [2023−12−14]. https://arxiv.org/abs/1810.04805v2. DEVLIN J,CHANG M W,LEE K,et al. BERT:Pre-training of deep bidirectional transformers for language understanding[EB/OL]. (2019−05−24) [2023−12−14]. https://arxiv.org/abs/1810.04805v2.
[16] CARION N,MASSA F,SYNNAEVE G,et al. End-to-end object detection with transformers[C]// Computer Vision – ECCV 2020. Cham:Springer International Publishing,2020:213−229.
[17] ZHU X Z, SU W J, LU L W, et al. Deformable DETR: Deformable transformers for end-to-end object detection[EB/OL]. （2021−03−18） [2023−12−14]. https://arxiv.org/abs/2010.04159v4. ZHU X Z,SU W J,LU L W,et al. Deformable DETR:Deformable transformers for end-to-end object detection[EB/OL]. (2021−03−18) [2023−12−14]. https://arxiv.org/abs/2010.04159v4.
[18] LI F,ZHANG H,LIU S L,et al. DN-DETR:Accelerate DETR training by introducing query DeNoising[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Piscataway,NJ:IEEE,2022:13609−13617.
[19] XIAO J S,GUO H W,ZHOU J,et al. Tiny object detection with context enhancement and feature purification[J]. Expert Systems with Applications,2023,211:118665. doi: 10.1016/j.eswa.2022.118665
[20] JUAN T, DIANA M C. A comprehensive review of YOLO: From YOLOv1 to YOLOv8 and beyond[EB/OL]. （2023−04−02） [2023−12−14]. https://arxiv.org/abs/2304.00501. JUAN T,DIANA M C. A comprehensive review of YOLO:From YOLOv1 to YOLOv8 and beyond[EB/OL]. (2023−04−02) [2023−12−14]. https://arxiv.org/abs/2304.00501.
[21] LIU Z,LIN Y T,CAO Y,et al. Swin transformer:Hierarchical vision transformer using shifted windows[C]//2021 IEEE/CVF International Conference on Computer Vision (ICCV). Piscataway,NJ:IEEE,2021:9992−10002.
[22] CANO J,PAGÈS G,CHAUMETTE É,et al. Clock and power-induced bias correction for UWB time-of-flight measurements[J]. IEEE Robotics and Automation Letters,2022,7(2):2431−2438. doi: 10.1109/LRA.2022.3143202
[23] VAN HERBRUGGEN B,FONTAINE J,DE POORTER E. Anchor pair selection for error correction in time difference of arrival (TDoA) ultra wideband (UWB) positioning systems[C]//2021 International Conference on Indoor Positioning and Indoor Navigation (IPIN). Piscataway,NJ:IEEE,2021:1−8.
[24] 谢宗武,马博宇,蒋再男,等. 面向空间机械臂遥操作的虚拟相机成像技术[J]. 哈尔滨工程大学学报,2023,44(4):631−638. XIE Zongwu,MA Boyu,JIANG Zainan,et al. Imaging of virtual camera for space manipulator teleoperation[J]. Journal of Harbin Engineering University,2023,44(4):631−638.
[25] 王谭,王磊磊,张卫国,等. 基于张正友标定法的红外靶标系统[J]. 光学 精密工程,2019,27(8):1828−1835. doi: 10.3788/OPE.20192708.1828 WANG Tan,WANG Leilei,ZHANG Weiguo,et al. Design of infrared target system with Zhang Zhengyou calibration method[J]. Optics and Precision Engineering,2019,27(8):1828−1835. doi: 10.3788/OPE.20192708.1828
[26] 刘燕,张健,肖庆高,等. UKF与EKF在导航定位中的对比研究[J]. 微处理机,2023,44(4):30−33. doi: 10.3969/j.issn.1002-2279.2023.04.009 LIU Yan,ZHANG Jian,XIAO Qinggao,et al. A comparative study of UKF and EKF in navigation and positioning[J]. Microprocessors,2023,44(4):30−33. doi: 10.3969/j.issn.1002-2279.2023.04.009
[27] EVENSEN G. Sequential data assimilation with a nonlinear quasi-geostrophic model using Monte Carlo methods to forecast error statistics[J]. Journal of Geophysical Research:Oceans,1994,99(C5):10143−10162. doi: 10.1029/94JC00572
[28] GE Z, LIU S T, WANG F, et al. YOLOX: Exceeding YOLO series in 2021[EB/OL]. （2021−07−18） [2023−12−14]. https://arxiv.org/abs/2107.08430v2. GE Z,LIU S T,WANG F,et al. YOLOX:Exceeding YOLO series in 2021[EB/OL]. (2021−07−18) [2023−12−14]. https://arxiv.org/abs/2107.08430v2.
[29] JOCHER G. YOLOv5 release v6.1[EB/OL]. （2022−02−22） [2023−12−14]. https://github.com/ultralytics/yolov5/releases/tag/v6.1. JOCHER G. YOLOv5 release v6.1[EB/OL]. (2022−02−22) [2023−12−14]. https://github.com/ultralytics/yolov5/releases/tag/v6.1.
[30] WANG C Y, YEH I H, LIAO H M. You only learn one representation: Unified network for multiple tasks[EB/OL]. （2021−05−10） [2023−12−14]. https://arxiv.org/abs/2105.04206v1. WANG C Y,YEH I H,LIAO H M. You only learn one representation:Unified network for multiple tasks[EB/OL]. (2021−05−10) [2023−12−14]. https://arxiv.org/abs/2105.04206v1.
[31] XU S L, WANG X X, LV W Y, et al. PP-YOLOE: An evolved version of YOLO[EB/OL]. （2022−05−30） [2023−12−14]. https://arxiv.org/abs/2203.16250v3. XU S L,WANG X X,LV W Y,et al. PP-YOLOE:An evolved version of YOLO[EB/OL]. (2022−05−30) [2023−12−14]. https://arxiv.org/abs/2203.16250v3.
计量
- 文章访问数: 21
- HTML全文浏览量: 14
- PDF下载量: 7
