Experimental study on the influence of surfactant foam properties on the slow release of gas in coal
-
摘要:
煤炭资源开采过程中，与煤伴生的瓦斯异常涌出可能会导致严重的瓦斯超限，引发煤矿瓦斯灾害或温室效应等问题。已有诸多研究表明煤层注表面活性剂溶液是有效且重要的治理瓦斯手段之一。表面活性剂与气体混合易产生稳定泡沫，关于泡沫性能对瓦斯解吸影响相关研究较少，本文研究表面活性剂泡沫性能对甲烷气体缓释规律的影响。选取十二烷基苯磺酸钠（SDBS）和烷基糖苷（APG0810）2种表面活性剂进行试验，测定溶液表面张力、黏度、发泡性、稳定性及泡沫形态。利用自行研制的试验装置开展表面活性剂泡沫性能对甲烷气体缓释效应影响的试验研究。试验结果表明：随着表面活性剂质量分数增加，液体表面张力起初降低幅度较大，发泡率有明显升高现象，稳泡性也逐渐增强。接近临界胶束浓度时降低幅度减缓，发泡性和稳泡性升高趋势变得平缓。表面活性剂质量分数为0.15%时，在注入空气后SDBS和APG0810发泡高度分别为44 mm和40 mm，且SDBS泡沫半衰期最大为786.5 s。溶液泡沫发泡率和半衰期与其对甲烷缓释效应相关度较大，相同质量分数下SDBS对甲烷的缓释效果普遍优于APG0810，表面活性剂溶液质量分数0.15%时，10 min内APG0810和SDBS对瓦斯缓释率分别约为37.4%和12.7%，2 h内SDBS对瓦斯缓释率仍有约50.84%。研究为探究表面活性剂抑制煤中甲烷解吸及其机理提供一个新的角度，可为矿井瓦斯防治，煤炭绿色开采提供一定的理论支撑。
Abstract:In the process of mining coal resources, the abnormal emission of gas associated with coal may lead to serious gas overrun, and trigger problems such as gas disaster or greenhouse effect. Many studies have shown that injecting surfactant solutions into coal seam is one of the effective and important means of gas management. Surfactant mixed with gas is easy to form stable foam. However, there are few studies on the influence of foam properties on gas desorption. Therefore, this paper studied the influence of surfactant foam properties on the slow release law of gas. Two surfactants, sodium dodecyl benzene sulfonate (SDBS) and alkyl glycoside (APG0810), were selected to test the surface tension, viscosity, foaming, stability and foam morphology of solutions. The effects of surfactant foam properties on gas release was investigated using a self-developed experimental apparatus. The experimental results shown that with the increase of surfactant mass fraction, the surface tension of liquid decreased greatly at first, the foaming rate increased obviously, and the foaming stability increased gradually. When approaching the critical micelle concentration, the decrease amplitude of surface tension slowed down, and the foaming and foaming stability increased gently. At a mass fraction of 0.15%, the foaming heights of SDBS and APG0810 after air injection were 44 mm and 40 mm, respectively, and the maximum half-life of SDBS foam was 786.5 s. The slow release effect of solution foam on gas was well correlated with its foaming rate and half-life. At the same mass fraction, SDBS was generally better than APG0810 in the slow release of gas. At a mass fraction of 0.15%, the gas slow release rate of APG0810 and SDBS within 10 min were about 37.4% and 12.7%, respectively, and that of SDBS within 2 h was still about 50.84%. This study can provide a new perspective to investigate the inhibition and its mechanism of gas desorption in coal by surfactants, and also a certain theoretical support for the prevention and control of gas in mines and the green mining of coal.
-
Keywords:
- slow release of methane /
- foam /
- foaming stability /
- surfactant /
- surface tension
-
0. 引 言
煤炭是我国主要的矿产资源，智能化生产技术在智慧矿山[1-2]的建设中具有重要的实际应用价值。我国当前能源供应仍以煤炭为主，同时，碳达峰、碳中和计划的推进使煤炭作为新能源的稳定深度调峰的战略能源的地位日益凸显。煤炭在我国的能源供应体系中仍将长期处于重要地位[3]。
对煤矿生产全场景实时监控，有利于提高煤炭智能化生产过程的安全水平和生产效率。煤矿工业物联网[4]、云计算与边缘计算[5]、人工智能与智能信息处理等领域技术的发展，使煤矿智能化的数据感知、传输和应用技术得到快速发展，依靠新技术建设智慧煤矿[6]已经成为推动煤矿智能化升级改造的重要途径和手段。
目标检测是煤矿多源数据感知的重要手段，它能提供大量的监控数据和丰富的细节，在监控图像中实现对人员、设备等目标的检测与识别，是智能化煤矿研究的重要方向。近年来，在目标检测研究中，基于深度学习的目标智能感知方法[7-8]在多种工业场景应用中得到良好的检测效果，它通过深度的特征表达和映射可以准确判断图像中特定目标状态。视频图像监控是煤矿生产场景的重要安全防控方法，如监控煤炭带式输送机上的异物、矿工进入危险区域、矿工不戴安全帽等情况，包括针对工作人员的人脸识别[9]、行为识别[10]，以及各种重要目标的跟踪[11]、目标重识别[12]和目标的语义分割[13]等，为计算机视觉技术融入智慧矿山系统提供良好的应用场景。
煤矿工业物联网感知的大量数据包括：实时数据和非实时数据、短周期数据和长周期数据、本地决策数据和业务决策数据、结构化数据和非结构化数据[14]。对于非实时数据、长周期数据的非结构化图像和视频数据，在数据中心用SSD[15]、Faster R-CNN[16]、YOLO-v3[17]等模型对目标进行检测是可行、成熟的方案。如李伟山等[18]针对矿井图像相似问题以及人员目标多尺度问题，改进Faster R-CNN中区域候选网络(Region Proposals Network， RPN)结构，使得对井下行人多尺度目标的特征提取更有效。谢斌红等[19]使用YOLO-v4[20]作为基础网络模型，将密集残差块结构加入CSPDarknet-53特征提取的网络结构,实现不同网络层的特征传递和融合，减少了煤矿井下人员检测中遮挡导致的误检、漏检等情况。
煤矿监控图像的目标检测任务属于短周期、本地决策数据，更适合将图像数据就地处理，符合边缘计算[21]系统特点。然而上述算法的模型体积较大且计算复杂度较高，难以部署到存储空间有限且算力较低的边缘计算设备上。
YOLO-v4是具有高检测精度的实时目标检测算法，被广泛应用于各类场景的视觉感知任务，相较于新版本的YOLO算法，YOLO-v4算法性能已在实际应用中被充分验证，并且本文选用YOLO-v4作为基础网络进行改进，一方面考虑到YOLO-v4作为一个较常用的一阶段算法，拥有类似YOLO-v4-tiny等多个变种结构，易于进行试验对比，另一方面相比于YOLO-v7、YOLO-v8等堆叠改进方法较多的算法，YOLO-v4堆叠的改进点较少，更容易对比出本文所提出的改进点是否有效，不会被算法本身的其他改进点所影响。
借助于CSPDarkNet-53骨干网络良好的特征提取能力，YOLO-v4算法具有良好的目标检测性能，但模型体量较大，计算复杂度较高，难以部署到煤矿工业物联网边缘端执行目标检测。并且其简化版本YOLO-v4-Tiny在煤矿图像数据集中表现较差，无法在边缘端实现精确检测。
鉴于此，对YOLO-v4目标检测算法进行轻量化设计，并融合注意力机制、优化激活函数，在缩小原始算法体积和计算难度的同时，将检测精度维持在较高水准，从而解决煤矿工业物联网边缘端的模型部署问题，使该工业物联网系统能够为用户提供低时延的数据分析服务。
1. 目标检测模型的轻量化
1.1 目标模型结构
针对网络轻量化问题，利用MobileNet-v3中大量使用的深度可分离卷积，在YOLO-v4目标检测模型的基础上，将其backbone模块替换为MobileNet-v3[22]结构，大幅度减小网络模型的参数量。针对煤矿井下光线照度不均衡、粉尘影响大等因素导致监控图像质量不高、空间目标特征提取效果不佳的问题，在MobileNet-v3的SE模块通道注意力机制的基础上增加了空间注意力机制，使得网络模型能在空间上更加关注显著特征区域，抑制图像中非显著特征，能够有效提取目标的关键特征。所构建增强注意力(Enhance Attention)的YOLO-v4 L-EA模型，具体网络结构如图1所示。
如图1所示，YOLO-v4 L-EA结构包括3部分：(a)特征图提取骨干网络、(b)特征融合结构、(c)特征预测网络。其中，骨干网络部分包括：1个卷积层和8个EA-bneck结构和7个bneck结构， YOLO-v4 L-EA结构中采用改进的MobileNet-v3中bneck结构，保留MobileNet-v3中1个3×3卷积和1个1×1卷积组合的轻量化设计，改进基于SE模块的注意力机制，图像经过骨干网络的处理生成3组初级特征图。特征融合结构把深层特征图经过SPPNet[23]进行加强特征提取生成新的特征图，用于本级特征融合，继续上采样用于对上一级特征融合，上采样和下采样的结合进一步优化特征融合效果，加强特征融合的特征图输入特征预测网络，解决低质量监控图像中目标特征提取和目标识别问题。上一层特征经过特征融合网络的处理，生成3组有效特征图，分别进入对应尺度的特征预测网络。
改进的YOLO-v4 L-EA目标检测模型的骨干网络共16层，在第7层、第13层和第16层分别输出52×52×40、26×26×80和13×13×160特征图。由于Mish激活函数计算量大，并且其梯度光滑特性只适用于深层特征提取，因此与MobileNet-v3相同，在1～7层使用ReLU作为激活函数降低激活函数计算量。
1.2 模型轻量化
MobileNet-v1[24]中大量使用深度可分离卷积(Depthwise Separable Convolution， DW Conv)替代普通卷积操作，大幅度降低网络模型的计算量。深度可分离卷积把卷积操作分为逐通道卷积和逐点卷积，逐通道卷积的卷积核大小与标准卷积一样，但是每个卷积核只和一个通道做卷积运算。逐通道卷积结果经过批量归一化和激活函数，使用1×1卷积核对得到结果进行逐点卷积，在这一阶段融合通道间信息。两步卷积提取区域信息和通道信息的方法，大幅度减少标准卷积中的冗余计算。
MobileNet-v2[25]在整体结构上继续使用MobileNet-v1的空洞卷积降低卷积运算量，同时，借鉴了ResNet[26]的结构，采用倒残差块结构，进行特征复用，并改进ReLU激活函数来对高维度特征进行高效非线性变换。
MobileNet-v3在逐通道卷积后加入通道注意力机制[27]提高算法性能，将扩展层的通道减少为原来的1/4，减小时间消耗。采用激活函数h-swish替换非线性激活函数swish，降低激活函数的计算量。同时，MobileNet-v3使用网络结构搜索(Network Architecture Search，NAS)保留对模型性能起重要作用的结构模块，优化网络结构的计算量和目标检测性能。
因此，本文选用MobileNet-v3作为本文算法的backbone，YOLO-v4、YOLO-v4-Tiny 和本文提出的YOLO-v4 L-EA网络结构的参数量和浮点计算量见表1。其中，YOLO-v4-MobileNet-v3为将YOLO-v4骨干网络直接替换为MobileNet-v3的网络模型，YOLO-v4-Tiny为YOLO-v4精简版。
表 1 网络模型轻量化对比Table 1. Network model lightweight comparison网络结构 参数量/106 浮点运算量/109 YOLO-v4 60.98 43.163 YOLO-v4-Tiny 5.61 4.930 YOLO-v4-MobileNet-v3 10.8 5.087 YOLO-v4 L-EA 10.82 5.122 YOLO-v4 L-EA的参数量约为YOLO-v4-Tiny的2倍，总参数量为10.8×106，约为YOLO-v4的1/6。YOLO-v4 L-EA的浮点计算量与YOLO-v4-Tiny几乎相同，约为YOLO-v4的1/9。
1.3 加强注意力机制
MobileNet-v3使用bneck模块堆叠形成了轻量化的特征提取网络，bneck结构中使用了深度可分离卷积代替普通卷积，同时使用NAS、缩减通道数量等方法大幅度压缩了特征提取网络，用通道注意力机制增强网络模型获取的显著特征，提高模型的性能。
WOO等[28]提出的卷积块注意力模块(Convolutional Block Attention Module，CBAM)，用通道注意力机制和空间注意力机制，使模型在图像分类、目标检测等计算及视觉任务中有很好的性能提升。
由于煤矿井下光照不均匀和粉尘等情况造成监控设备拍摄的视频和图像整体或局部不清晰。空间注意力机制的融入，能够让网络模型更加专注于显著特征的表达和提取，抑制模糊区域的非显著信息。
MobileNet-v3中bneck结构通过SE模块融入通道注意力机制，在此基础上增加空间注意力机制，进一步强化了模型的注意力机制和特征表达能力，如图2所示。
1.4 基于像素正则化的空间注意力机制
空间注意力机制和通道注意力机制作用过程相似，都是通过训练过程中权重的优化，对特征表达贡献弱的权重进行抑制、增强对特征表达贡献大的重要权重来提高网络模型的性能。差别在于，通道注意力优化不同通道之间重要性的差异，空间注意力优化同一通道不同区域对于模型任务重要性的差异。LIU等[29]应用基于批量正则化的通道注意力机制和空间注意力机制，增强显著特征表达参数的同时，抑制了非显著特征表达参数的权重。在ResNet-50和MobileNet-v2上获得了更高的准确性。利用BN层的缩放因子(scaling factor)[30]实现像素正则化，此外，该方法利用BN层中的缩放因子（scaling factor）来衡量像素的方差，以表示各个像素的重要性。具体而言，BN层的归一化操作计算了输入特征的均值和标准差，并通过可训练的仿射变换参数对其进行调整，如式(1)所示：
$$ {B_{out}} = BN({B_{in}}) = \lambda \frac{{B{}_{in} - {\mu _\theta }}}{{\sqrt {\sigma _\theta ^2 + \varepsilon } }} + \beta $$ (1) 式中：$ {B_{out}} $为批归一化操作后得到的输出张量；$ {B_{in}} $为批归一化操作之前的输入张量，即神经网络某一层的激活值或特征值；$ {\mu _\theta } $和$ {\sigma _\theta } $分别为最小批量$ \theta $的均值和标准差；$ \lambda $和$ \beta $为可训练的仿射变换参数；$ \varepsilon $为一个小的正常数，添加到分母中以确保计算的数值稳定性。权重矩阵$ {\omega _{\text{i}}} $通过式(2)计算，$ {\lambda _i} $为特征图中每个像素的比例因子。
$$ {\omega }_{i}=\frac{{\lambda }_{i}}{{\sum }_{}{\lambda }_{j}} $$ (2) 在图2中的EA-bneck结构的(像素正则化)空间注意力模块使用3×3深度可分离卷积后的BN层获得像素正则化矩阵。像素正则化空间注意力模块(Pixel Normalized Spatial Attention Module，PNSAM)结构设计如图3所示。基于像素正则化参数构造像素权重矩阵，得到的权重矩阵与像素正则化矩阵做积，可以实现对显著特征的加强和对非显著特征的抑制。
输入特征$ {F_1} $经过PNSAM结构，输出特征为$ {M_1} $，如公式(3)。
$$ {M_1} = BN(Con{v_{1 \times 1}}(sigmoid({W_\gamma }(BN(Con{v_{3 \times 3}}({F_1})))))) $$ (3) 因此，提出的YOLO-v4 L-EA所选用的损失函数如式(4)。
$$ \begin{array}{c} {L_{(object)}} = {J_{coord}}\displaystyle\sum\limits_{i = 0}^{K \times K} {\displaystyle\sum\limits_{j = 0}^M {I_{ij}^{obj}(2 - {w_i} \times {h_i})(1 - CIOU)} } - \\ \displaystyle\sum\limits_{i = 0}^{K \times K} {\displaystyle\sum\limits_{j = 0}^M {I_{ij}^{obj}[{{\hat C}_i}\ln ({C_i}) + (1 - {{\hat C}_i})\ln (1 - {C_i})] - } } \\ {J_{noobj}}\displaystyle\sum\limits_{i = 0}^{K \times K} {\displaystyle\sum\limits_{j = 0}^M {I_{ij}^{noobj}[\hat C\ln ({C_i}) + (1 - {{\hat C}_i})\ln (1 - {{\hat C}_i})]} }- \\ \displaystyle\sum\limits_{i = 0}^{K \times K} {\displaystyle\sum\limits_{j = 0}^M {I_{ij}^{obj} \displaystyle\sum\limits_{c \in classes} {[\hat p(c)\ln ({p_i}(c)) + (1 - {{\hat p}_i}(c))\ln (1 - {p_i}(c))]} } }\end{array} $$ (4) 式中：$ {\hat C_i} $为样本值；$ {C_i} $为预测值；$ {J_{noobj}} $为负样本权重系数；$ I_{ij}^{noobj} $取值为0或1，用于判断是否为负样本。第1行表示正样本坐标损失值，第2行表示正样本置信度损失值，第3行表示负样本置信度损失值，第4行表示正样本分类损失值。
2. 试验结果及分析
2.1 数据集
针对矿山目标检测任务需求，数据集图片的主要来源为唐安矿19段监控设备的录像视频。图像数据还包括来自沁裕煤矿的图像数据和其他煤矿视频图像数据，图片分辨率为1 920 px×1 080 px。煤矿实际场景原始图像数据为1 706张，数据集中的目标对象主要包含矿工、安全帽、煤与矸石等，其中，以矿工和安全帽的图像数据样本居多，煤矸石图像数据样本较少。以小样本学习方法为基础，将原始数据集的图像数量扩充至8倍，用于模型的训练。
参照Pascal VOC2012[31]数据集标记格式，使用Labelimg图像标记工具对图像中出现的检测目标做统一格式矩形框标记，建立矿山目标检测数据集，所包含待检测目标信息见表2。
表 2 矿山目标检测数据集信息Table 2. Mine Target Detection Dataset Information目标类别 样本图片数量 检测目标数量 矿工 1 472 3 222 安全帽 1 469 3 100 煤与矸石 234 305 运煤车 83 250 在实际生产场景中，一幅图片中可以包含多个目标类别以及一个目标类别可以包括多个目标，如矿工图像中包括安全帽，因此，所有目标样本的图片数量总和大于数据集图片数量。
边缘计算的硬件设备以NVIDIA Jetson TX2为基础，它配置了256个CUDA核心，峰值算力为1.5 TFLOPs，可以满足处理至少1路高清监控视频目标检测任务的轻量化模型计算需要。
2.2 评价指标
对于目标检测算法在图像数据中检测出待检测目标的位置和类别属性的正确率进行统计评价。对于类别预测而言，由分类正确率来衡量算法性能。对于位置预测而言，预测位置与目标实际位置之间的差异即可表示目标检测算法的性能，通常使用IoU(Intersection of Union)来量化这种差异，IoU即预测目标地边界框和目标真实边界框交集、并集之间的比值，因此，IoU值的取值区间为[0，1]，并且IoU值越大表示预测越准确，最理想的预测情况下IoU值为最大值1。在试验中，通常取IoU值为0.5作为阈值区分预测框的有效性，即认为IoU值大于0.5的预测框是正确预测。
本试验目标检测结果包括位置和类别种标签，同时这2类检测都有正确和错误结果。设定只有当目标位置和类别都预测正确才是正确预测结果，2种标签存在错误即为误检，此外还有没有检测到的目标。因此，将检测框分为以下3种来衡量目标检测效果。
1) 正确检测框TP(True Positive)：预测框IoU值大于0.5，预测框正确预测位置，并且类别预测正确。
2) 误检框FP(False Positive)：预测框IoU值不大于0.5或预测类别错误。
3) 漏检框FN(False Negative)：真实存在的目标，但是没有对应的预测框。
基于以上的检测结果类别，通过准确率P(Precision)和召回率R(Recall)来统计目标检测算法的检测试验结果。
准确率P表示正确检测框占所有预测结果的比率，即TP与TP、FP之和的比值，如公式(5)。
$$ P = \frac{{TP}}{{TP + FP}} $$ (5) 准确率P仅包含给出的预测结果的准确率，无法确认漏检情况。仅由准确率P无法全面衡量目标检测算法的性能。用召回率R表示正确检测框占所有真实目标框的比率，即TP与TP、FN之和的比值，如式(6)。
$$ R = \frac{{TP}}{{TP + FN}} $$ (6) 目标检测效果衡量需要兼顾准确率和召回率，同时提高2个指标值。因此在目标检测中用AP (Average Precision)和$ mAP $(mean Average Precision)的来综合计算准确率和召回率。$ AP $的计算如公式(7)所示，$ mAP $为所有类别$ AP $的平均值。
$$ AP = \int_0^1 {PdR} $$ (7) 2.3 对比试验
对本文算法进行同类型模型的性能对比试验，模型包括：YOLO-v4-Tiny、YOLO-v4-MobileNet-v3和本文算法YOLO-v4 L-EA，非同类型模型，不做算法比较。在VOC2012数据集数据和矿山目标检测数据集进行试验。
在公测数据集VOC2012上的试验目的包括: ① 3种模型的预训练，依据迁移学习算法将预训练好的模型迁移到矿山目标检测数据集；② 验证YOLO-v4 L-EA的正确性。
在矿山目标检测数据集的试验目的是评估YOLO-v4 L-EA的目标检测性能。
2.3.1 公测数据集VOC2012试验
公测数据集VOC2012包含了多种目标检测类型，YOLO-v4-Tiny、YOLO-v4-MobileNet-v3和YOLO-v4 L-EA等3种目标检测模型在公测数据集VOC2012的训练和检测试验精度AP值见表3。
表 3 3种模型检测性能表现Table 3. Detection performance of three modelsAP值 YOLO-v4-Tiny YOLO-v4-MobileNet-v3 YOLO-v4 L-EA 人 0.865 0.835 0.764 鸟 0.743 0.804 0.829 猫 0.807 0.915 0.927 牛 0.844 0.842 0.830 狗 0.771 0.900 0.918 马 0.863 0.878 0.86 羊 0.793 0.826 0.853 飞机 0.835 0.874 0.89 自行车 0.855 0.867 0.839 船 0.657 0.740 0.756 公共汽车 0.846 0.863 0.876 轿车 0.914 0.888 0.832 摩托车 0.862 0.844 0.844 火车 0.862 0.885 0.909 瓶子 0.691 0.669 0.714 椅子 0.634 0.573 0.683 餐桌 0.739 0.694 0.720 盆栽 0.530 0.536 0.589 沙发 0.742 0.769 0.866 电视机 0.822 0.776 0.825 mAP 0.784 0.799 0.816 公测数据集VOC2012的试验结果表明：3个模型均可以在公测数据上成功地训练，并且能有效地检测出目标。相对于YOLO-v4-MobileNet-v3网络模型，YOLO-v4 L-EA中4/5类别的AP值得到了提升，mAP提升了1.7%。相对于YOLO-v4-Tiny网络模型，YOLO-v4 L-EA中4/5类别的AP值得到了提升，mAP提升了3.2%。说明了本文提出的YOLO-v4 L-EA模型的有效性和正确性。
2.3.2 矿山目标检测数据集对比实验
3个模型在矿山目标检测数据集的目标检测试验结果如图4所示。图4a、图4d的环境照度光线等条件较好，待检测目标特征清晰，3种模型的检测结果几乎无差别。图4b在煤矿井下环境光照度较暗，远景处工作人员和头盔目标较小且光线较暗，并且存在照明灯、光柱、金属反射等光线干扰，YOLO-v4-Tiny和YOLO-v4-MobileNet-v3出现了漏检，而本文模型的目标检测效果良好。图4c中的工作人员和安全帽目标较小且有环境粉尘的影响，YOLO-v4-Tiny和YOLO-v4-MobileNet-v3出现了目标漏检情况，本文模型的目标检测效果良好。图4e中巷道的光线较暗且有粉尘影响，监控图像中目标成像不清晰，目标检测模型YOLO-v4-Tiny和YOLO-v4-MobileNet-v3都出现了误检，而本文模型能成功检测出工作人员和安全帽。虽然，在少数类似图4d检测结果中，YOLO-v4 L-EA模型漏检了一个远景遮挡严重的矿工目标，但是，总体上3种目标检测模型中，YOLO-v4 L-EA的综合性能良好，对于光线偏暗等原因导致特征不清晰的目标检测准确度更高，说明本文模型在煤矿井下目标检测中的有效性。
YOLO-v4-Tiny、YOLO-v4-MobileNet-v3和YOLO-v4 L-EA等3种网络模型在矿山目标检测数据集试验的性能统计如图5和表4所示。
![]()
图 5 3种模型在矿山目标检测数据集的试验性能Figure 5. Performance of three methods on the Mine object detection dataset表 4 3种模型在矿山目标检测数据集的性能对比Table 4. Performance comparison of three models in mine target detection dataset模型 YOLO-v4-
TinyYOLO-v4-
MobileNet-v3YOLO-V4
L-EAAP值 矿工
(miner)0.918 0.923 0.931 安全帽
(helmet)0.842 0.884 0.876 煤矸石
(gangue)0.703 0.726 0.794 运煤车
(truck)0.699 0.733 0.747 mAP 0.791 0.817 0.837 检测速度/
（帧·s−1）172 141 186 试验结果显示，YOLO-v4 L-EA有良好的AP值，可以满足煤矿井下目标检测的要求，其中对矿工的检测正确率为93.1%，可以很好地满足人员检测的要求，仅在安全帽的检测结果中略低于YOLO-v4-MobileNet-v3网络模型。在对多种目标检测的综合性能评估上中，YOLO-v4 L-EA相对于YOLO-v4-MobileNet-v3和YOLO-v4-Tiny这2种模型的mAP值分别提高了2%和4.6%。3种模型对运煤车的检测性能都偏低，是因为矿山目标检测数据集中仅有83张运煤车图片，难以较好地训练检测模型，在后期研究中，增加运煤车图像的数量，预计可以很好地解决运煤车的检测问题。检测速度方面，本文算法相较于其他2种对比算法优势明显，比YOLO-v4-Tiny和YOLO-v4-MobileNet-v3分别快约8.13%和31.91%。
2.3.3 检测特征的可视化分析
由图4检测结果和表4的模型性能的对比可以看出YOLO-v4 L-EA相对于YOLO-v4-MobileNet-v3和YOLO-v4-Tiny检测效果的提升。为了进一步验证加入空间注意力机制的作用，对3种模型所提取的低层特征、中层特征和高层特征进行可视化分析，如图6所示，中层特征和高层特征中可以明显看出YOLO-v4 L-EA特征图的目标强响应区域在空间上更集中在待检测目标出现的区域，这与空间注意力机制通过像素正则化强化显著区域权重的作用一致。这种空间上的集中在深层特征图中表现的更明显，由于低层特征为浅层特征，且并未使用空间注意力机制，3种网络模型的特征图基本一致。
试验结果与在矿山目标检测数据集上的试验结果一致，所提出的YOLO-v4 L-EA模型的mAP值优于YOLO-v4-MobileNet-v3和YOLO-v4-Tiny。YOLO-v4 L-EA相对于后者2种模型的性能提升明显，说明了本文提出的目标检测模型的有效性。
3. 结 论
1)提出的YOLO-v4 L-EA模型结合了空间注意力机制与轻量化设计，在复杂煤矿环境下实现了高效、精准的目标检测。在矿山目标检测数据集上的实验结果表明，该模型对低照度和存在粉尘干扰的场景具有较强的鲁棒性。
2)实现了在边缘计算设备上的性能优化：相比于传统模型，YOLO-v4 L-EA显著减少了参数量和浮点运算量，同时保证了高检测精度，使其适合部署在资源受限的边缘计算环境中，如NVIDIA Jetson TX2设备。
3)在矿山目标检测数据集上的mAP值相比YOLO-v4-Tiny提升了4.6%，推理速度也更快（速度提升约8.13%），充分验证了模型的实际应用价值。
-
![]()
图 3 表面活性剂溶液泡沫中气体体积计算模型示意
Figure 3. Schematic of calculation model for volume of gas in surfactant solution foam
![]()
图 4 溶液表面张力随表面活性剂溶液质量分数变化
Figure 4. Surface tension of solution as a function of mass fraction
![]()
图 5 不同表面活性剂溶液黏度随表面活性剂溶液质量分数变化
Figure 5. Viscosity of different surfactants with mass fraction changes
![]()
图 6 不同表面活性剂溶液泡沫表观图像
Figure 6. Surface image of the solution foam of different surfactants
![]()
图 7 泡沫液膜厚度随两种表面活性剂溶液质量分数变化
Figure 7. Thickness of the foam layer varies with the quality of the two surfactants
![]()
图 8 不同气体注入表面活性剂后泡沫高度随溶液质量分数变化
Figure 8. Variation of foam height with solution mass fraction after injection of surfactant with different gases
![]()
图 9 不同气体注入表面活性剂后泡沫半衰期随溶液质量分数变化
Figure 9. Change of foam half-life with solution mass fraction after injection of surfactant with different gases
![]()
图 10 表面活性剂对甲烷缓释效应随溶液质量分数变化
Figure 10. Slow release effect of surfactant on methane varies with the mass fraction of solution
![]()
图 11 表面活性剂对氮气缓释效应随溶液质量分数变化
Figure 11. Slow-release effect of surfactant on nitrogen varies with the mass fraction of solution
![]()
图 12 表面活性剂对CO2释效应随溶液质量分数变化
Figure 12. Slow-release effect of surfactant on carbon dioxide varies with the mass fraction of solution
![]()
图 13 表面活性剂泡沫对甲烷缓释作用随时间变化
Figure 13. Effect of surfactant foam on methane release changes with time
![]()
图 14 泡沫中甲烷体积与泡沫高度拟合曲线
Figure 14. Fitting curve of methane volume in foam to foam height
![]()
图 15 泡沫中甲烷体积与泡沫半衰期拟合曲线
Figure 15. Fitting curve of methane volume in foam and foam half-life
表 1 表面活性剂溶液泡沫对甲烷缓释效应与泡沫性质拟合关系式
Table 1 Relationship between the sustained release of methane from surfactant foam and the properties of foam
拟合曲线 拟合函数 A1 A2 X0 dx R2 A y=A2+(A1−A2)/[1+exp((x−x0)/dx)] 9.687 44.361 45.007 0.257 0.92331 B 7.086 176270.532 141.641 11.646 0.95339 C 9.482 43.624 36.223 1.571 0.98867 D 6.306 75035.688 164.646 15.560 0.95426 E −11671.335 58.708 −3651.964 687.295 0.94357 F 9.880 31.795 183.425 7.979 0.93439 G −17568.916 55.415 −4369.566 734.007 0.94929 H 9.880 31.597 212.279 12.023 0.93439 
下载: 导出CSV
-
[1] 陈绍杰,金龙哲,陈学习,等. 添加表面活性剂注水对煤体解吸瓦斯的影响分析[J]. 矿业安全与环保,2013,40(6):12−14. doi: 10.3969/j.issn.1008-4495.2013.06.004 CHEN Shaojie,JIN Longzhe,CHEN Xuexi,et al. Analysis on Influence of Water Infusion by Adding Surfactant upon Gas Desorption[J]. Mining Safety and Environmental Protection,2013,40(6):12−14. doi: 10.3969/j.issn.1008-4495.2013.06.004
[2] 陈学习,龚 珑,金文广,等. 不同注水条件煤样瓦斯解吸特性试验[J]. 辽宁工程技术大学学报(自然科学版),2013,32(10):1310−1313. CHEN Xuexi,GONG Long,JIN Wenguang,et al. Experimental on gas desorption characteristic of coal sample in different conditions of water injection[J]. Journal of Liaoning Technical University (Natural Science Edition),2013,32(10):1310−1313.
[3] 吉丹妮,张 凯. 煤层注水对七台河新兴矿钻孔瓦斯涌出初速度影响研究[J]. 华北科技学院学报,2016,13(3):16−19. doi: 10.3969/j.issn.1672-7169.2016.03.004 JI Danni,ZHANG Kai. Research on the effect of seam water injection on initial velocity of gas emission[J]. Journal of North China Institute of Science and Technology,2016,13(3):16−19. doi: 10.3969/j.issn.1672-7169.2016.03.004
[4] 李智峰. 利用瓦斯水合机理防治煤与瓦斯突出的基础研究[J]. 中国煤层气,2016,13(6):45−46, 23. LI Zhifeng. Basic research on preventing coal and gas outburst with methane hydration[J]. China Coalbed Methane,2016,13(6):45−46, 23.
[5] 张保勇,吴 强. 表面活性剂在瓦斯水合物生成过程中动力学作用[J]. 中国矿业大学学报,2007,36(4):478−481. doi: 10.3321/j.issn:1000-1964.2007.04.012 ZHANG Baoyong,WU Qiang. Dynamic effect of surfactant on gas hydrate formation process[J]. Journal of China University of Mining and Technology,2007,36(4):478−481. doi: 10.3321/j.issn:1000-1964.2007.04.012
[6] ZHANG B Y,WU Q,SUN D L,et al. Effect of surfactant Tween on induction time of gas hydrate formation[J]. Journal of China University of Mining and Technology,2008,18(1):18−21. doi: 10.1016/S1006-1266(08)60004-8
[7] 吴 强,王永敬,张保勇. 表面活性剂Tween-40对瓦斯水合物生成热力学条件改变作用研究[J]. 煤矿安全,2006,37(3):5−8. doi: 10.3969/j.issn.1003-496X.2006.03.002 WU Qiang,WANG Yongjing,ZHANG Baoyong. Study on the changed effect of tween-40 on the thermodynamics conditions of gas hydrate formation[J]. Safety in Coal Mines,2006,37(3):5−8. doi: 10.3969/j.issn.1003-496X.2006.03.002
[8] HUANG Z,CHEN M,WANG J,et al. Experimental study on methane dissolved in surfactant-alkane system[J]. International Journal of Mining Science and Technology,2020,30(6):865−873. doi: 10.1016/j.ijmst.2020.07.005
[9] CAI J,XU C G,CHEN Z Y,et al. Recovery of methane from coal-bed methane gas mixture via hydrate-based methane separation method by adding anionic surfactants[J]. Energy Sources, Part A:Recovery, Utilization, and Environmental Effects,2018,40(9):1019−1026. doi: 10.1080/15567036.2013.820233
[10] 张增志,陈志纯,曹 蕾. 十二烷基硫酸钠复合胶束液对甲烷的吸收作用及其吸收机理[J]. 煤炭学报,2010,35(6):942−945. doi: 10.13225/j.cnki.jccs.2010.06.024 ZAHNG Zengzhi,CHEN Zhichun,CAO Lei. Methane absorption of composite sodium dodecyl sulfate micelle solution and absorption principle[J]. Journal of China Coal Society,2010,35(6):942−945. doi: 10.13225/j.cnki.jccs.2010.06.024
[11] LI P,MA D,ZHANG J,et al. Effect of wettability on adsorption and desorption of coalbed methane: a case study from low-rank coals in the southwestern Ordos Basin, China[J]. Industrial and Engineering Chemistry Research,2018,57(35):12003−12015. doi: 10.1021/acs.iecr.8b01932
[12] YUE J W, WANG Z F, SHI B M, et al. Interaction mechanism of water movement and gas desorption during spontaneous imbibition in gas-bearing coal[J]. Fuel, 2022, 318: 123669.
[13] 朱 锴,谷梦平,张 标. 表面活性剂溶液封堵瓦斯试验研究[J]. 华北科技学院学报,2010,7(2):8−11, 34. doi: 10.3969/j.issn.1672-7169.2010.02.002 ZHU Kai,GU Mengping,ZAHNG Biao. Experimental study on gas blocking with surfactant solution[J]. Journal of North China Institute of Science and Technology,2010,7(2):8−11, 34. doi: 10.3969/j.issn.1672-7169.2010.02.002
[14] HUANG Q M,LIU S M,WANG G,et al. Evaluating the changes of sorption and diffusion behaviors of Illinois coal with various water-based fracturing fluid treatments[J]. Fuel,2021,283:118884. doi: 10.1016/j.fuel.2020.118884
[15] LI P,MA D,ZHANG J,et al. Wettability modification and its influence on methane adsorption/desorption: A case study in the Ordos Basin, China[J]. Energy Science and Engineering,2020,8(3):804−816. doi: 10.1002/ese3.552
[16] WANG G,WANG E M,HUANG Q M,et al. Experimental studies on the influence of sodium lauryl sulfate on seepage and wetting of water infusion of coalbeds[J]. Fuel,2021,304:121355. doi: 10.1016/j.fuel.2021.121355
[17] JIN H,ZHANG Y,DONG H,et al. Molecular dynamics simulations and experimental study of the effects of an ionic surfactant on the wettability of low-rank coal[J]. Fuel,2022,320:123951. doi: 10.1016/j.fuel.2022.123951
[18] 李树刚,郭豆豆,白 杨,等. 不同质量分数SDBS对煤体润湿性影响的分子模拟[J]. 中国安全科学学报,2020,30(3):21−27. doi: 10.16265/j.cnki.issn1003-3033.2020.03.004 LI Shugang,GUO Doudou,Baiyang,et al. Effect of SDBS of different mass fractions on coal’s wettability by molecular simulation[J]. China Safety Science Journal,2020,30(3):21−27. doi: 10.16265/j.cnki.issn1003-3033.2020.03.004
[19] ZHOU G, MENG Q, XING Z, et al. Research on the wetting mechanism of coal dust by different surfactants: combination of experimental characterization and molecular dynamics simulation[J]. Environmental Science and Pollution Research, 2022: 1−14.
[20] GUO J Y,ZHANG L,LIU S Y,et al. Effects of hydrophilic groups of nonionic surfactants on the wettability of lignite surface: Molecular dynamics simulation and experimental study[J]. Fuel,2018,231:449−457. doi: 10.1016/j.fuel.2018.05.106
[21] 林海飞,刘宝莉,严 敏,等. 表面活性剂对煤体瓦斯解吸性能影响的试验研究[J]. 煤炭工程,2017,49(12):136−140. LIN Haifei,LIU Baoli,YAN Min,et al. Experimental study on effect of surfactant on gas desorption of coal[J]. Coal Engineering,2017,49(12):136−140.
[22] 林海飞,田佳敏,刘 丹,等. SDBS与CaCl2复配液对煤体瓦斯解吸抑制效应研究[J]. 中国安全科学学报,2019,29(11):149−155. LIN Haifei,TIAN Jiamin,LIU Dan,et al. Inhibitory effect of SDBS and CaCl2 compound solution on gas desorption of coal[J]. China Safety Science Journal,2019,29(11):149−155.
[23] 林海飞,刘宝莉,严 敏,等. 非阳离子表面活性剂对煤润湿性能影响的研究[J]. 中国安全科学学报,2018,28(5):123−128. doi: 10.16265/j.cnki.issn1003-3033.2018.05.021 LIN Haifei,LIU Baoli,YAN Min,et al. Research influence of non-cationic surfactant on wettability of coal[J]. China Safety Science Journal,2018,28(5):123−128. doi: 10.16265/j.cnki.issn1003-3033.2018.05.021
[24] 李树刚,闫冬洁,严 敏,等. 烷基糖苷活性剂对煤体结构改性及甲烷解吸特性的影响[J]. 煤炭学报,2022,47(1):286−296. LI Shugang,YAN Dongjie,YAN Min,et al. Effect of alkyl glycosidic active agent on coal structure modification and methane desorption characteristics[J]. Journal of China Coal Society,2022,47(1):286−296.
[25] WU M,HU X,ZHANG Q,et al. Preparation and performance of a biological dust suppressant based on the synergistic effect of enzyme-induced carbonate precipitation and surfactant[J]. Environmental Science and Pollution Research,2022,29(6):8423−8437. doi: 10.1007/s11356-021-16307-x
[26] 杨兆中,韩金轩,张 健,等. 泡沫压裂液添加剂对煤层甲烷扩散影响的分子模拟[J]. 煤田地质与勘探,2019,47(5):94−103. doi: 10.3969/j.issn.1001-1986.2019.05.013 YANG Zhaozhong,HAN Jinxuan,ZAHNG Jian,et al. Molecular simulation of the influence of foam fracturing fluid additives on coalbed methane diffusion[J]. Coal Geology and Exploration,2019,47(5):94−103. doi: 10.3969/j.issn.1001-1986.2019.05.013
[27] 焦陈斯帆, 郑少波, 许鹏军, 等. 评价表面活性剂溶液泡沫性能的方法—真球气泡法[J]. 应用化学, 2022, 39(7): 1108−1118. JIAO Chensifan, ZHENG Shaobo, XU Pengjun, et al. A method to evaluate the properties of surfactant solution foams-real sphere bubble method [J]. Applied Chemistry, 2022, 39(7): 1108−1118.
[28] 张健飞,丁正祥,陈 曙,等. 十二烷基硫酸钠的泡沫性能实验[J]. 天津纺织科技,2016(2):16−18. doi: 10.13518/j.cnki.tjtst.2016.02.007 ZAHNG Jianfei,DING Zhengxiang,CHEN Shu,et al. Foam performance experiment of sodium dodecyl sulfate[J]. Tianjin Textile Science and Technology,2016(2):16−18. doi: 10.13518/j.cnki.tjtst.2016.02.007
[29] 李 凯. 影响聚表剂粘度的因素[J]. 化学工程与装备,2022(6):51−52. LI Kai. Factors affecting the viscosity of polymer surfactant[J]. Chemical Engineering and Preparation,2022(6):51−52.
[30] XU Q,NAKAJIMA M,ICHIKAWA S,et al. Effects of surfactant and electrolyte concentrations on bubble formation and stabilization[J]. Journal of Colloid and Interface Science,2009,332(1):208−214. doi: 10.1016/j.jcis.2008.12.044
计量
- 文章访问数: 67
- HTML全文浏览量: 15
- PDF下载量: 21
