Multi task detection method for operating status of belt conveyor based on DR-YOLOM
-
摘要:
煤矿井下带式输送机运行状态的检测是带式输送机安全运行的关键，但现有检测方法大多只能处理单一检测任务，难以实现多任务同时检测。针对现有技术难以实现综合检测的现状，提出一种基于改进YOLOM的带式输送机运行状态多任务检测方法：使用单一网络同时完成大尺寸煤块识别、输送带边缘检测和煤流状态检测3项任务。相较于各任务使用单独模型的方法，将3个不同的颈部和头部集成到具有共享主干的模型中，可以节省大量计算资源和推理时间。首先，在低照度和多尘雾的运输巷道内，采集图像语义信息薄弱使得模型对目标语义信息的提取能力较差。因此利用扩张式残差模块（DWR）替换主干网络P6层和P8层C2f模块中的Bottleneck结构，在减少参数量的同时增强模型提取多尺度上下文语义信息的能力。其次，针对模型需进行目标识别和分割不同类型任务的需求，采用具有跳层连接结构的高效层聚合网络（RepGFPN）优化特征融合部分，在控制模型参数数量和推理速度的同时极大提高模型对不同检测任务的检测精度；最后，为应对3种标签形状各异的检测任务，引入Inner-CIoU损失函数，弥补CIoU损失函数在不同检测任务中泛化能力较弱的不足。为验证DR-YOLOM算法的适用性和鲁棒性，选用U-net和DeepLabV3+网络模型与DR-YOLOM多任务检测模型分割任务的分割效果进行对比分析，采用Faster RCNN和Yolov8进行目标检测效果对比，同时进行模型改进前后的损失函数与精度曲线对比。结果表明，相较于主流的单一检测算法，DR-YOLOM多任务检测算法有更好的综合检测能力，并且该算法可以在维持少量参数量的同时，保证高的目标识别精度、分割精度以及合适的推理速度，其中大尺寸煤块识别的mAP50为90%，输送带边缘分割和煤流分割的mIoU分别为78.7%，96.6%，模型参数数量为4.43 M，推理速度可以达到40 fps，对比基础模型mAP50、mIoU分别提高了1.3%、0.7%、2.1%。为验证DR-YOLOM算法的实用性，使用巡检机器人在实验室进行视频数据采集，并用DR-YOLOM多任务检测算法对其采集的视频数据进行检测。实验结果表明，DR-YOLOM多任务检测算法能够满足带式输送机运行状态的多任务检测要求。
Abstract:The detection of the operating status of underground belt conveyors in coal mines is the key to the safe operation of belt conveyors. However, most detection methods for the operating status of belt conveyors can only handle a single detection task, making it difficult to achieve simultaneous detection of multiple tasks. A multi task detection method for the operation status of belt conveyors based on DR-YOLOM is proposed to address the current difficulty in achieving comprehensive detection with existing technologies. A single network is used to simultaneously recognize large-sized coal blocks, detect belt edges, and detect coal flow status. Compared with using a separate model for each task, integrating three different necks and heads into a model with a shared backbone can save a lot of computing resources and inference time. Firstly, the image semantic information collected in low illumination and dusty transportation tunnels is weak, which makes the model's ability to extract target semantic information poor. Therefore, the Bottleneck structure in C2f modules of the backbone network P6 and P8 layers is replaced with an Extended Residual Module (DWR), reducing the number of parameters while improving the model's ability to extract multi-scale contextual semantic information. Secondly, as the model requires target recognition and segmentation of different types of tasks, an efficient layer aggregation network (RepGFPN) with skip layer connection structure is adopted to optimize the feature fusion part, greatly improving the detection accuracy of the model for different detection tasks while controlling the number of model parameters and inference speed; Finally, to address the detection tasks of three different label shapes, the Inner CIOU loss function is introduced to compensate for the weak generalization ability of the CIoU loss function in different detection tasks. In order to verify the applicability and robustness of the DR-YOLOM algorithm, U-net and DeepLabV3+network models were selected to compare and analyze the segmentation performance of the DR-YOLOM multi task detection model. Faster RCNN and Yolov8 were used to compare the performance of object detection, and the loss function and accuracy curve before and after model improvement were compared. The results show that compared to mainstream single detection algorithms, DR-YOLOM multi task detection algorithm has better comprehensive detection ability, and this algorithm can ensure high target recognition accuracy, segmentation accuracy, and appropriate inference speed with a small number of parameters. Among them, the mAP50 for large-scale coal block recognition is 90%, the mIoU for belt edge segmentation and coal flow segmentation are 78.7% and 96.6%, respectively, and the number of model parameters is 4.43 M. The inference speed can reach 40 frames per second, which is 1.3%, 0.7%, and 2.1% higher than the basic models mAP50 and mIoU, respectively. Finally, in order to verify the practicality of the DR-YOLOM algorithm, an inspection robot was used to collect video data in the laboratory, and the DR-YOLOM multi task detection algorithm was used to detect the collected video data. The experimental results show that the DR-YOLOM multi task detection algorithm can meet the requirements of multi task detection for the operation status of belt conveyors.
-
0. 引 言
近年来，随着我国城市地下空间的不断开发利用，沿海沿江地区地下施工常钻遇富水砂层地段，不良地质条件组合常导致出现透水涌泥涌砂灾害，造成土体损失、结构破坏和地层失稳现象，严重时则导致地面塌陷、隧道掩埋、基坑坍塌等工程事故的发生[1-3]，例如广州、佛山、天津、武汉、南京等多地均发生有在富水砂层中的工程事故，引发重大的人身伤亡和经济损失[4-6]。
目前，针对富水砂层涌水涌砂问题，国内外学者多以事故类型统计、原因分析及工程处置措施为研究内容[7-9]，采用数值模拟、风险分析、理论计算、模拟试验等方法重点着眼于从工程角度进行研究，张谨[10]运用多种数值模拟方法和物理模型试验对比判断富水砂层段隧道稳定性；陈帆等[11]研制水渗流作用下大型模拟试验系统，揭示涌水涌砂诱发地表变形的发生机制；罗俊兴[12]通过室内模拟试验探讨富水砂层渗流侵蚀变化规律。但是，以上学者的研究通常直接对不同土层结构、水压条件、渗漏情况等进行模拟研究，缺少从地质角度探究涌水涌砂灾害产生的背景条件，忽视了导致富水砂层不良工程特性产生的根本原因，未对导致事故发生的多种复杂地质背景条件进行深入分析，探讨事故中水的来源、运移通道、作用方式及破坏机制等关键性问题，因此未能更好地在后续地下工程建设中提供预见性、有针对性的技术指导，帮助设计及施工过程中及时有效地规避、防控和治理工程事故。
笔者以某市轨道交通工程区间透水事故为例，在收集工程资料和查阅文献的基础上，通过野外踏勘、钻探、样品采集、现场试验和室内测试等方法，对影响事故发生的各重要地质因素进行深入探讨，重点分析第四系沉积地层组合、火山活动产物、河道发育等地质要素作用方式，明确工程事故发生的主控地质因素，以期指导后续类似地质条件下的地下工程建设。
1. 工程背景
某市轨道交通工程区间采用盾构法施工，双线隧道。根据现场事故资料，区间右线盾构机施工拼装905环时，盾尾发生下沉，出现冒浆漏浆，随后隧道内突涌大量泥砂浆液，巨大的泥砂流冲击造成人员伤亡及地面大面积坍塌。
该透水事故发生段隧道底埋深约30.5 m，事故段地层由上至下分别为人工填土、淤泥质粉土、淤泥质土、淤泥质粉土、粉砂、中砂、圆砾以及强中风化泥质砂岩。事发前，右线盾构机盾尾底部正处于中砂和粉砂交界位置，如图1所示。另外，在后续事故塌陷区补勘钻孔揭露了玄武岩和凝灰岩。
2. 研究区重要地质因素
2.1 第四系地层
研究区第四纪沉积发育广泛，分布不均，厚度变化较大，沉积物厚度介于0.3～60 m，沉积中心主要沿着北西向线性展布[13-14]，其中事故案例区周边钻孔揭露第四系厚度为33.6～43.6 m，砂砾层厚度为11.3～23.8 m，底砾层厚度为0.7～9.3 m。以典型钻孔（KZK-1）综合柱状图（图2）为切入点来看，整体第四系地层自下而上主要分布有粗细混杂的河流冲积相沉积，中部发育一层滨海相、浅海相的细粒黏土质沉积，向上逐渐过渡到粉砂质淤泥质土（淤泥）、泥质粉砂层的河海混杂相沉积，第四纪沉积产物复杂多样（图3）。
![]()
图 3 研究区揭露第四系地层岩心照片Figure 3. Core photos of exposed Quaternary strata in the study area2.2 火山基岩
研究区位于三水断陷构造盆地，盆地内火山活动始于晚中生代，进入新生代以后变得十分强烈，强度呈逐步加强的特征，火山活动产物主要分布于北东−南西−西樵山一线（图4），揭露有流纹岩、粗面岩、玄武岩和凝灰岩、晶屑凝灰岩、火山凝灰角砾岩等火山碎屑岩[15-19]，其中湖绿区间野外钻探多个钻孔钻遇玄武岩和火山碎屑岩（图5）。
另外，对研究区采集的火山岩做U-Pb年代学数据分析，通过火山岩锆石U-Pb定年结果（图6），确定其地质年龄约为53.00 Ma BP，结合区域火山活动记录，推断其应形成于古近纪始新世华涌组时期。
2.3 河道系统
研究区地表河网纵横交汇，径流相对稳定，东平水道、顺德水道、潭州水道等现代河流发育，事故案例区附近澳边涌、湖涌等地表水体也较发育，常年有水，水量丰富[20]。据区域地质资料及野外钻探揭露可知，区内地下遗留古河道，是在现今网状河流形成之前的冲积环境中堆积形成的，呈带状分布，基本沿着基底古河谷分布，是第四系中最早的沉积[21]。研究区多处均钻遇了古河道发育的标志层（图7），该层主要成分为砾石、卵石，粒度在5 mm以上，磨圆度好，呈亚圆形，其内充填有粒径不一的砂粒和黏土，与下伏基岩呈不整合接触，属第四系更新统石排组的典型河流冲积层。
3. 地质因素对事故作用方式探讨
地层组合和水力条件是影响涌水涌砂现象发生的重要地质因素。笔者从第四系地层沉积特征、火山岩地质特征、古河道发育特征及地下水水力联系入手，分析造成事故发生的多个地质因素。
3.1 第四系地层沉积特征
研究区第四纪发育有淤泥、淤泥质土、淤泥质粉砂、黏土、砂质黏土、粉细砂、中粗砂、圆砾及卵石等，沉积产物种类众多。为进一步分析研究区第四系地层沉积特征，笔者统计了第四系各地层的渗透系数，见表1。其中，淤泥、淤泥质土为软土，多呈流塑～软塑状，具有高含水量、易触变性、高压缩性、低强度、自稳能力差的特征，依据表1中水文试验数据可知，淤泥、淤泥质土层渗透系数均<0.001 m/d，为不透水层。粉细砂、中粗砂、圆砾及卵石层孔隙比大，为研究区主要含水层，依据表1中室内渗透性试验及室外抽水试验数据整理可知，淤泥质粉砂层渗透系数为0.000 1～0.038 0 m/d，多数为不透水层，局部弱透水；粉细砂层的渗透系数为1.248～1.616 m/d，透水性中等；中粗砂及圆砾层的渗透系数为5.770～13.203 m/d，透水性中等～强。据湖绿区间钻孔观测，研究区稳定水位埋深一般 0.7～2.5 m，地下水水位高。另外，由于海陆交互相相变频繁和迅速[22]，沉积地层多处显示出黄、灰黑色相间条带，多个典型钻孔岩心纵切面均可见到（图8），砂质含量变化明显，第四系地层条件复杂。
表 1 研究区第四系地层渗透系数统计Table 1. Statistics of permeability coefficient of Quaternary strata in the study area序号 试验
地层工点 渗透系数K/（m·d−1） 渗透性
等级水文试验 室内试验 1 淤泥、淤泥质土层 湖涌停车场出入线 — 0.000 1 不透水 湖涌站 — 0.000 12 不透水 绿岛湖站 — 0.000 06 不透水 2 淤泥质粉砂（土）层 湖涌站～绿岛湖站区间 — 0.000 1 不透水 湖涌站 — 0.038 弱透水 3 粉细砂层 南庄站 1.276 — 中等透水 南庄站～湖涌站区间 1.616 — 中等透水 南庄站～湖涌站区间 1.248 — 中等透水 4 中粗砂及圆砾层 南庄站 5.770 — 中等透水 南庄站～湖涌站区间 7.856 — 中等透水 湖涌站～绿岛湖站区间 8.463 — 中等透水 13.203 — 强透水 绿岛湖站 8.140 — 中等透水 湖涌站～绿岛湖站区间事故案例区 7.530 — 中等透水 注：含水层的透水性判别标准选用《城市轨道交通岩土工程勘察规范》（GB 50307—2012）。 据调查可知，该处透水事故发生前，隧道埋深约地下30.5 m，右线盾构机的中下部正处于中粗砂和粉细砂交界位置，且中粗砂下稳定分布有中等～强透水的圆砾层，隧道范围存在全断面富水砂层、富水砂层与黏土层、富水砂层与卵石层组成的多种复合地层[23] ，上覆地层多为厚层、稳定的不透水土层（淤泥质土、黏土），地下水头压力高，砂层水具有承压性，盾构机直接遭受高压力地下水作用。因此，当盾构密封处被外部水土压力击穿渗漏时，复合地层下部中粗砂及圆砾层渗透性明显大于上层粉细砂层渗透性，中粗砂及圆砾层透水性强，水量丰富，地下水对粉细砂层产生极大的渗透力，粉细砂层稳定性差，易发生持续的渗流侵蚀，致使周边地层不断淘空，产生涌水涌砂通道，高压力水裹挟着砂土沿通道喷涌而出，引起掌子面失稳、地面沉降及隧道坍塌。
3.2 火山岩地质特征
研究区钻遇的华涌组火山岩主要为火山角砾岩、凝灰岩及角砾凝灰岩，其中火山角砾岩固结程度较好，局部裂面见白色方解石细脉充填；凝灰岩及角砾凝灰岩胶结程度较差，局部见气孔，裂隙发育。为了进一步确定揭露的火山岩矿物成分，研究其结构、构造，进行偏光显微镜下岩矿鉴定。火山岩样品镜下鉴定图如图9所示，由图9可知：火山角砾岩中角砾岩性主要为玄武岩，全晶质结构，矿物成分主要为斜长石、岩屑及含铁质物质，斜长石表面蚀变较为严重，岩屑颗粒较为破碎，裂隙处及颗粒边缘常见绿泥石化现象；火山凝灰岩主要由岩屑、玻屑及晶屑组成，晶屑蚀变严重，未见明显解理粒径较小，玻屑呈均质性，可见后期石英脉穿切现象；角砾凝灰岩主要由岩屑和少量晶屑组成，岩屑与晶屑间见石英脉穿插。另外，结合研究区基岩水文地质试验结果（表2）及本地工程经验可知，下伏基岩中泥质岩沟通性较差，含水量不大，总体透水性弱，富水性差；火山岩受风化程度、裂隙发育程度及连通性等影响，富水性和渗透性变化较大，揭露的基底火山岩受区域构造地质条件影响，风化作用强烈，强、中风化层节理裂隙发育，易沿角砾结构面或裂隙面碎裂，裂隙面多具贯通性，易形成富水带及导水带，因此火山岩总体透水性弱～强，富水性中等～好。不同风化岩性及风化程度对地下施工的影响具有显著差异性。
![]()
图 9 火山岩样品镜下鉴定图注：（+）正交偏光；（−）单偏光；Chl—绿泥石；Pl—斜长石；Q—石英Figure 9. Microscopic identification of volcanic rock samples表 2 研究区基岩水文地质试验结果统计Table 2. Statistics of bedrock hydrogeological test results in the study area序号 工程 抽水试验地层 抽水试验渗透系数K/（m·d−1） 渗透等级 1 湖涌站～绿岛湖站区间事故案例地质背景研究 强、中风化火山岩 0.378 弱透水 2 湖涌站详勘阶段工程勘察 强风化泥质砂岩、砂岩 0.124 弱透水 由此可知，研究区火山岩原生孔隙、次生孔隙和裂隙发育，但孔隙连通性较差或孔隙和裂隙被后期的方解石和石英脉所充填，不同地段透水性差异较大。本次研究的事故案例区华涌组火山岩差异风化现象明显，基岩裂隙水发育具有非均一性，主要赋存于岩石强、中风化带，已知事故发生段基底主要揭露为强中风化砂岩，周边地段火山岩透水性弱，对事故发生时突涌的大量地下水补给作用有限，但不排除后期持续遭受强烈的流体溶蚀作用，使得先期形成的裂缝进一步发育，连通性增加，地层渗透性增大，为基岩裂隙水向上运移提供良好通道。
3.3 古河道发育特征
研究区古河道的发育与地理环境、地质构造密切关系。通过区域地质资料、地形图判读和野外调绘等手段，并结合钻孔资料所揭示的河流沉积物分布特征及砂砾石、卵石层沉积等厚图（图10）分析可知，在晚更新世海侵前低海平面时期，河道形成发展主要受控于基底古风化壳，古河道谷底较深，呈条带状，而后期随着三角洲的不断沉积、充填，构造对河道的约束变小，河谷变宽变浅，受水动力条件的影响，河道不断摆动变迁，加之地形地貌边界（西樵山、王借岗等）、人类活动的影响限制，形成现今河网系统[24-25]。进一步依据当前揭露的古河道分布情况、地貌边界条件及区域沉积演化完成对研究区低海平面时期古河道平面分布的恢复，如图11所示。古河道平面上与现今地表河网表现出一定的重叠性，尤其是东平水道的主干河道表现出较高的稳定性和继承性，潭洲水道和顺德水道是因过水断面骤然变宽，流速减小，泥沙落淤成沙体，导致水流分叉而形成的现今分流河道；垂向上地表水与古河床底间隔有稳定厚层状透水性较差的淤泥质土、黏土层，地表水体与地下水之间的水力联系相对较弱，但工程实践中发现局部地区由于差异沉积及风化剥蚀作用，隔水层分布厚度较薄或缺少，形成透水天窗，地表水体与第四系承压水连通。
![]()
图 10 研究区砂砾石、卵石层沉积等厚图Figure 10. Sedimentary contour map of sand gravel and pebble layers in the study area![]()
图 11 低海平面时期古河道平面示意Figure 11. Schematic diagram of ancient river channels during low sea level periods目前，已揭示沿古河道分布有中等～强透水性的砂砾石、卵石层，水量丰富，地下水补给方式多样，主要接受附近高水力梯度地下水侧向及基岩裂隙水垂向补给，局部与地表水体相连通，水文地质条件复杂。尤其是事故案例区（KZK-1孔附近）古河道赋存的深层承压水与下部基岩裂隙水之间大部分区域不存在隔水层，地下水水力联系示意如图12所示，不同类型地下水水量交换及补给顺畅，增强了含水层的赋水性及给水度，致使地下工程发生渗漏时，地下水将快速、大量的涌入，对地下工程的施工极为不利。
![]()
图 12 研究区地下水水力联系示意（参考1∶50 000顺德市幅SW-NE地质剖面）Figure 12. Schematic diagram of groundwater hydraulic connection (Refer to 1∶50 000 Shunde SW-NE geological section)4. 结 论
1）研究区第四纪沉积产物复杂多样，水文地质条件复杂，揭示有石排组时期冲积形成的古河道，分布中等～强透水性的砂砾石、卵石层，与下部基岩之间大部分区域不存在隔水层。砂砾石层为主要含水层，水量丰富，透水性中等～强，具承压性。
2）研究区揭示的华涌组火山基岩岩体节理裂隙发育，富水性和渗透性变化较大，总体透水性弱～强，富水性中等～好。不同岩性及风化程度对施工的影响具有差异性，火山基岩的分布发育对案例透水事故段影响较小。
3）特殊的地层组合和复杂的水文地质条件是富水砂层易出现涌水涌砂问题最主要的不良地质因素。当地下工程位于第四系高水头压力的复合地层中时，地下水补给方式多样，水量丰富，且不同砂层水之间产生的渗流差易导致渗漏点产生持续的渗流侵蚀，地层稳定性差，水土流失速度不断加快，导致透水事故的发生。
4）建议后续类似地质条件下地下工程建设时，需重视查明工区的特殊地质背景条件，尤其是古河道分布发育和复合地层沉积组合。针对上述易造成富水砂层涌水涌砂的主控不良地质因素，有针对性地进行重点防控，做好地下工程不良地段的规避或防水、降水措施，防控重大风险。
-
![]()
图 15 模型改进前后损失曲线对比
Figure 15. Comparison of loss curves before and after model improvement
![]()
图 16 模型改进平均精度均值曲线对比
Figure 16. Comparison chart of average accuracy mean curve for model improvement
![]()
图 17 模型改进前后平均交并比曲线对比
Figure 17. Comparison chart of average intersection to union ratio curve before and after model improvement
![]()
图 18 不同工况下的检测效果
Figure 18. Detection effect diagram under different working conditions
![]()
图 19 带式输送机运行状态多任务检测实验平台
Figure 19. Multi task detection experimental platform for operating status of belt conveyor
![]()
图 21 低照度环境下输送带边缘分割的视频检测结果
Figure 21. Video detection results of belt edge segmentation in low illumination environments
![]()
图 22 低照度环境下输送带边缘直线提取的视频检测结果
Figure 22. Video detection results of belt edge straight line extraction in low illumination environments
表 1 训练参数设置
Table 1 Training parameter setting
参数 数值 epochs 300 batch 8 imgsz 640 workers 8 lr 0.01 optimizer SGD weight_decay 0.0005 momentum 0.937 
下载: 导出CSV
表 2 不同工况测试数据集下的消融实验结果
Table 2 Results of ablation experiments under different working condition test datasets
基础网络 C2f_DWR RepGFPN Inner-CIOU R mAP50 mIoU 参数量/M FPS/s large_det belt_edge coal_flow √ — — — 0.853 0.886 0.779 0.942 3.64 50 √ √ — — 0.869 0.895 0.784 0.965 3.61 45 √ — √ — 0.862 0.899 0.786 0.963 4.33 43 √ √ √ √ 0.872 0.9 0.787 0.966 4.31 40
下载: 导出CSV
表 3 不同算法检测的实验结果
Table 3 Experimental results of different algorithm detection
基础网络 参数量/M R mAP50 mIoU FPS/s large_det belt_edge coal_flow U-net 24.89 — — 0.813 — 39 DeepLabV3+ 5.81 — — — 0.973 70 Faster R CNN 137.09 0.995 0.993 — — 20 Yolov8 3.0 0.842 0.93 — — 112.7 DR-YOLOM 4.31 0.872 0.9 0.787 0.966 40
下载: 导出CSV
-
[1] 王国法,杜毅博,徐亚军,等. 中国煤炭开采技术及装备50年发展与创新实践:纪念《煤炭科学技术》创刊50周年[J]. 煤炭科学技术,2023,51(1):1−18. WANG Guofa,DU Yibo,XU Yajun,et al. Development and innovation practice of China coal mining technology and equipment for 50 years:Commemorate the 50th anniversary of the publication of Coal Science and Technology[J]. Coal Science and Technology,2023,51(1):1−18.
[2] 周坪,马国庆,周公博,等. 智能化带式输送机健康监测技术研究综述[J]. 仪器仪表学报,2023,44(12):1−21. ZHOU Ping,MA Guoqing,ZHOU Gongbo,et al. Health monitoring technology for the intelligent belt conveyor:A review[J]. Chinese Journal of Scientific Instrument,2023,44(12):1−21.
[3] 王海军,王洪磊. 带式输送机智能化关键技术现状与展望[J]. 煤炭科学技术,2022,50(12):225−239. WANG Haijun,WANG Honglei. Status and prospect of intelligent key technologies of belt conveyor[J]. Coal Science and Technology,2022,50(12):225−239.
[4] 马宏伟,毛清华,张旭辉. 矿用强力带式输送机智能监控技术研究进展[J]. 振动 测试与诊断,2016,36(2):213−219,396. MA Hongwei,MAO Qinghua,ZHANG Xuhui. Intelligent monitoring technology study process for steel cord conveyor belt in coal mine[J]. Journal of Vibration,Measurement & Diagnosis,2016,36(2):213−219,396.
[5] 吴利刚,陈乐,吕媛媛,等. 基于轻量化的输送带块煤实时监测方法[J]. 煤炭科学技术,2023,51(S2):285−293. WU Ligang,CHEN Le,LYU Yuanyuan,et al. Real time monitoring method for lightweight conveyor belt lump coal[J]. Coal Science and Technology,2023,51(S2):285−293.
[6] 高涵,赵培培,于正,等. 基于特征增强与Transformer的煤矿输送带异物检测[J]. 煤炭科学技术,2024,52(7):199−208. GAO Han,ZHAO Peipei,YU Zheng,et al. Coal mine conveyor belt foreign object detection based on feature enhancement and Transformer[J]. Coal Science and Technology,2024,52(7):199−208.
[7] 杨志方,张立亚,郝博南,等. 基于双流融合网络的运输机皮带跑偏检测方法[J/OL]. (2023−05−30) [2024−04−23]. http://kns.cnki.net/KCMS/detail/detail.aspx? filename=MTKJ20230526004&dbname=CJFD&dbcode=CJFQ. YANG Zhifang,ZHANG Liya,HAO Bonan,et al. Detection method of conveyor belt deviation based on double-stream fusion network[J/OL]. (2023−05−30) [2024−04−23]. http://kns.cnki.net/KCMS/detail/detail.aspx? filename=MTKJ20230526004&dbname=CJFD&dbcode=CJFQ.
[8] 李纪栋,蒲绍宁,翟超,等. 基于视频识别的带式输送机煤量检测与自动调速系统[J]. 煤炭科学技术,2017,45(8):212−216. Li Jidong,Pu Shaoning,Zhai Chao,et al. Coal quantity detection and automatic speed control system for belt conveyors based on video recognition[J]. Coal Science and Technology,2017,45(8):212−216.
[9] 代伟,赵杰,杨春雨,等. 基于双目视觉深度感知的带式输送机煤量检测方法[J]. 煤炭学报,2017,42(S2):547−555. DAI Wei,ZHAO Jie,YANG Chunyu,et al. Detection method of coal quantity in belt conveyor based on binocular vision depth perception[J]. Journal of China Coal Society,2017,42(S2):547−555.
[10] 韩涛,黄友锐,张立志,等. 基于图像识别的带式输送机输煤量和跑偏检测方法[J]. 工矿自动化,2020,46(4):17−22. HAN Tao,HUANG Yourui,ZHANG Lizhi,et al. Detection method of coal quantity and deviation of belt conveyor based on image recognition[J]. Industry and Mine Automation,2020,46(4):17−22.
[11] ZHANG M C,JIANG K,CAO Y S,et al. A new paradigm for intelligent status detection of belt conveyors based on deep learning[J]. Measurement,2023,213:112735. doi: 10.1016/j.measurement.2023.112735
[12] WANG J Y,JONATHAN WU Q M,ZHANG N. You only look at once for real-time and generic multi-task[J]. IEEE Transactions on Vehicular Technology,2024,73(9):12625−12637. doi: 10.1109/TVT.2024.3394350
[13] 邵蓉波,肖立志,廖广志,等. 基于多任务学习的测井储层参数预测方法[J]. 地球物理学报,2022,65(5):1883−1895. SHAO Rongbo,XIAO Lizhi,LIAO Guangzhi,et al. Multitask learning based reservoir parameters prediction with geophysical logs[J]. Chinese Journal of Geophysics,2022,65(5):1883−1895.
[14] 李茂,肖洋轶,宗望远,等. 基于改进YOLOv8模型的轻量化板栗果实识别方法[J]. 农业工程学报,2024,40(1):201−209. LI Mao,XIAO Yangyi,ZONG Wangyuan,et al. Detecting chestnuts using improved lightweight YOLOv8[J]. Transactions of the Chinese Society of Agricultural Engineering,2024,40(1):201−209.
[15] 孙龙,张荣芬,刘宇红,等. 监控视角下密集人群口罩佩戴检测算法[J]. 计算机工程,2023,49(9):313−320. SUN Long,ZHANG Rongfen,LIU Yuhong,et al. Mask wearing detection algorithm for dense crowds from a monitoring perspective[J]. Computer Engineering,2023,49(9):313−320.
[16] 刘凤春,张靖,薛涛,等. YOLO-VDCW:一种新的轻量化带钢表面缺陷检测算法[J]. 中国冶金,2024,34(6):125−135. LIU Fengchun,ZHANG Jing,XUE Tao,et al. YOLO-VDCW:A new lightweight surface defect detection algorithm for strip steel[J]. China Metallurgy,2024,34(6):125−135.
[17] 樊红卫,刘金鹏,曹现刚,等. 低照度尘雾下煤、异物及输送带早期损伤多尺度目标智能检测方法[J]. 煤炭学报,2024,49(S2):1259−1270. FAN Hongwei,LIU Jinpeng,CAO Xiangang,et al. Intelligent multi-scale target detection method for early damage of coal,foreign objects,and conveyor belts under low illumination dust and mist[J]. Journal of China Coal Society,2024,49(S2):1259−1270.
[18] 陈伟,江志成,田子建,等. 基于YOLOv8的煤矿井下人员不安全动作检测算法[J]. 煤炭科学技术,2024,52(S2):267−283. CHEN Wei,JIANG Zhicheng,TIAN Zijian,et al. etection algorithm for unsafe actions of underground personnel in coal mines based on YOLOv8[J]. Coal Science and Technology,2024,52(S2):267−283.
[19] WEI H R,LIU X,XU S C,et al. DWRSeg:Rethinking efficient acquisition of multi-scale contextual information for real-time semantic segmentation[J/OL]. (2022−12−02) [2024−04−23]. https://arxiv.org/abs/2212.01173.
[20] 裴少通,张行远,胡晨龙,等. 基于ER-YOLO算法的跨环境输电线路缺陷识别方法[J]. 电工技术学报,2024,39(9):2825−2840. PEI Shaotong,ZHANG Hangyuan,HU Chenlong,et al. The defect detection method for cross-environment power transmission line based on ER-YOLO algorithm[J]. Transactions of China Electrotechnical Society,2024,39(9):2825−2840.
[21] 侯公羽,陈钦煌,杨振华,等. 基于改进YOLOv5的安全帽检测算法[J]. 工程科学学报,2024,46(2):329−342. HOU Gongyu,CHEN Qinhuang,YANG Zhenhua,et al. Helmet detection method based on improved YOLOv5[J]. Chinese Journal of Engineering,2024,46(2):329−342.
[22] LIU S,QI L,QIN H F,et al. Path aggregation network for instance segmentation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway,NJ:IEEE,2018:8759−8768.
[23] XU X Z,JIANG Y Q,CHEN W H,et al. DAMO-YOLO:A report on real-time object detection design[J/OL]. (2022−11−23) [2024−04−23],https://arxiv.org/abs/2211.15444?context=cs.CV.
[24] 王媛彬,韦思雄,吴华英,等. 基于改进YOLOv5s的矿井下安全帽佩戴检测算法[J/OL]. (2024−03−23) [2024−04−24]. http://kns.cnki.net/KCMS/detail/detail.aspx?filename=MTKJ20240320006&dbname=CJFD&dbcode=CJFQ. WANG Yuanbin,WEI Sixiong,WU Huaying,et al. Detection algorithm of helmet wearing in underground mine based on improved YOLOv5s[J/OL]. (2024−03−23) [2024−04−24]. http://kns.cnki.net/KCMS/detail/detail.aspx?filename=MTKJ20240320006&dbname=CJFD&dbcode=CJFQ.
[25] ZHANG H,XU C,ZHANG S J. Inner-IoU:More effective intersection over union loss with auxiliary bounding box[J/OL]. (2023−11−06) [2024−04−24],https://arxiv.org/abs/2311.02877.
[26] 程德强,徐进洋,寇旗旗,等. 融合残差信息轻量级网络的运煤皮带异物分类[J]. 煤炭学报,2022,47(3):1361−1369. CHENG Deqiang,XU Jinyang,KOU Qiqi,et al. Lightweight network based on residual information for foreign body classification on coal conveyor belt[J]. Journal of China Coal Society,2022,47(3):1361−1369.
[27] 方崇全. 煤矿带式输送机巡检机器人关键技术研究[J]. 煤炭科学技术,2022,50(5):263−270. FANG Chongquan. Research on key technology of inspection robot for coal mine belt conveyor[J]. Coal Science and Technology,2022,50(5):263−270.
-
期刊类型引用(5)
1. 郭世情, 陈汉, 蒋沛峰, 郭鹏飞, 孙毅, 许平保, 狄宏规. 富水粉细砂层盾构渣土改良与喷涌防治试验研究. 城市轨道交通研究. 2025(06) 
百度学术
2. 郑顺华，王迎超，陈帆，张政，李青理，冯子豪. 地铁隧道涌水涌砂灾害特征及灾变模式分析. 浙江大学学报(工学版). 2025(01): 152-166 . 百度学术
3. 刘林林，孙宪春. 北京市粉细砂高承压地层暗挖工程施工涌水涌砂事件预防及应急处置. 运输经理世界. 2025(01): 136-138 . 百度学术
4. 史秋艾. 珠江三角洲西北部晚第四纪沉积演化研究. 中国煤炭地质. 2024(07): 25-28 . 百度学术
5. 杨晶晶，陈健，刘伟明，赵新杰，吴晓东. 珠江三角洲东平水道的形成演变及工程意义. 煤炭工程. 2024(S1): 171-176 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 27
- HTML全文浏览量: 14
- PDF下载量: 25
- 被引次数: 7
