新疆煤基固体废弃物处置与资源化利用研究
Prospectsof resource utilization and disposal of coal-based solid wastes in Xinjiang
-
摘要: 新疆煤炭资源储量丰富,是我国重要的煤炭生产接续区和战略性储备区,开发利用过程中产生的煤基固废合理处置与资源化问题是制约矿区环境保护的难题之一。总结分析了新疆煤基固废的理化特征和分类形式及其产生的地质背景。分析表明:吐哈、准噶尔、伊犁、库拜四大煤田产生的煤基固废的理化特征存在明显地区差异,以低阶烟煤为主的低变质煤田区域的煤矸石多以砂岩、黏土岩、钙质岩为主;通过对典型煤基固废的综合评价,提出了新疆煤基固废梯级资源化利用的产业链布局模式;提出了以煤基固废的就地充填为基础,协同发展保水开采、净水开采、储能开采等煤基固废利用的新方法,探讨了煤基固废-电-化、煤基固废-电-建等高附加值开发利用产业布局模式,详细阐述了煤基固废的发电利用、建材利用、化工产品制备、充填处置及工程填料等方面综合资源化利用方法的原理和技术路线,提出了以合理处置矸石和水资源保护为目标的煤炭资源高效集约化开采技术。研究成果对新疆地区优化煤炭产业布局、煤基固废梯级资源化利用及矿区生态环境保护具有重要的指导意义。Abstract: Xinjiang province, abundant with coal resource, is an important coal resource continuation area and strategic reserve area in China. Reasonable disposal and resource utilization of coal-based solid wastes generated during mining and utilization is one of the difficult problems restricting the environmental protection of mining areas. This paper summarizes and analyzes the physical and chemical characteristics, classification and its geological background of coal-based solid wastes in Xinjiang. The analysis shows that there are obvious regional differences in the physical and chemical characteristics of coal-based solid wastes generated in the four major coal fields of Tuha, Junggar, Yili and Kubai. The coal gangue generated in the low metamorphic coalfield area is mostly sandstone, clay rock, and calcareous rock. Through the comprehensive evaluation of typical coal-based solid wastes, the industrial chain layout model of cascade resource utilization of coal-based solid waste in Xinjiang is proposed. Based on the in-situ filling of coal-based solid wastes, a new method for the coordinated development of water-preserving mining, water purification mining, and energy storage mining is proposed. Coal-based solid waste-electricity-chemical, coal-based solid waste-electricity-construction and other high value-added development and utilization industrial layout models are discussed. Then, the principle and technical route of comprehensive resource utilization methods such as power generation utilization, building materials utilization, chemical product preparation, filling disposal and engineering filling are elaborated in detail. Finally, a high-efficiency and intensive mining technology for coal resources with the goal of rational disposal of gangue and water resources protection is proposed. These research results will have important practical significance for optimizing the layout of the coal industry, cascade resource utilization of coal-based solid wastes, and ecological environment protection in Xinjiang mining areas
-
Keywords:
- Xinjiang /
- coal-based solid wastes /
- resource utilization /
- backfill mining
-
0. 引 言
输送带运输机跑偏事故会对企业造成巨大经济损失,严重时甚至会造成人员伤亡。及时准确地检测出传送带跑偏情况并采取有效措施,可以有效避免事故发生,对安全生产意义重大[1]。现有的传送带跑偏检测主要依靠人工检查及传统接触式检测方法,存在成本高、不稳定、易错检或漏检等问题,对于长距离、复杂环境下的工业输送带场景往往并不适用[2]。随着工业中摄像头的普及,工业输送带图像数据量日益增大,兴起了对运输机输送带图像数据相关应用技术的研究,其中包括利用机器视觉技术实现对传送带跑偏检测,其优点是可以对传送带边缘进行连续的检测[3]。
基于机器视觉检测技术的传统跑偏检测算法主要根据为当输送带跑偏时,图像灰度值会在输送带边缘附近发生变化,并采用基于微分的方法进行边缘的提取[4-5]。此种方法虽然有检测速度快、实现方便等优点,但是在合适的梯度阈值选取方面比较困难,结果受到阈值选取的影响较大。为了进一步提高基于机器视觉技术的检测精度,随着大数据和人工智能技术的发展,基于深度学习的检测技术开始应用于传送带跑偏检测方面。LIU等[6]分别将全卷积神经网络(Fully Convolutional Networks,FCN[7]),深度实验室网络模型DeepLab[8],整体嵌套边缘检测网络(Holistically-Nested Edge Detection,HED[9])应用于传送带跑偏检测任务。POMA等[10]在HED网络的基础上压缩了模型结构并简化了最后的网络输出,但以上网络仍存在以下不足:① 预测的边缘效果较粗糙且处理速度较慢;② 由于卷积操作本身仅进行局部运算,很难构建像素间长距离的依赖关系;③ 目前应用于输送带跑偏检测的网络模型的检测速度没有达到25帧/s的实时性要求。
Transformer[11]结构不受限于局部运算,能够建模全局上下文信息,在自然语言处理任务上有着出色的表现。DOSOVITSKIY等[12]提出了视觉Transformer(Vision Transformer,ViT),该网络首次将Transformer结构应用于图像任务中,在大规模的数据上进行训练后,在精度上超越了基于卷积神经网络(Convolutional Neural Network,CNN)的方法,但ViT结构输出特征图的分辨率低且单一,会导致局部信息的丢失;TOUVRON等[13]提出了数据高效的图像变换器(Data-Efficient image Transformer,DEiT),这表明了Transformer结构能在中等规模的数据集上进行训练,并取得了较好的效果;LIU等[14]提出了Swin变换器(Swin Transformer,SwinT)结构,该网络在图像分类、目标检测及语义分割中均取得了当时学术界深度学习模型中最好的效果。ViT、DEiT、SwinT的出现证明了Transformer结构在机器视觉任务中的应用潜力,但与纯卷积神经网络相比,Transformer结构往往参数量大、计算复杂度较高。
结合Transformer结构的优势,针对卷积神经网络限于局部运算不能有效获得长距离依赖关系的问题,本文提出了一种全局与局部信息相互融合的双流输送带跑偏检测网络模型(Dual-Flow Transformer Network,DFTNet),通过将Transformer和CNN网络进行融合,构建了双流解码器−编码器结构,提高了网络模型对全局、长距离信息感知能力,和其他基于CNN的方法相比,DFTNet能在较少的参数下,实现对输送带边缘的实时性准确检测。
1. 双流融合网络的搭建
1.1 DFTNet双流网络总体结构
为了增强网络上下文信息感知能力以及保留丰富的细节信息,针对输送带边缘模糊、背景类别复杂、干扰信息较多等特点,设计了基于Transformer和CNN双流融合网络的输送带边缘检测方法。通过设计CNN和Transformer特征融合模块,形成双流编码器–解码器结构,可以更好地融合全局上下文信息,避免了Transformer结构需要在大规模数据集上预训练的缺点,同时可以灵活调节网络结构,如图1所示。其中,C为输送带特征图像的通道数,H和W分别为输送带特征图像的高度和宽度。
编码器由Transformer基础模块与CNN基础模块2个分支构成。在Transformer基础模块中,输送带图像首先通过Patch分割模块层将输送带特征图像转换为相互不重叠的4×4的序列小块,同时特征通道数变成了4×4×3=48。之后通过线性嵌入模块层,将特征图像转换成任意维度,统一表示为C,通过第一个SwinT基础模块后生成大小为H/4×W/4×32C的特征图像,然后经过一个Patch合并模块层和第2个SwinT基础模块后生成H/8×W/8×64C的特征图像。编码器中CNN基础模块包含一个Stem层以及2个下采样层,其输出特征图的大小为H×W×8C;经过Stem层后图像经过2个下采样操作,且每次下采样后特征通道数加倍,最后共产生H/2×W/2×16C、H/4×W/4×32C等2个不同的特征图像输入到融合模块解码器当中。
解码器由3个上采样组成,每个上采样由一个可以使图像特征通道数量减半的卷积操作构成。特征图像在经历每个上采样步骤之后,通过将提取到的上下文特征与编码器的多尺度特征融合在一起,进而抵消由于CNN卷积操作带来的空间信息的损失。经过3个上采样操作之后,图像的分辨率恢复到H×W×2,最后通过线性映射模块将这些上采样特征进行像素级的分割预测,最终实现对输送带边缘的准确检测。
1.2 SwinT基础模块
编码器中的SwinT基础模块主要由基于2个连续的多头自注意力模块构成,其主要基于窗口的多头自注意力机制(Window Based Multi-head Self Attention,W-MSA),有别于卷积的多头注意力机制(Multi-head Self Attention,MSA),其核心模块如图2所示。每个SwinT模块均包含2个连续的多头自注意力模块,每个模块均由层归一化(Layer Normalization,LN)、多头自注意力机制、残差连接以及多层感知机(Multi-Layer Perceptron,MLP)组成,多层感知机由两层线性层及GELU(Gaussian Error Linear Unit)激活函数组成。其中第一个模块应用了基于窗口的多头自注意力机制,第二个模块在W-MSA基础上加入了Shift-Window操作形成基于滑动窗口的多头自注意力机制SW-MSA。
SwinT模块中基于窗口的自注意力机制降低了常用自注意力机制的计算复杂度,整体计算过程如式(1)—式(4),其中$ {z}^{l} $表示第l个模块经MLP和残差连接后输出的特征,$ {\hat {z}}^{l} $表示经W-MSA或者SW-MSA和残差连接后输出的特征,$ {\hat {z}}^{l-1} $、$ {\hat {z}}^{l+1} $分别代表SwinT输出模块的输入与输出。
$$ {\hat {z}}^{l}={ {\mathrm{W}}}-{{\mathrm{M}}}{{\mathrm{S}}}{{\mathrm{A}}}\left[{{\mathrm{L}}}{{\mathrm{N}}}\left({z}^{l-1}\right)\right]+{z}^{l-1} $$ (1) $$ {z}^{l}={{\mathrm{M}}}{{\mathrm{L}}}{{\mathrm{P}}}\left[{{\mathrm{L}}}{{\mathrm{N}}}\left({\hat {z}}^{l}\right)\right]+{\hat {z}}^{l} $$ (2) $$ {\hat {z}}^{l+1}={\mathrm{{S}{W}}}-{\mathrm{{M}{S}{A}}}\left[{\mathrm{{L}{N}}}\left({z}^{l}\right)\right]+{z}^{l} $$ (3) $$ {z}^{l+1}={\mathrm{{M}{L}{P}}}\left[{\mathrm{{L}{N}}}\left({\hat {z}}^{l+1}\right)\right]+{\hat {z}}^{l+1} $$ (4) 这里$ {\hat {z}}^{l} $和$ {z}^{l} $分别作为SW-MSA模块和MLP模块的输出。参照文献[15-16],在计算多头自注意力机制时,每个head的计算方式如下:
$$ \mathrm{A}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}({\boldsymbol Q},{\boldsymbol K},{\boldsymbol V})=\mathrm{S}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{M}\mathrm{a}\mathrm{x}\left(\frac{{\boldsymbol Q}{{\boldsymbol K}}^{{\mathrm{T}}}}{\sqrt{d}}+B\right)V $$ (5) 其中$ {\boldsymbol Q},{\boldsymbol K},{\boldsymbol V}\in {\mathbb{R}}^{{M}^{2}\times d} $分别代表Query、Key、Value矩阵,$ {M}^{2} $和$ d $分别代表一个窗口里图像块数量和Query或Key的特征维度数,$ B $的值来源于偏置矩阵$ \hat{{\boldsymbol B}}\in {\mathbb{R}}^{(2M-1)\times (2M+1)} $。
1.3 CNN基础模块
编码器中的CNN基础模块主要由一个词干提取stem模块与2个下采样操作构成,如图3所示。stem模块由2个大小为3×3、步幅为1、填充数为1的卷积、批量标准化和修正线性单元(Rectified Linear Unit,ReLU)激活函数组成,通过stem模块后,输入特征图像的大小变为H×W×8C,后经过2个由大小为2×2、步幅为2的卷积操作构成的下采样层后分别输出大小为H/2×W/2×16C、H/4×W/4×32C的特征图像。
1.4 融合模块
解码器中的融合模块主要由双线性差值与1×1卷积组成的上采样操作、逐元素求和、线性映射模块组成。c1和p2通过逐元素求和操作进行融合,输出特征图像大小不变,之后通过连续3次上采样操作分别与c2、p1、p0进行融合,其中,c1、c2、p2、p1、p0代表图1中不同阶段输出的结果。特征图像通过上采样操作后,特征图像通道数量减半,输出特征图像尺寸按照输入图像的最大尺寸作为输出,最终通过线性映射模块后输出H×W×2的输送带边缘图像,具体结构如图4所示。本文提出的融合CNN及Transformer结构的模块能够有效利用CNN和Transformer的各自优势分别提取局部和全局特征,并通过通道加法和上采样操作,达到交互融合的状态,既构建了输送带特征图像上下文依赖关系,又丰富了局部细节信息,增强了网络提取特征的能力。
1.5 损失函数
本网络使用的损失函数为交叉熵损失函数[17],该损失函数用于描述检测实际预测值与标签值两个概率之间的关系。当交叉熵损失函数的值越小时,表明预测的结果越接近于目标结果。具体计算公式如下:
$$\begin{array}{c} \mathrm{l}\mathrm{o}\mathrm{s}\mathrm{s}(x,{\mathrm{class}})=-\mathrm{l}\mathrm{o}\mathrm{g}\left(\dfrac{\mathrm{e}\mathrm{x}\mathrm{p}\left(x\right[{\mathrm{class}}\left]\right)}{{\sum }_{j} \mathrm{e}\mathrm{x}\mathrm{p}\left(x\right[j\left]\right)}\right)=\\-x\left[{\mathrm{class}}\right]+\mathrm{l}\mathrm{o}\mathrm{g}\left({\sum }_{j} \mathrm{e}\mathrm{x}\mathrm{p}\left(x\right[j\left]\right)\right) \end{array} $$ (6) 其中,x为样本;class为类别;j为样本x的标签值,正类为1,负类为0。
1.6 输送带跑偏检测算法
通过计算预测结果图中边缘中心线相对标签图中心线的偏移量,当偏移量波动超出某一阈值,视作传送带跑偏。偏移量具体计算流程按如下规则进行。假设Xas为后处理结果中左侧边缘起始点横坐标,Xbs为后处理结果中右侧边缘起始点横坐标,Xae为后处理结果中左侧边缘终点横坐标,Xbe为后处理结果中右侧边缘终点横坐标,Xs为两侧起始点横坐标的平均值,Xe为两侧起始点横坐标的平均值,具体示意如图5所示。
基于以上描述有如下关系式:
$$ {X}_{{\mathrm{s}}}=\frac{{X}_{{\mathrm{as}}}+{X}_{{\mathrm{bs}}}}{2} $$ (7) $$ {X}_{{\mathrm{e}}}=\frac{{X}_{{\mathrm{ae}}}+{X}_{{\mathrm{be}}}}{2} $$ (8) 传送带偏移值计算公式:
$$ \delta=\left(X_{\mathrm{s}}-\bar{X}_{\mathrm{s}}\right)^2+\left(X_{\mathrm{e}}-\bar{X}_{\mathrm{e}}\right)^2 $$ (9) 其中$ {\bar X }_{{\mathrm{s}}} $和$ \bar{ X }_{{\mathrm{e}}} $分别为标签中左右边缘起始点和终点横坐标的平均值,当$ \delta $波动大于给定阈值时认为传送带已有跑偏迹象。
2. 评价指标
本文网络模型的最终目的是在输送带数据集中检测出测试集中所有的输送带边缘,以输送带跑偏检测为例,GT(Ground Truth)代表真实标签;TP(True Positive)表示标签为输送带边缘,预测为输送带边缘;TN(True Negative)表示标签为输送带边缘,预测为其他;FP(False Positive)表示标签为其他,预测为输送带边缘;FN(False Negative)表示标签为其他,预测为其他。指标混淆矩阵见表1。
表 1 指标混淆矩阵Table 1. Indicator confusion matrix真实结果 预测结果 真实标签=True 真实标签=False 预测=True 真阳性TP 假阴性FP 预测=False 假阳性FN 真阴性TN 基于以上的概念,精确度(Precision)表示检测类别是输送带边缘并且标签也是输送带边缘的部分占所有检测器检测为输送带边缘的比例,也叫查准率。平均检测精度mAP可表示为
$$ P'=\frac{{\mathrm{TP}}}{{\mathrm{TP}}+{\mathrm{FP}}} $$ (10) $$ {\mathrm{mAP}}=\frac{1}{N}\sum_{n=1}^{N}{\mathrm{AP}}\left(n\right) $$ (11) $$ {\mathrm{AP}}=\sum _{k=1}^{m}({r}_{i+1}-{r}_{i}){{P}}_{\mathrm{i}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{r}} ( {r}_{i} +1) $$ (12) 其中,r1,r2,...,rm是按升序排列的Precison插值段第一个插值处对应的Recall值,$ {P}_{\mathrm{i}\mathrm{n}\mathrm{t}\mathrm{e}\mathrm{r}} $为插值操作。其中,召回率也叫查全率,表示检测到的是输送带边缘且实际标签也是输送带边缘的数量占检测器检测正确的比例,召回率能衡量检测器检测出所需类别的能力。用${R}' $代表召回率,则可表示为
$$ {R}'=\frac{\mathrm{T}\mathrm{P}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{N}} $$ (13) 计算得到召回率和精确率之后,可以根据召回率和精确率计算调和平均值,其计算数学公式为
$$ {F}_1=\frac{2\times \mathrm{T}\mathrm{P}}{\text{2TP+}\text{FP}\text{+FN}} $$ (14) 准确度(Accuracy)表示为
$$ \mathrm{A}\mathrm{C}\mathrm{C}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{F}\mathrm{N}+\mathrm{T}\mathrm{N}} $$ (15) 均交并比(Mean Intersection over Union,MloU):为语义分割的标准度量。其计算2个集合的交并比, 在语义分割的问题中,这两个集合为真实值(ground truth)和预测值(predicted segmentation)。计算公式如下:$ i $为真实值,$ j $为预测值,$ {P}_{ij} $为预测值j预测为真实值i的概率。
$$ {\mathrm{MIoU}} =\frac{1}{k+1}\sum _{i=0}^{k} \frac{{P}_{ii}}{\displaystyle \sum _{j=0}^{k} {P}_{ij}+\displaystyle \sum _{j=0}^{k} {P}_{ji}-{P}_{ii}} $$ (16) 式(16)等价于:
$$ {\mathrm{MIoU}}=\frac{1}{k+1}\sum _{i=0}^{k} \frac{\mathrm{T}\mathrm{P}}{\mathrm{F}\mathrm{N}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{P}} $$ (17) 3. 试验与分析
3.1 数据集采集与制作
本文试验使用的数据集是从实际工业场景中摄像仪所采集到多场景的输送带录像中截取相关输送带图片,共包含五种不同场景下多角度、不同位置的输送带运行状态,并制作相关数据集,具体如图6所示。
由于采集到的实际工业环境中的输送带图像大小不统一,且工业场景中固定机位的输送带图像角度单一,截取的图像帧与帧之间差距不大。因此在采集完数据后,通过扩大训练数据量、翻转操作来增加数据集的多样性和泛化性,以达到数据增强的目的,进而使检测模型具有更强的鲁棒性,其中部分数据预处理后的样例如图7所示。
根据所采集到的图像,在经过数据预处理后,最终形成了包含5个场景的图片训练集1 476张、测试集369张以及对应的标签集,数据集总体情况见表2。训练集和测试集图像格式为jpg格式,为彩色三通道图像;标签集图像格式为png,为单通道图像,保留了标签真值和背景信息方便后续图像处理。
表 2 本文所制作的数据集介绍Table 2. Introduction to the datasets produced in this paper张 数据集 场景1 场景2 场景3 场景4 场景5 合计 训练集 744 141 135 324 132 1476 训练标签集 744 141 135 324 132 1476 测试集 186 33 36 81 33 369 测试标签集 186 33 36 81 33 369 数据集的标注是利用Photoshop软件平台对输送带图像进行像素级标注,使用像素宽度为1的直线对传送带边缘进行标注,剩余部分为背景,标注结果可视化后的图像如图8所示。
3.2 试验环境和参数
试验在i9-9820X CPU、两块NVIDIA RTX 2080 Ti GPU的设备上进行,操作系统为Ubuntu 20.04,cuda版本10.2,cudnn版本7.5,pytorch版本1.6,并在PyTorch框架下实现网络模型。试验的总轮数设置为100轮,批数大小设为4,初始的学习率设为0.001,使用warming up预热1轮后采取poly学习率衰减策略,衰减率为0.9。采用AdamW作为模型的优化器,动量为0.9,权重衰减项设置为1×10−4。
3.3 消融试验
为了验证DFTNet模型结构的最优性,从模型深度、输入图片大小以及模型大小3个方面设计了消融试验,并在同一数据集上进行试验验证。
模型深度的影响:根据SwinT有4个连续的模块分别称为“Stage1”、“Stage2”、“Stage3”和“Stage4”,分别对应着不同的模型深度;每个模块相应输出分别表示为“c1”、“c2”、“c3”和“c4”,详细见参考文献[14],本文结构主要使用SWinT的“c1”、“c2”。“c1”、“c2”、“c3”和“c4”,对应输出特征图像的大小为H/4×W/4、H/8×W/8、H/16×W/16、H/32×W/32,意味着模型对图像语义信息提取的深度。本文分别设计构建了“c1,c2”、“c1,c2,c3”、“c1,c2,c3,c4”等3种不同深度的网络结构,相应的CNN基础模块也随之加深,试验结果见表3。由试验结果可知模型的检测性能并不是简单地随着网络深度的增加而增加,而模型的计算负载则随着模型深度显着增加。因此,本文模型设置网络深度为“c1,c2”,并由此构建相应的融合网络模型。
表 3 模型深度消融试验结果Table 3. Ablation experimental results of module deepth网络模
型深度均交
并比/%准确
度/%平均调和
平均值/%平均精
确度/%平均召
回率/%浮点运
算量/109参数
量/106c1,c2 91.08 99.48 88.40 91.88 96.22 5.71 28.45 c1,c2,c3 87.10 99.33 85.25 89.31 90.37 7.53 45.40 c1,c2,c3,c4 86.68 99.35 84.91 88.61 90.66 9.78 45.40 输入图片尺寸的影响:本文分别测试了64 px×64 px,128 px×128 px,256 px×256 px,512 px×512 px等3种不同输入图片的尺寸,试验结果见表4。随着输入图片尺寸大小从64×64增加到256×256时,Transformer输入图片的特定序列尺寸也随之变大,模型的分割效果也随之变好,但是输入图片尺寸512×512不如256×256,故本文输入图片尺寸大小设置为256×256。
表 4 输入图片尺寸消融试验结果Table 4. Ablation experimental results of input size输入图
片尺寸均交并比/% 准确度/% 平均调和
平均值/%平均精
确度/%平均召
回率/%64×64 88.02 91.68 88.07 90.37 95.32 128×128 89.13 96.77 88.03 90.39 95.43 256×256 91.08 99.48 88.40 91.88 96.22 512×512 88.21 90.87 87.50 91.00 94.23 模型大小的影响:根据SwinT的模型类型,一共包含tiny,small,base等3种不同参数量的模型,本文相应设计了3种模型参数量的DFTNet,试验结果见表5。随着模型大小的增大,模型效果并没有较大的提升,但是模型参数量增加,计算量增加,模型运行效率下降。因此,本文模型大小设置为tiny。
表 5 模型大小消融试验结果Table 5. Ablation experimental results of model scale网络模
型大小均交
并比/%准确度/% 平均调和
平均值/%平均精
确度/%平均召
回率/%浮点
运算量/109参数
量/106tiny 91.08 99.48 88.40 91.88 96.22 5.71 28.45 small 90.10 98.91 87.85 89.31 96.37 6.60 49.77 base 91.25 99.35 87.21 89.61 96.16 10.78 88.40 3.4 对比试验
为了验证算法方法的有效性及优越性,本文选取大量具有代表性的语义分割网络模型进行对比试验,包括纯深度神经卷积网络架构的FCN(2015)、UNet[18](2015)、SegNet[19](2016)、DeepLab v3(2017)、PSPNet[20](2017)、DanNet[21](2019)、BiSeNet V2[22](2021)。本章所有对照试验方法均在同一数据集的训练样本、同一优化器、损失函数、参数的条件下进行试验。由表6、图9、图10、图11可知,在相同数据集下,提出的DFTNet的均交并比mIoU为91.08%、准确度ACC为99.48%、平均调和平均值mF1为88.40%、平均精确度为91.88%,平均召回率mRecall为96.22%为所有模型最高,高于所有纯卷积神经网络。同时,均交并比mIoU、准确度ACC,平均精度mPrecision,相比纯卷积神经网络HRNet分别提升了25.36%、0.29%与17.70%,相比FCN分别提升了29.5%、0.32%与24.77%,在参数量、计算速度尤其是均交并比等指标上均有较大提升。
表 6 各模型对比试验结果Table 6. Comparing the experimental results of each model网络
模型均交
并比/%准确
度/%平均调和
平均值/%平均精
确度/%平均召
回率/%浮点
运算量/109参数
量/106HRNet 65.72 99.19 70.7 87.02 66.76 5.15 10.42 FCN 61.58 99.16 63.63 81.23 62.09 30.79 15.31 UNet 86.01 99.52 84.31 86.7 82.22 23.73 13.40 SegNet 79.06 99.41 87.76 86.55 82.42 26.50 35.00 DeepLab V3 86.87 99.44 85.05 81.41 89.68 31.33 41.68 PSPNet 87.46 99.49 85.53 83.51 87.83 33.96 48.63 DanNet 81.2 99.43 89.92 85.49 85.89 37.86 49.48 BiSeNet V2 66.43 99.22 71.81 80.16 67.45 2.46 3.62 DFTNet 91.08 99.48 88.4 91.88 96.22 5.71 28.45 从评价指标上来看,DFTNet的各项评价指标为对比试验中最优;从检测结果来看,如图11所示,可以清楚地看到,DFTNet的误分类像素最少;从综合性能上,DFTNet相比其他方法为最优,且在保证检测精度的同时,浮点运算和参数量与纯卷积网络相比也颇具优势,有更好的轻量化和更快的运算速度,同时,模型在批数大小设为4的情况下,处理图像帧率达53.07 fps,更加适用于工业实际场景,可以实现多种场景下输送带边缘的实时性检测,进而实现多场景下的输送带跑偏检测。
4. 实际运行结果
在现场环境中搭建了如图12所示输送带跑偏监测系统,并应用了DFTNet网络,由于本模型网络处理图像帧率可以达53.07帧/s,实际使用中,我们将摄像头采集到的图像实时实时传输到我们的服务器中进行逐帧处理,处理完毕后通过图像拼接程序还原成实时的跑偏检测图像并显示在前端软件界面,显示结果如图13所示。通过显示界面可以实时显示输送带偏移情况,误差为±0.1 cm,通过实地验证,检测结果与输送带实际跑偏结果一致,证明了DFTNet网络模型的有效性,检测准确率≥90%,具有较好的应用价值。
5. 结 论
1)提出了一种全局与局部信息双流融合的输送带边缘检测网络模型DFTNet,该模型通过将传统卷积神经网络的卷积对局部特征的提取能力与Transformer结构对全局、长距离信息感知能力相结合,能够较好地提高输送带边缘检测精度并抑制输送带图像噪声和背景的干扰,相比纯卷积神经网络HRNet分别提升了25.36%、0.29%与17.70%,相比FCN分别提升了29.5%、0.32%与24.77%,在参数量、计算速度尤其是均交并比等指标上均有较大提升。
2)通过设计CNN和Transformer特征融合模块,形成双流编码器–解码器结构,利用结构的巧妙设计,可以更好地融合全局上下信息,避免了Transformer结构在大规模数据集上预训练,可以灵活调节网络结构,构建了工业输送带数据集,并在数据集上通过大量试验验证,DFTNet取得了最好的模型性能,在保证检测精度的同时,浮点运算和参数量与纯卷积网络相比也颇具优势,有更好的轻量化和更快的运算速度,同时,模型在批数大小设为4的情况下,处理图像帧率达53.07 fps,更加适用于工业实际场景。
3)在后续研究中,将对该模型进一步改进及优化,同时对数据集进行扩充,使模型其更加具有泛化性,可以更加有效地应用到背景更加复杂的工业场景下输送带边缘检测中。
-
期刊类型引用(52)
1. 董书宁,于树江,董兴玲,张步勤,郭小铭,王晓东,王凯,朱世彬,武博强,刘磊. 煤基固废与高盐废水“固液协同”充填处置关键技术. 煤田地质与勘探. 2025(01): 163-173 . 百度学术
2. 孟瑞艳,周晓芳,王新富,张雷,王彦君,章梅,吴求刚. 新汶矿区煤矸石理化特征分析及生态风险评价. 中国煤炭地质. 2025(01): 50-56 . 百度学术
3. 王振刚,马杨爱,朱才辉,张佳瑶,曲波. 黄河流域陕西段大宗固废煤矸石综合利用现状与展望. 中国矿业. 2025(03): 305-315 . 百度学术
4. 崔昕茹,霍雪萍,周炳杰,胡蕴瑶,杨彦群,杨凤玲,狄子琛. 我国煤矸石空间分布特征与分级分质利用路径. 环境科学. 2025(04): 2281-2291 . 百度学术
5. 杨旭,丁子昭,孔令宇,孟凡燃,黄艳利,杨伟,李俊孟. 煤基固废多源信息数据库构建及利用路径评价. 矿业安全与环保. 2025(02): 172-178 . 百度学术
6. 王少力,亢福仁,张凯煜,黄苑平,刘馨月,张生. 煤基固废基质对紫穗槐种子萌发及幼苗生长的影响. 现代园艺. 2024(01): 54-58 . 百度学术
7. 李恩伟,张世文,周思雨,董祥林,马军,蔡慧珍,胡睿鑫. 基于CiteSpace的煤基固废三化研究热点分析. 辽宁工业大学学报(社会科学版). 2024(01): 32-37 . 百度学术
8. 卞正富,张益东,王猛,王长申,韩晓彤,牟守国,任清晨,李国栋. 新疆煤炭资源开发潜力与开发策略. 煤炭学报. 2024(02): 967-977 . 百度学术
9. 郭慧超. 化工固体废弃物的资源化利用. 山西化工. 2024(03): 245-246 . 百度学术
10. 杨科,何淑欣,何祥,初茉,周伟,袁宁,陈登红,龚鹏,张元春. 煤电化基地大宗固废“三化”协同利用基础与技术. 煤炭科学技术. 2024(04): 69-82 . 本站查看
11. 刘浪,罗屹骁,朱梦博,苏臣,吴涛涛,王建友,杭彦龙. 建筑物下特厚煤层镁渣基全固废连采连充开采技术与实践. 煤炭科学技术. 2024(04): 83-92 . 本站查看
12. 吴玉意,刘成勇,张鹏,刘文涛,黄剑斌,刘治成,王翰秋. 综采抛矸充填技术原理及抛沙试验研究. 煤炭工程. 2024(05): 69-74 . 百度学术
13. 李明,李起行,吴相儒,邬志雄. 粉煤灰膏体充填材料工作性能影响因素研究. 矿业研究与开发. 2024(06): 65-71 . 百度学术
14. 赵康,伍俊,马超,朱开成,聂晶磊,胡华龙. 我国煤矿固、液、气“三废”地质封存研究现状与生态环境协同发展的关系. 煤炭学报. 2024(06): 2785-2798 . 百度学术
15. 李忠宝. 煤炭洗选废弃物处理与资源化利用研究. 黑龙江环境通报. 2024(08): 102-104 . 百度学术
16. 郑向东,李明,刘威,王新富,赵恒,李建,周晓芳. 皖北矿区煤矸石理化特征分析及生态风险评价. 能源与环保. 2024(09): 175-180+186 . 百度学术
17. 邓友生,董晨辉,吴阿龙,庄子颖,陈茁. 我国煤矸石山综合治理现状及零碳治理探索. 煤矿安全. 2024(10): 120-128 . 百度学术
18. 李新旺,吴荣元,李磊,祁义飞,程立朝,李丽. 粉煤灰/煤矸石离层注浆充填材料性能研究. 煤炭与化工. 2024(10): 1-5+11 . 百度学术
19. 单成方,吴来伟,李亚锋,韩创业,龙岩,李俊孟,齐文跃. 新疆地区烧变岩分布特征与资源化利用对策. 矿业安全与环保. 2024(05): 162-167 . 百度学术
20. 宋伟,刘成勇,杨军军,王若帆,张新福,刘东升. 煤矸石规模化处置及高附加值利用现状与展望. 矿业研究与开发. 2024(11): 268-282 . 百度学术
21. 乔波,杨澜,王红星,邢涛,于利红,王振华,姜晓枫. 新疆煤灰在不同高铬砖表面的侵蚀性研究. 山东化工. 2024(22): 65-69 . 百度学术
22. 朱磊,刘治成,刘成勇,赵萌烨,贾金兑,丁自伟. 基于孔隙率和粒径的煤矸石力学性能预测试验研究. 西安科技大学学报. 2024(06): 1083-1094 . 百度学术
23. 刘鹏亮. 煤基固废充填材料及充填工艺发展现状与展望. 矿产保护与利用. 2024(06): 15-24 . 百度学术
24. 张计林. 煤矸石路基含水率对路基沉降的影响分析及控制措施. 交通世界. 2024(36): 108-110 . 百度学术
25. 朱琦,胡振琪,叶春,李春华,李冲. 基于化学-微生物法的煤矸石山酸化污染原位控制技术研究进展. 中国矿业. 2023(01): 52-59 . 百度学术
26. 张吉雄,周楠,高峰,闫浩. 煤矿开采嗣后空间矸石注浆充填方法. 煤炭学报. 2023(01): 150-162 . 百度学术
27. 范晓平,刘京,康哲,董学光. 煤矸石综合利用与矿山生态修复的战略思考. 环境卫生工程. 2023(01): 8-15 . 百度学术
28. 吴长亮,王文龙,王旭江,李敬伟. 煤矸石在建材领域的资源化研究现状及创新利用策略. 能源环境保护. 2023(01): 167-177 . 百度学术
29. 王伟,张志义,赵博. 煤矿井下风积沙箱式充填体侧向约束机理数值研究. 新疆大学学报(自然科学版)(中英文). 2023(03): 367-372 . 百度学术
30. 肖元庚. 城市固体废弃物处理及资源化利用途径. 皮革制作与环保科技. 2023(09): 131-133 . 百度学术
31. 赵学松,刘琦. 煤基固体废弃物制备压裂支撑剂研究进展. 洁净煤技术. 2023(06): 161-172 . 百度学术
32. 徐文彬,陈伟. 不同倾角充-岩组合体三轴压缩力学特性及破坏特征. 矿业科学学报. 2023(05): 633-641 . 百度学术
33. 张道平. 矿用煤矸石混凝土力学性能试验研究. 煤. 2023(09): 1-5 . 百度学术
34. 李宏伟,燕可洲,文朝璐,柳丹丹,郭彦霞,张圆圆. 煤矸石制备活性炭-介孔硅复合材料及其过程物相转变. 煤炭科学技术. 2023(09): 310-319 . 本站查看
35. 方屹,杨浪,饶峰,张凯铭,宁旭文. 煤矸石的地质聚合反应资源化利用研究进展. 矿业研究与开发. 2023(12): 206-213 . 百度学术
36. 武浩洁. 碳硅复合介孔材料对水体中NO_3~-的吸附机制分析及研究. 山西化工. 2023(12): 13-14+25 . 百度学术
37. 原新宇,刘树龙,余青龙,张敏哲,王贻明,许宏图,苏凤波,李敏. 煤矸石基胶结充填体力学性能及微观结构演化研究. 现代矿业. 2023(12): 207-212 . 百度学术
38. 韩崇刚. “双碳”目标下煤基固废高值化处理与综合利用研究. 煤炭经济研究. 2023(12): 30-35 . 百度学术
39. 李家新,王文峰,陆青锋,车可心,刘恒言. 新疆地区不同岩性煤矸石重金属元素释放规律研究. 煤炭科学技术. 2023(S2): 328-335 . 本站查看
40. 李永亮,路彬,杨仁树,林海,徐斌,王树帅,刘晨辉. 煤矿连采连充式胶结充填采煤技术与典型工程案例. 煤炭学报. 2022(03): 1055-1071 . 百度学术
41. 桑树勋,袁亮,刘世奇,韩思杰,郑司建,刘统,周效志,王冉. 碳中和地质技术及其煤炭低碳化应用前瞻. 煤炭学报. 2022(04): 1430-1451 . 百度学术
42. 徐连兵,卓锦德,张凯. 大型煤电化基地固废分质分类资源化利用研究. 中国煤炭. 2022(07): 131-136 . 百度学术
43. 吴昊天,王晨光,黄进,耿可明. 新疆煤渣对高铬砖侵蚀性能的影响. 煤化工. 2022(04): 70-73+100 . 百度学术
44. 王艳,左震,文波,高冠一. 煤矸石粗集料理化性质和形状特征对混凝土强度的影响. 矿业科学学报. 2022(05): 554-564 . 百度学术
45. 张强,王云搏,张吉雄,左小,杨军辉,张昊,巨峰,孙忠良,魏连河,史磊. 煤矿固体智能充填开采方法研究. 煤炭学报. 2022(07): 2546-2556 . 百度学术
46. 吴蒙,秦云虎,李国璋,申建,宋雪娟,朱士飞,韩磊. 煤炭地下气化影响因素及评价方法研究进展. 煤炭科学技术. 2022(08): 259-269 . 本站查看
47. 王玉涛. 煤矸石固废无害化处置与资源化综合利用现状与展望. 煤田地质与勘探. 2022(10): 54-66 . 百度学术
48. 黄艳利,郭亚超,齐文跃,李俊孟,高华东,欧阳神央,吴来伟,阮泽宇. 西部典型矿区采动地下水流场演变特征与工作面涌水控制技术. 中国科学基金. 2022(06): 1016-1026 . 百度学术
49. 杨科,赵新元,何祥,魏祯. 多源煤基固废绿色充填基础理论与技术体系. 煤炭学报. 2022(12): 4201-4216 . 百度学术
50. 李衡,刘伦强,周雪军. 新疆润田煤矿矸石充填开采系统设计. 科技创新与应用. 2021(18): 78-79+83 . 百度学术
51. 董兴玲,董书宁,王皓,王宝,王强民,周振方,张溪彧. 古土壤层对煤矸石淋滤液中典型污染物的防污性能. 煤炭学报. 2021(06): 1957-1965 . 百度学术
52. 于昊辰,陈浮,尹登玉,韩晓彤,牟守国,雷少刚,卞正富. 采矿与气候变化对戈壁矿区土地生态系统的影响——以准东煤炭基地为例. 煤炭学报. 2021(08): 2650-2663 . 百度学术
其他类型引用(18)