打开文本图片集

摘要  带式输送机保持正常运行对煤矿企业的安全生产起着极其重要的作用。针对现有煤矿井下带式输送机工作状态识别算法存在的识别效率较低的问题，提出一种基于深度特征提取的带式运输机工作状态识别算法。实验结果表明本文算法识别准确率可以达到98.73%，较传统带式运输机状态识别方法有较明显的提升，具有良好的工程应用价值。

关键词 ：带式输送机；状态识别；特征提取；特征连接

中图分类号 TP391.4     文献标识码 A

Abstract The normal operation of the belt conveyor plays an extremely important role in the safe production of coal mining enterprises. Aiming at the problem of low identification efficiency in the existing coal mine belt conveyor working state identification algorithm， a working state identification algorithm of belt conveyor based on depth feature extraction is proposed. The experimental results show that the recognition accuracy rate of the algorithm in this paper can reach 98.73%， which is significantly improved compared with the traditional belt conveyor state recognition method， and has good engineering application value.

Key words  Belt conveyor; Coal stack detection; Feature extraction; feature link

OCIS codes  110.3080; 100.5010; 100.4998; 100.3008

0 引言

带式输送机系统在煤矿作业中被广泛应用，采煤工作过程的复杂性造成带式输送机上煤流量大小不等，某段时间内煤流量过大容易造成皮带堆煤事故发生，若未及时得到处理将对带式输送机设备以及工人人身安全带来严重的安全隐患，同时容易造成煤矿企业较大的经济损失。因此，建立一种可靠的带式输送机工作状态识别算法具有较大的意义[1-2]。

目前，大多数煤矿企业依赖传感器识别带式输送机工作状态，但由于煤矿环境煤尘较多、湿度较大，依赖传感器的方式无法全方位识别，容易出现漏检，可靠性较差。近年来，卷积神经网络在图像识别领域的应用越来越广泛，深度的图像特征提取与工作性能稳健等优点可以有效提升识别过程的可靠性。迁移学习[3]的出现则解决了CNN训练过程中参数量训练巨大，收敛缓慢的问题。基于以上考虑，为了有效解决现有带式输送机工作状态识别方法的不足，本文提出一种基于深度特征提取的带式输送机工作状态识别算法。

采用迁移学习方法训练适用于本文的网络模型，将原有带式输送机工作状态数据集图片水平旋转180°，制作一份新的位置信息相反的数据集，文中将原有数据集称为A database，所制作的新数据集称为B database。之后分别用网络模型训练原有数据集以及方向旋转后的数据集，并保存网络模型。对以上所得网络模型参数进行调整以提取出方向不同的带式输送机工作状态数据集深度特征信息，并将提取出的特征信息对应连接，形成该数据集的双向特征，最终经SVM[4-7]分类器训练、测试，完成识别实验。

1 深度学习技术

深度学习由最初的神经网络发展而来，硬件设备计算能力的提升，使得较为复杂的网络参数训练更为有效，大规模的数据训练增强了网络的稳健性，在防止过拟合发生的同时，减少对数据先验知识的依赖。目前，深度学习已经成为一个研究热点，是人工智能领域最重要的组成部分。本文利用深度网络提取带式运输机工作状态图像特征，为后续的SVM识别提供更多的输入特征，此举可以有效提高识别模型的准确性。

2 迁移学习训练单向带式运输机工作状态网络模型

本节采用迁移学习训练网络模型，首先使用经ImageNet数据集训练得到的模型权重对网络训练进行参数初始化。之后将A database、B database两份带式运输机工作状态数据集的训练集图片分别输入模型进行调整，得到不同网络下适用于各自分类任务的网络模型，为后续的深度特征提取实验做准备。

2.1 卷积神经网络模型选取

LeNet5[8]是CNN研究工作的开端，AlexNet[9]与VggNet[10]均是对LeNet5的改进。随着网络深度加深，训练过程开始出现梯度弥散、过拟合等现象。为解决这些问题， ResNet[11]等优秀网络依次被提出，ResNet引入残差计算，加深网络深度的同时，提高了网络性能，同时基于残差的学习可以提取到更好的图像特征[12]。Capisi等[13]提出一种精度高且性能稳定的网络模型，该模型在不同质量图像和旋转缩放平移图像的情况下均可提取得到较丰富的图像特征。综上，选取引入残差模块的ResNet50网络模型训练单向带式运输机工作状态数据集。

2.2 数据集与网络训练环境

本节采用的网络模型为经大量ImageNet数据集训练后的ResNet50，采用的数据集为自建带式运输机工作状态数据集，分为“空载”、“正常”、“堆煤”3种。将ResNet50网络模型应用于A database、B database两份数据集并进行参数调整，得到适用于带式运输机工作状态识别的网络模型。本文采用的单向特征提取的识别模型如下图1所示。

采用CNN进行网络模型训练，进行多次迭代和参数调整后得到A database、B database两份数据集对应的网络模型。分类、识别步骤中，将待测样本特征与训练集样本特征进行相似度计算，得到概率输出值，根据概率值的大小进行分类、识别，具体为经过Softmax分类函数返回所有图像类别的概率值，其中最大概率值对应的标识类别即是网络认定识别正确的对象。

2.2.1 数据集介绍

表1为带式运输机工作状态数据集的基本描述。

模型训练前，将A、B两份数据集随机划为训练集及测试集，比例为3：1，数据集的具体划分方式如表2。

2.2.2 网络训练环境

文中的网络训练环境为Ubuntu 64位操作系统，内存为64GB，GPU为GeForce GTX Titan-X，CPU为Inter Core i5-5200U，编程语言为Python 3.6，深度学习框架为keras、Tensorflow，第3节的实验环境与本节相同。网络训练过程参数设置如表3。

2.3 网络训练与测试结果

以上两份数据集的训练过程中，验证集的损失变化曲线及识别准确率分别如图2 （a）、2（b）所示，横坐标含义为网络迭代步数；图2（a）纵坐标含义为A database与B database的验证集损失，图2（b）纵坐标含义为A database与B database验证集的识别准确率。

根据实验结果分析得知，随着网络训练迭代次数增加，A database与B database验证集的准确率与损失均能在ResNet50网络模型下收敛至稳定状态。

表4中内容为使用训练完毕的ResNet50网络模型在A database与B database两份带式运输机工作状态测试集上测试得到的识别准确率。

3 基于深度特征提取的带式运输机工作状态识别算法

3.1 算法原理

本文算法充分考虑到了方案的合理性、可行性。传统的CNN提取图像特征的过程是自左往右、自上而下，本文算法包含两次方向相反的图像特征提取过程，同一张图片经过此步骤能获得更丰富的特征信息。此外，提取得到的两份图像特征之间具有固定位置关系，可通过图像配准方法进行保存，这为进一步推进实际应用提供了可行性。

算法实施步骤如下：

（1）获取带式运输机工作状态数据集图像，制作位置信息反向的数据集，对两份数据集进行图像预处理操作；

（2）搭建ResNet50网络结构，移除网络最后的分类层，在其后加入池化层以及2048维全连接层，以此作为图像特征提取器；

（3）将A database、B database分别输入搭建好的网络模型，分别输出2048维特征向量，以此作为单向数据集图像的特征信息表示；

（4）将两份数据集图像的特征对应连接在一起，形成带式运输机工作状态数据集的双向特征。经过上述处理得到4096维的特征向量，最后将连接得到的特征向量通过SVM训练与测试，得到识别结果。

特征连接实验中，首先对原始的带式运输机工作状态与位置变换后的图像进行特征提取，此过程是为了将原始复杂信息简单化，获取类间差异大，类内差异小的特征。然后将经过提取后的特征信息通过连接形成新的图像特征。新特征作为后续特征匹配输入，进行最终识别。

3.2 实验结果与分析

所提算法对带式运输机工作状态的实验结果如表5所示。

由表4、表5可知，本文算法所得识别准确率为98.73%，较ResNet50网络模型下的单向带式运输机工作状态数据集识别准确率有着不同程度的提升。

所提算法实验结果与文中单向带式运输机工作状态数据集实验结果以及所引用的较新的识别算法结果对比如表6所示，文献 [14] 所采用的识别算法为基于视觉测量的非接触式胶带堆煤检测；文献[15]采用CAN总线+Sobel算法实现堆煤检测。由表6可知，本文算法具有最高的准确率，存在着较大的识别优势。

以上实验对比环节说明本文算法具有较高的带式运输机工作状态识别准确率，这与图像特征提取环节获得到更多的、更丰富的特征信息是分不开的，本文算法弥补了以往算法中带式运输机工作状态特征提取过程中深度信息的不足，对后续的识别步骤产生了积极的影响。综上，本文算法具有一定的实际应用价值。

4 结论

本文通过分析当前带式运输机工作状态识别算法识别效率较低的问题，提出一种基于深度特征提取的带式运输机工作状态识别算法。算法的思想是同一份图片经过两次方向不同的图像特征提取能获得更多的、更丰富的特征信息，进而给识别结果带来积极影响。实验结果证实了本文算法能取得较高的识别准确率。与文中所引用的较新的识别算法相比，本文算法依然具有较好的识别效果，故其用于带式运输机工作状态识别系统中具有较大优势。

参考文献

[1] 李小萌，赵巧蓉.基于图像处理的煤矸识别技术研究进展及方向[J].现代矿业，2021，37（11）：200-203.

[2] 谢文治，徐辉，刘冬.基于图像处理的皮带堆煤检测研究[J].电子世界，2014，（07）：83-84.

[3] Pan S J， Yang Q. A survey on transfer learning [J]. IEEE Transactions on Knowledge and Data Engineering， 2010， 22（10）： 1345-1359.

[4] Wu J D， Liu C T. Finger-vein pattern identification using SVM and neural network technique [J]. Expert Systems with Applications， 2011， 38（11）： 14284–14289.

[5] 唐守锋，史经灿，周楠，等.基于改进CNN—SVM的甲烷传感器数显识别方法[J]. 工矿自动化，2022，48（01）：53–57.

[6] 秋兴国，李靖. 基于IWOA-SVM的煤矿突水预测模型[J]. 工矿自动化，2022，48（01）：53–57.

[7] 刘冬梅，王浩然，刘春，等.基于GSA-SVM的谱仪放大器故障诊断研究[J].传感器与微系统， 2021（12）：62-65.

[8] LeCun Y， Bottou L， Bengio Y， et al. Gradient-based learning applied to document recognition [J]. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.

[9] Krizhevsky A， Sutskever I， Hinton G E. ImageNet classification with deep convolutional neural networks[C]// Advances in Neural Information Processing Systems 25 （NIPS 2012）， December 3-6， 2012， Lake Tahoe， Nevada， USA. New York： Curran Associates.， 2012： 1097-1105.

[10] Hong H， Lee M， Park K. Convolutional neural network-based finger-vein recognition using NIR image sensors [J]. Sensors， 2017， 17（6）： 1297-1318.

[11] He K M， Zhang X Y， Ren S Q， et al. Deep residual learning for image recognition [C] //2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， 2016：770-778.

[12] Lu Y S， Li Y X， Liu B， et al. High based on deep residual network Spectral remote sensing data monitoring [J].Acta Optica Sinica，2017，37（11）：1128001.

[13] Capisi P， Piciucco E， Maiorana E， et al. Convolutional neural network for finger-vein-based biometric identification[J]. IEEE Transactions on Information Forensics and Security， 2019， 14（2）： 360-373.

[14] 王健生，郭鹏，郝震，等. 基于视觉测量的电厂输煤胶带堆煤检测[J]. 工矿自动化， 2016，42（08），43-47.

[15] 徐慧琼，王庆福.机器视觉在堆煤检测系统中的应用[J].煤炭技术，2022，41（07），163-165.