煤矸石分選是保障煤炭清潔、高效利用的一個(gè)重要環(huán)節(jié)。為順應(yīng)煤矸分選技術(shù)自動(dòng)化、智能化的發(fā)展趨勢(shì),本團(tuán)隊(duì)設(shè)計(jì)了一種煤矸分揀機(jī)器人,該機(jī)器人應(yīng)用圖像目標(biāo)檢測(cè)技術(shù)識(shí)別、定位煤矸石,使用氣動(dòng)機(jī)械手爪抓取矸石完成排矸任務(wù)。煤矸石圖像目標(biāo)檢測(cè)是煤矸分揀機(jī)器人進(jìn)行自動(dòng)分選的關(guān)鍵技術(shù)之一,傳統(tǒng)檢測(cè)方法側(cè)重于對(duì)煤矸石圖像識(shí)別的研究,存在圖像處理過(guò)程復(fù)雜、識(shí)別算法應(yīng)用場(chǎng)景受限等問(wèn)題。針對(duì)上述問(wèn)題,本文在分析總結(jié)前人研究工作的基礎(chǔ)上,提出采用深度學(xué)習(xí)技術(shù)進(jìn)行煤矸石目標(biāo)檢測(cè)的方法,解決煤矸石的識(shí)別與定位問(wèn)題,為機(jī)器人分選排矸提供依據(jù)。主要研究?jī)?nèi)容如下:針對(duì)目前尚不存在一個(gè)公開(kāi)可用的煤矸石數(shù)據(jù)集的問(wèn)題,依據(jù)PASCAL VOC數(shù)據(jù)集中的圖像樣本特征與格式,收集不同場(chǎng)景下的煤矸石圖像樣本,采用篩選、樣本擴(kuò)充等方式預(yù)處理圖像,在此基礎(chǔ)上標(biāo)注圖像并構(gòu)建煤矸石數(shù)據(jù)集。根據(jù)煤矸石檢測(cè)模型的選取要求,提出基于Faster R-CNN算法的煤矸石圖像檢測(cè)方法,并給出煤矸石檢測(cè)的整體流程。為了減少煤矸石檢測(cè)模型的訓(xùn)練時(shí)間和資源,采用遷移學(xué)習(xí)方法預(yù)訓(xùn)練模型,在此基礎(chǔ)上應(yīng)用煤矸石數(shù)據(jù)集訓(xùn)練得到基于Faster R-CNN算法的煤矸石... 

【文章來(lái)源】：西安科技大學(xué)陜西省

【文章頁(yè)數(shù)】：67 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

018年我國(guó)能源

1緒論11緒論1.1選題背景及研究意義煤炭作為我國(guó)的傳統(tǒng)能源之一，與國(guó)民經(jīng)濟(jì)發(fā)展和人民生活息息相關(guān)，在我國(guó)能源結(jié)構(gòu)中占據(jù)主導(dǎo)地位。如圖1.1所示，2018年我國(guó)煤炭消費(fèi)需求為27.4億t標(biāo)準(zhǔn)煤，占能源消費(fèi)總量的59%；預(yù)計(jì)到2025年我國(guó)煤炭消費(fèi)需求為28億~29億t標(biāo)準(zhǔn)煤，占能源消費(fèi)總量的50%~52%[1]�？梢钥闯�，在未來(lái)一段時(shí)間內(nèi)，我國(guó)對(duì)煤炭的需求總量將保持穩(wěn)定。在當(dāng)前以能源與環(huán)境為主題的現(xiàn)代社會(huì)，煤炭的清潔高效集中利用顯得尤為重要。其中，煤矸石分選作為煤炭高效利用的前提，已經(jīng)引起了煤炭行業(yè)的廣泛關(guān)注與重視。（a）2018年（b）2025年圖1.12018年我國(guó)能源消費(fèi)結(jié)構(gòu)及2025預(yù)測(cè)矸石是煤炭開(kāi)采和加工過(guò)程中產(chǎn)生的一種低碳固體廢物。若在煤炭燃燒前不對(duì)矸石進(jìn)行處理，不僅會(huì)增加煤炭后期加工的難度與成本，而且會(huì)降低煤炭的發(fā)熱量、加重污染物的排放[2][3]，因此需要采取分選煤矸石的方式以減少排放、提高煤質(zhì)。目前，我國(guó)煤矸石分選主要有人工揀矸、機(jī)械濕選法和干選法三種方式。人工揀矸依靠揀矸工人自身的經(jīng)驗(yàn)進(jìn)行判斷從而將大塊矸石揀出，這種方式的工作環(huán)境惡劣，揀矸結(jié)果存在主觀性和不穩(wěn)定性，工作效率也很難提升。機(jī)械濕選法主要包括重介、跳汰等方式，利用機(jī)械化設(shè)備代替手選預(yù)排矸，同時(shí)，加大分選的自動(dòng)化控制程度，能夠更進(jìn)一步提升分選效率[4][5]。但是我國(guó)70%以上的煤炭資源處于西部水資源匱乏地區(qū)[6]，水資源耗費(fèi)問(wèn)題使得濕選法不適合在該地區(qū)長(zhǎng)期使用和推廣。由于濕選法的局限性，干選法分選技術(shù)得以迅速發(fā)展。目前，干法分選應(yīng)用較為成熟的主要有復(fù)合式干法分選機(jī)、風(fēng)力干法分選機(jī)、塊煤智能干選機(jī)等[5][7]�？梢钥闯�，為符合我國(guó)的可持續(xù)發(fā)展戰(zhàn)略以及滿足煤炭的生產(chǎn)需求，煤矸石分選技

西安科技大學(xué)碩士學(xué)位論文4圖1.2基于X射線的煤矸石分選系統(tǒng)中國(guó)礦業(yè)大學(xué)王衛(wèi)東、張晨分析煤矸石井下分選回填及綜合利用的需求，提出了一種煤矸光電分選系統(tǒng)[29]，如圖1.3所示。該系統(tǒng)利用激光三維掃描法和動(dòng)態(tài)稱重技術(shù)分別測(cè)量煤或矸石的體積和重量?jī)蓚�(gè)特性，由體積和重量得出密度，以密度特性的不同識(shí)別煤和矸石，最終通過(guò)高壓氣閥改變矸石的下落軌跡分離煤矸石。圖1.3煤矸光電分選系統(tǒng)對(duì)上述煤矸石圖像檢測(cè)研究的梳理可以發(fā)現(xiàn)，進(jìn)行煤矸石識(shí)別之前研究人員大多以試驗(yàn)的方式人為設(shè)計(jì)并選取識(shí)別特征，這存在難以全面理解煤矸石特征從而影響分選準(zhǔn)確率的問(wèn)題，對(duì)于實(shí)際工作環(huán)境中煤矸石特征的分析和理解，仍需要在理論、算法、工藝等方面開(kāi)展研究。近年來(lái)，許多深度學(xué)習(xí)模型作為深層次的網(wǎng)絡(luò)結(jié)構(gòu)模型逐漸被提出，其強(qiáng)大的特征提取能力比傳統(tǒng)方法的人為特征提取具有明顯的優(yōu)勢(shì)。目前，深度學(xué)習(xí)技術(shù)在車牌識(shí)別、人臉識(shí)別、物體檢測(cè)等方面應(yīng)用廣泛，相關(guān)研究者也開(kāi)始將其應(yīng)用于煤矸石圖像檢測(cè)中，使得煤矸石分選技術(shù)得到了進(jìn)一步的發(fā)展。L.Su等從輸入尺寸、激活函數(shù)、網(wǎng)絡(luò)深度等方面對(duì)經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)LeNet-5進(jìn)行改進(jìn)，對(duì)其訓(xùn)練之后獲得能夠識(shí)別煤矸石圖像的網(wǎng)絡(luò)模型，能夠達(dá)到對(duì)煤矸石圖像的識(shí)別與分

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)下的計(jì)算成像:現(xiàn)狀、挑戰(zhàn)與未來(lái)[J]. 左超,馮世杰,張翔宇,韓靜,陳錢.  光學(xué)學(xué)報(bào). 2020(01)
[2]面向煤矸分揀機(jī)器人的多機(jī)械臂協(xié)同策略[J]. 曹現(xiàn)剛,吳旭東,王鵬,李瑩,劉思穎,張國(guó)禎,夏護(hù)國(guó).  煤炭學(xué)報(bào). 2019(S2)
[3]2025年中國(guó)能源消費(fèi)及煤炭需求預(yù)測(cè)[J]. 謝和平,吳立新,鄭德志.  煤炭學(xué)報(bào). 2019(07)
[4]基于多任務(wù)學(xué)習(xí)的深層人臉識(shí)別算法[J]. 楊恢先,陳凡,甘偉發(fā).  激光與光電子學(xué)進(jìn)展. 2019(18)
[5]基于多機(jī)械臂協(xié)同的煤矸分揀方法研究[J]. 曹現(xiàn)剛,費(fèi)佳浩,王鵬,李寧,蘇玲玲.  煤炭科學(xué)技術(shù). 2019(04)
[6]基于PSO優(yōu)化NP-FSVM的煤矸光電智能分選技術(shù)研究[J]. 郭永存,于中山,盧熠昌.  煤炭科學(xué)技術(shù). 2019(04)
[7]我國(guó)干法選煤技術(shù)發(fā)展現(xiàn)狀與應(yīng)用前景[J]. 張振紅.  選煤技術(shù). 2019(01)
[8]西部煤炭綠色開(kāi)發(fā)地質(zhì)保障技術(shù)研究現(xiàn)狀與發(fā)展趨勢(shì)[J]. 王雙明,段中會(huì),馬麗,張育平.  煤炭科學(xué)技術(shù). 2019(02)
[9]卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測(cè)中的應(yīng)用綜述[J]. 于進(jìn)勇,丁鵬程,王超.  計(jì)算機(jī)科學(xué). 2018(S2)
[10]不同照度下煤矸圖像灰度及紋理特征提取的實(shí)驗(yàn)研究[J]. 王家臣,李良暉,楊勝利.  煤炭學(xué)報(bào). 2018(11)

碩士論文
[1]基于深度學(xué)習(xí)的油菜典型害蟲(chóng)快速檢測(cè)研究[D]. 曾鴻.浙江大學(xué) 2019
[2]復(fù)雜監(jiān)控場(chǎng)景下車輛檢測(cè)方法研究[D]. 沈冉冉.安徽大學(xué) 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡(luò)的小目標(biāo)檢測(cè)[D]. 郭之先.南昌航空大學(xué) 2018
[4]基于圖像處理技術(shù)的煤矸識(shí)別與分選技術(shù)研究[D]. 譚春超.太原理工大學(xué) 2017
[5]基于X射線圖像的煤矸石智能分選控制系統(tǒng)研究[D]. 袁華昕.東北大學(xué) 2014
[6]基于X光圖像處理的煤矸石自動(dòng)分選系統(tǒng)的研究[D]. 耿秀云.東北大學(xué) 2014
[7]小波分析在煤矸石圖像識(shí)別ARM分選控制系統(tǒng)中的應(yīng)用[D]. 臧潔.西安科技大學(xué) 2008



本文編號(hào)：3017324