图像AI识别在煤炭运输中的应用研究

任富强、李刚、康宇全

（贵州省煤矿设计研究院有限公司，贵州贵阳 550025）

0 引言

我国是当前世界上最大的煤炭生产国及消费国，煤炭资源在我国的能源结构中占据重要地位。煤炭开采环境复杂，从生产到最终发运到全国各地，需要通过煤炭运输环节来实现，如果对该环节的工作监控管理不到位，就容易造成大量的资源浪费。当前，煤炭产业引入了图像AI 识别技术，用以提高煤炭运输效率，避免资源浪费。图像识别是AI 技术的一大重要领域。在煤炭运输作业中，主要应用的是图像识别技术中的机器视觉技术，通过摄像头、传感器等外接设备，获取图像，分析作业过程中存在的各种隐患，还能通过相应算法选取最佳运输路线，能够有效提高运输的安全性及便捷性。

1 基于图像识别技术的煤矿运输皮带异物检测

1.1 异物来源及危害

因生产环境复杂，煤炭中易掺杂异物，其中的异物主要为矸石和金属器物两类。煤炭采集和清洗过程中会排放出固体废物，这种固体废物就是矸石，矸石与煤层伴生，颜色与煤相近，硬度高于煤，碳含量低于煤。煤矿页岩、煤层之间的巷道排出的部分砂石也属于矸石。在机械化、自动化程度较高的矿山，矸石会不可避免地与煤炭混合在一起，其含量一般达17%左右。金属器物主要是铁器，且多为较大的铁器，如工字钢、钢板、开采工具等。这类异物多是工作人员将各类物品遗失在煤仓上口或者溜眼等位置导致的。此外，煤炭运输皮带的挡煤、给煤设备固接不牢，也会导致物品掉落成为异物。

皮带是动力传输与煤炭之间的介质，将煤炭从生产区域运输出来一般需要通过运输皮带来完成。煤矿产业的生产任务非常繁重，运输皮带的运行时间很长，想要保证安全生产，就必须确保皮带正常运转且不受损害。煤矿运输作业中采用的皮带价格较高，质量上乘，一般要求使用6年以上。在煤炭运输过程中，异物的锋利边角会造成皮带撕裂破损。如果在运行过程中异物损坏皮带，则会导致一定的经济损失，以及耽误工时的损失等。为了避免运输系统停滞瘫痪，影响生产效率，带来经济损失以及避免给工作人员带来安全威胁，必须快速定位异物并剔除。而在煤炭运输工作中借助图像AI 识别技术，可将异物迅速定位。

1.2 基于AI 深度学习的煤炭运输皮带异物识别系统

1.2.1 基于AI 深度学习的煤炭运输皮带异物识别可行性

基于AI 深度学习的机器视觉技术在煤炭产业中有极大的应用价值，该技术主要是通过图像定位检测对象的位置。因异物问题较为严重且不易被发现，故对目标检测的要求较高，传统的检测方法无法同时满足实时、迅捷两个要求。AI 深度学习概念在图像分类领域以及对象检测领域有着较好的表现。深度神经网络可以通过多层网络逐层筛选对象信息特征，将低级特征不断组合，生成抽象的高级特征，借助函数计算提升模型的拟合能力，完成学习过程。深度神经网络具备多层映射结构，更加逼近复杂函数，加之具备特征提取能力与持续学习能力，能够建立起最符合煤炭运输皮带运行环境的模型。同时，卷积神经网络的对象检测算法可以快速完成检测，检测精度也符合要求，在煤炭运输过程中，能够达到检测实时性与精确性的平衡。目前，我国的煤矿企业都实现了运输皮带视频监控和集控设备配套，每个皮带的机头部位置和转载位置都安装了图像识别摄像头，工作人员可以远程监控运输皮带的实时情况。在深度识别运输皮带上异物的识别算法中，Faster R-CNN 系列的应用较为广泛，目前该算法的检测速度和精度更高，可高效完成基于AI 深度学习算法的煤炭运输皮带异物识别工作。

1.2.2 基于AI 深度学习的煤炭运输皮带异物识别优势

传统的煤炭运输皮带异物检测方式中的对象检测流程如下：首先，查询系统所获取的图像，对所有可能存在异物的皮带位置进行搜索。其次，对以上搜索区域进行特征提取。再次，运用分类器对搜集到的特征进行分类，同时对是否存在异物对象做出判断。最后，输出检测结果。该方式的遍历过程较长，使得检测的实时性不高，降低了系统的整体检测性能。

传统的对象检测算法有一定的局限性，仅适用于背景非常简单、对象特征很明显的场景。而煤炭运输的作业环境较为复杂，传统的对象检测算法的检测效果自然不佳。基于AI 深度学习的检测算法，可以应对复杂多变的背景以及特征多变或不明显的对象，能够更准确地完成对象检测。基于AI 深度学习的检测算法所能提取的对象特征更丰富、更细致，加之利用大量数据训练模型算法，该算法更健壮，可应对的场景更广泛。传统的机器学习对象检测方式侧重于提取对象特征、解释对象特征。基于AI 深度学习的对象检测算法，可利用多层卷积神经网络自学习，不需要人为设定对象特征，对象特征表达能力强、检测精度高，且随着AI 技术的不断发展，系统的学习能力和图像处理能力更强，能够更好地适应煤炭运输作业环境，光照条件差、煤尘干扰多、视觉环境复杂等问题均不会影响检测效果，目前该算法已基本取代传统算法，成为当前图像识别中的主流技术。并且，基于AI深度学习的对象检测系统安装简单、维护简便，长期应用的成本较低。

1.2.3 基于AI 深度学习的煤炭运输皮带异物识别方法

基于AI 深度学习的图像识别算法能够通过模拟人的神经系统，提取图像中的对象特征数据，挖掘深层次特征，更好地进行对象分类。卷积神经网络Faster R-CNN 是专门针对图像识别而构建的神经网络，可模仿人类的识别过程进行图像处理和对象识别。在此基础上，研究人员发现了基于区域的高速卷积网络Faster R-CNN，能够更快地完成检测，使用区域建议网络完成目标监测，可提高检测实时性。在煤矿运输作业中，Faster R-CNN 能够快速地完成对象检测，识别矸石和金属器物。

AI 深度学习检测方式运用的辅助方法有如下几种：第一，中值滤波法，将统计结论进行排序完成噪声抑制，属于非线性信息处理方式，可以对图像进行降噪，能够有效解决煤矿传输作业环境阴暗、灰尘较多的问题。第二，直方图分析法，增强图像的局部对比度，借助图像直方图的对比度进行图像分析。第三，自适应均衡化方法，先计算出直方图，然后重新分布亮度，再次调节图像对比度，通过改进对比度获得更多细节，取得更好的图片处理结果。第四，Faster RCNN，可解决不同图像对象的输入问题，提高检测的准确度和实效性。

2 运用图像跟踪识别技术对进出煤炭厂区的车辆进行监控

2.1 图像跟踪识别技术连续帧差法监控技术概述

连续帧差法监控技术是基于对煤炭运输过程的把控和保护提出的。在煤场运输点的出入口位置安装视频监控头，对所有进出运输点的车辆进行管理和监控，判断是否放行。监控系统借助连续帧差法，并结合车牌识别技术，可避免摄像头从某个特定角度进行目标监控，导致错失目标或者监控错误。系统控制云台旋转，可从不同角度进行扫描，获取车牌不同角度的清晰图像，识别速度和准确度更高。

在追踪车牌对象的过程中运用连续帧差法，选用双峰法确定最佳值，计算车牌对象运动区域，将目标与背景分割开来，形成容易记录和识别的二值图像。图像中可能含有白噪点、空点、孤立点，会影响系统甄别。为此，可引入卡尔曼滤波预测车牌对象下一时刻所处的位置，进而实现全过程跟踪。将扫描结果实时上传给计算机进行识别，连接车牌识别系统，将采集结果与系统数值相对应，验证车牌的合法性，最终判断是否放行。

根据煤场运输点环境，进行连续帧差法的硬件选型、安装和调试，完成系统集成，通过车牌识别、云台控制等模块，实现监控管理功能。系统对进出运输场的速度低于70km/h 的车辆进行图像采集、追踪、识别，车牌识别速度需达到每幅图像小于0.3s 的要求。系统与车辆信息数据库相连，可将追踪到的车辆信息与数据库中的信息相对照，且查询车辆信息数据库的时间不得大于0.3s。系统拍摄的图像在处理前后都要做到可以由人眼识别，系统识别准确率需高于96%。同时，要求系统前端至少可以连续运行一个月不出现系统宕机、死机等问题。

2.2 图像跟踪识别技术连续帧差法监控技术工作原理

针对煤场运输点进出口车辆监控工作的图像跟踪识别系统，主要是基于连续帧差法原理，该系统主要由云台模块、摄像模块、目标追踪识别模块、车辆识别模块等组成。由于煤场运输点并无统一的引导栅栏，所以云台要不断运动，以追踪车辆、捕捉图像，并加以识别。车辆来到监控设备工作区域时，上位机收到信号，启动云台和摄像头，系统同步进行跟踪、识别、查询工作。

图像跟踪识别系统分为以下几个部分：车辆到达感应部分、云台控制部分、计算机部分、车辆识别部分、云台控制部分。

车辆到达感应部分采用的是图像AI 识别中常见的地磁感应器。在运输点入口7m 左右的位置安装感应器，车辆到达后感应器会将车辆信息传达给计算机，计算机发送信号给监控摄像头，摄像则开始采集车辆图像。

图像采集部分使用的是CCD 摄像设备。摄像头对进入监控区域的车辆进行拍照，系统将照片图像传送给计算机，用以识别车牌号。为避免出现不清晰图像，一般抓拍4 张照片，以提高识别效率，使系统能够快速完成识别。

云台控制设备持续追踪汽车行驶轨迹，如果车牌被障碍物遮挡，或者司机主观遮挡，云台则会俯仰运动或者左右摇摆，直至获取合格的车牌号图像。

计算机存储、管理、搜集所有车辆信息，其中包括车牌号、车辆信息、车主信息、进出时间、车辆进出时的重量等。计算机要不断从地磁传感器中调取车辆信息，将指令传递给云台与监控摄像头，实时完成图像采集、跟踪、识别。

3 利用图像AI 识别蚁群算法进行运输路线选择

3.1 图像AI 识别蚁群算法

蚁群算法是一种用来寻找优化路径的概率型算法。该算法的创始人称，其灵感源于蚂蚁在寻找食物过程中发现路径的行为。该算法是一种模拟算法，模拟过后完成进化，且相关研究和应用都证明，该算法具有很好的适用性。蚂蚁觅食过程中，单一成员行为很简单，但是蚁群却可以呈现智能选择行为。蚁群可在不同环境下寻找到最短的可达食物源的路径，这是因为蚁群内部的个体可以通过信息机制完成信息传递，在路径上释放“信息素”，所有个体感知到信息素，沿着信息素浓度最高的路径行进，形成正向反馈。经过一段时间的尝试，蚁群就能够找到通往食物源的最短路径了。

3.2 图像AI 识别技术蚁群算法在煤炭运输路径选择中的应用

运用蚁群算法计算煤炭运输过程中最短时间内的最佳路径，能够提高煤炭运输效率，特别是在紧急调运的情况下，能够大大提高煤炭运输的应对能力。其工作原理如下：将煤炭运输路径选择转换为图像AI识别问题，通过计算机将采集的图像转化为数字矩阵，存放于数据库，通过特定算法进行数据分析。

应用蚁群算法选择煤炭运输路径时，要求系统在煤炭运输过程中搜集部分图片，将所有数量元素提取成为数学计算元素，设置运输次数，设定禁忌区域。根据两地距离、运输成本、损耗、禁忌等数据，将“蚂蚁”的地点从原煤场转移到目的地，遍历所有可选路径，计算所有路径上的信息量。对比信息量，进行动态调整，所有“蚂蚁”都收敛到同一条路径，则该路径为最优路径。对该方法进行仿真验证，发现运用蚁群算法得到最优路径比传统方法便捷，运输目的地的数量越多，最优路径和其他路径的差距越大，更容易选出最优路径，可见此算法的优势较为明显。

4 结语

在煤炭运输皮带异物识别、运煤进出口车辆对象识别、煤炭运输路线设计等环节，应用图像AI 识别技术，能够极大地提高煤炭运输作业的效率与安全水平，并且能够有效减少资源浪费。但该技术在煤炭运输作业中的应用尚存在一些不足，仍需相关领域研究人员加大研究力度，以不断提高其工作效率与精准度，大幅度提高煤炭运输效能，促进煤炭产业可持续发展。