一种基于摄像头数据的旋流器堵塞及预警检测方法与流程

1.本发明涉及一种煤矿旋流器堵塞及预警检测方法，尤其适用于选煤厂使用的基于摄像头数据的煤矿旋流器堵塞及预警检测方法。


背景技术：

2.随着国家能源发展方式的转变和可持续发展战略的提出，对煤炭质量的要求越来越高， 如何清洁高效利用煤炭资源，推进煤炭绿色低碳发展，是解决环境污染的主要手段，而煤炭洗选作为煤炭洁净利用的源头技术，是提高煤炭利用效率、减少环境污染的主要途径之一。在煤炭洗选加工工艺中，因为旋流器堵塞，选煤厂生产过程就会中断，进而造成企业更大的经济损失，及时发现旋流器堵塞并预警，避免严重的事故已经成为重要技术攻关。


技术实现要素：

3.本发明的目的：提供一种检测效果好，精度高的基于摄像头数据的煤矿旋流器堵塞及预警检测方法。
4.为实现上述技术目的，本发明的基于摄像头数据的煤矿旋流器堵塞及预警检测，步骤如下：步骤1：在旋流器上方入料口处安装矿用摄像头c1，在旋流器下方出料口处安装矿用摄像头c2，利用矿用摄像机采集旋流器入料和出料的视频图像；步骤2：由于矿用摄像机采集的视频图像中含有较多与煤无关的背景，因此对采集到的视频图像进行裁剪，最大化的裁剪出只含有煤的视频图像；步骤3：在入料的过程中使用矿用摄像机c1对煤料进行拍摄获取图像，用视觉识别算法将图像划分成s
×
s的网格，同时利用每个单元格去检测那些中心点落在该格子内的目标，每个单元格预测b个边界框以及边界框的置信度（conf），边界框的预测有4个组成部分:(x,y,w,h)。其中(x,y)表示真实目标的中心位置坐标，边界框的w和h预测值是真实目标边界框的宽和高，对整张图片目标位置类别的预测可以用一个s
×
s
×
(b
×
5 c)的张量表示，其中5代表目标边界框(x,y,w,h)和这个格子对于目标的置信度conf，共5个参数；步骤4：基于视觉识别算法预测每个目标有多个边界框，使用非最大抑制（nms）技术筛选出每个目标最好的边界框，即在图像中为每个煤料检测出唯一一个边界框，统计视频图像中每一帧检测的煤量；步骤5：为了确保预测精度，对检测出来的煤料数据首先进行归一化处理，即式中：x
max
为所有输入数据x中的最大值；x
min
为所有输入数据x中的最小值；步骤6：利用输入门输入煤料数据，基于激活层进行有用信息筛选，并将t
‑
1时刻细胞状态ｃ
t
‑1转换为隐藏层状态h
t
‑1，再通过模型进行权重计算；通过tanh层对候选值进行更新，将两者计算结果与t
‑
1时刻细胞状态c
t
‑1相加，即可得到c
t
值，并在c
t
更新的同时，利用
加权求和的方式借助sigmoid函数与“门”将h
t
‑1还原为c
t
‑1；利用sigmoid层选择出将要输出值与计算得到的c
t
相乘，可计算出h
t
值，即可预测t 1时刻的煤量；步骤7：将入料口前t分钟的煤料数据作为输入，通过步骤f,预测t分钟以后入料口的煤量并画出预测效果图；步骤8：入料口与出料口煤料数据存在时间差，设定从煤料进入旋流器，到出旋流器进入筛面需要时间x分钟，将入料x分钟后的出料口煤料数据作为输入，使得入料口与出料口煤料数据时间同步；步骤9：通过步骤c—步骤g，检测出料口的煤量，将出料口前t分钟的煤料数据作为输入，预测出t分钟以后出料口的煤量并画出预测效果图；步骤10：比较入料口和出料口的煤量来判断旋流器是否堵塞，并通过入料与出料量的预测值对旋流器堵塞情况进行预判，设定一个阈值m，如果入料口煤量
‑
出料口煤量≥m，判定旋流器堵塞；如果入料口煤量
‑
出料口煤量＜m，判定旋流器正常工作。
5.有益效果：旋流器堵塞会对煤炭分选产生严重影响，现有的技术发现堵塞故障时间长，影响旋流器的正常运转，影响选煤效率。当发现堵塞之后，只能及时停止给料，将堵在旋流器里面的矸石清除，然后再将其余煤运出，极大程度的影响选煤效率。现有的技术不仅发现产品掺入矸石量大，而且生产恢复时间长。
6.而本技术提出的基于一种摄像头数据的煤矿旋流器堵塞及预警检测方法，完美的解决了现有技术存在的问题，优点如下：（1）远程检测，不需要工人值守，极大程度的减少了人工费和人工经验不足造成的疏忽；（2）通过视觉识别算法和预测算法，若发生堵塞，及时预警，防止选煤进入停滞状态，造成更大的经济损失。
附图说明
7.图1：基于摄像头数据的煤矿旋流器堵塞及预警检测流程图；图2：基于摄像头数据的煤矿旋流器堵塞及预警检测详细流程图；图3：基于摄像头数据的煤矿旋流器堵塞及预警检测矿用摄像机采集旋流器入料口和出料口煤料信息原理示意图。
具体实施方式
8.下面结合具体附图对本发明的实施方式进行进一步详细说明。
9.如图2所示，本发明的基于视觉算法的煤矿旋流器堵塞检测方法，其详细步骤如下：步骤1：在旋流器上方入料口处安装矿用摄像头c1，在旋流器下方出料口处安装矿用摄像头c2，利用矿用摄像机采集旋流器入料和出料的视频图像；步骤2：由于矿用摄像机采集的视频图像中含有较多与煤无关的背景，因此对采集到的视频图像进行裁剪，最大化的裁剪出只含有煤的视频图像；步骤3：在入料的过程中使用矿用摄像机c1对煤料进行拍摄获取图像，用视觉识别算法将图像划分成14
×
14的网格，同时利用每个单元格去检测那些中心点落在该格子内的
目标，每个单元格预测2个边界框以及边界框的置信度（conf），边界框的预测有4个组成部分:(x,y,w,h)。其中(x,y)表示真实目标的中心位置坐标，边界框的w和h预测值是真实目标边界框的宽和高，对整张图片目标位置类别的预测可以用一个14
×
14
×
(2
×
5 c)的张量表示，其中5代表目标边界框(x,y,w,h)和这个格子对于目标的置信度conf，共5个参数；步骤4：基于视觉识别算法预测每个目标有多个边界框，使用非最大抑制（nms）技术筛选出每个目标最好的边界框，即在图像中为每个煤料检测出唯一一个边界框，统计视频图像中每一帧检测的煤量；步骤5：为了确保预测精度，对检测出来的煤料数据首先进行归一化处理，即式中：x
max
为所有输入数据x中的最大值；x
min
为所有输入数据x中的最小值；步骤6：利用输入门输入煤料数据，基于激活层进行有用信息筛选，并将t
‑
1时刻细胞状态:ｃ
t
‑1转换为隐藏层状态h
t
‑1，再通过模型进行权重计算；通过tanh层对候选值进行更新，将两者计算结果与t
‑
1时刻细胞状态c
t
‑1相加，即可得到c
t
值，并在c
t
更新的同时，利用加权求和的方式借助sigmoid函数与“门”将h
t
‑1还原为c
t
‑1；利用sigmoid层选择出将要输出值与计算得到的c
t
相乘，可计算出h
t
值，即可预测t 1时刻的煤量；步骤7：将入料口前3分钟的煤料数据作为输入，通过步骤f，预测3分钟以后入料口的煤量并画出预测效果图；步骤8：入料口与出料口煤料数据存在时间差，从煤料进入旋流器，到出旋流器进入筛面需要1分钟，因此将入料1分钟后的出料口煤料数据作为输入，使得入料口与出料口煤料数据时间同步；步骤9：通过步骤c—步骤g,检测出料口的煤量，将出料口前3分钟的煤料数据作为输入，预测出3分钟以后出料口的煤量并画出预测效果图；步骤10：比较入料口和出料口的煤量来判断旋流器是否堵塞，并通过入料与出料量的预测值对旋流器堵塞情况进行预判，如果入料口煤量
‑
出料口煤量≥20，判定旋流器堵塞；如果入料口煤量
‑
出料口煤量＜20，判定旋流器正常工作。