劉飛　張樂(lè)群　蔣偉　劉明輝

摘 要：針對(duì)現(xiàn)有的帶式輸送機(jī)煤量檢測(cè)方法會(huì)受到井下昏暗環(huán)境的影響，識(shí)別精度不高的問(wèn)題，提出一種適用于井下環(huán)境的帶式輸送機(jī)煤量檢測(cè)方法。基于深度圖像的獲取不受井下昏暗環(huán)境影響的特點(diǎn)，以深度相機(jī)獲取的不同煤量深度圖像為研究對(duì)象，對(duì)其進(jìn)行濾波處理以濾除干擾信息并增強(qiáng)特征信息，提出一種DID－CNN識(shí)別網(wǎng)絡(luò)對(duì)濾波后的煤量深度圖像進(jìn)行特征提取，并最終將煤量分為3個(gè)不同類(lèi)別作為檢測(cè)結(jié)果，該結(jié)果可用于膠帶機(jī)帶速的分級(jí)調(diào)控。結(jié)果表明：所提出的煤量檢測(cè)模型的準(zhǔn)確率達(dá)到99.3%，模型的F1分?jǐn)?shù)為0.991，平均檢測(cè)每張圖片的時(shí)間為0.024 3 s?；谏疃葓D像的帶式輸送機(jī)煤量檢測(cè)方法可以有效消除井下昏暗環(huán)境對(duì)煤量檢測(cè)造成的干擾，具有較高的檢測(cè)精度和較快的處理速度。該方法可為提高帶式輸送機(jī)運(yùn)輸效率、實(shí)現(xiàn)節(jié)能降耗以及延長(zhǎng)設(shè)備使用壽命等方面提供支持。

關(guān)鍵詞：帶式輸送機(jī)；煤量檢測(cè)；深度圖像；特征提取

中圖分類(lèi)號(hào)：TD 528文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1672-9315（2023）05-1008-07

DOI：10.13800/j.cnki.xakjdxxb.2023.0518

Coal quantity detection? of belt conveyor based on depth image

LIU Fei1，2， ZHANG Lequn1，2， JIANG Wei3， LIU Minghui1，2

（1.College of Electrical and Control Engineering，Xian University of Science and Technology，Xian 710054，China;2.Shannxi Key Laboratory of Mine Electromechanical Equipment Intelligent Monitoring，Xian 710054，China;3.Tiandi（Changzhou） Automation Co.，Ltd.，Changzhou 213014，China）

Abstract：The existing coal quantity detection method of belt conveyor is affected by the underground dark environment

resulting in a comparatively lower recognition accuracy and a new one suitable for underground environment is proposed.Based on the fact that the acquisition of depth image is not affected by the dark underground environment，the depth images of different coal amounts obtained by the depth camera are taken as the research object，and the filtering processing is carried out to filter out the interference information and enhance the feature information.A DID－CNN recognition network is determined to extract the features of the filtered coal depth image，and? the coal amount finally is divided into three different categories as the detection results，which can be used for the grading control of the belt speed of the belt conveyor.The results show that the accuracy of the proposed coal quantity detection model is 99.3%，the F1 score of the model is 0.991，and the average detection time of each image is 0.024 3 seconds.The research indicate that the coal quantity detection method of belt conveyor based on depth image can effectively eliminate the interference caused by the underground dark environment on the coal quantity detection，with detection accuracy higher and processing faster.This method can provide support for improving the transportation efficiency of belt conveyor，realizing energy saving and consumption reduction，and prolonging the service life of equipment.

Key words：belt conveyor；coal quantity detection；depth image；feature extraction

0 引 言

帶式輸送機(jī)作為煤礦生產(chǎn)的主要運(yùn)輸設(shè)備，能長(zhǎng)時(shí)間不間斷地將煤從地下運(yùn)至地面[1-2]。在礦山工作時(shí)，帶式輸送機(jī)所耗能源占整個(gè)礦山工作能源消耗的60%[3]。因煤料分布不均帶式輸送機(jī)經(jīng)常在輕載或空載狀態(tài)下長(zhǎng)時(shí)間全速運(yùn)行，造成電能的浪費(fèi)[4]，導(dǎo)致帶式輸送機(jī)各個(gè)運(yùn)行部分的無(wú)效磨損，縮短設(shè)備使用壽命。根據(jù)帶式輸送機(jī)上的煤量來(lái)調(diào)速，可以節(jié)約能源，延長(zhǎng)設(shè)備使用時(shí)間[5-7]。

傳統(tǒng)的動(dòng)態(tài)煤量計(jì)量方式有3種，分別為機(jī)械式皮帶秤[8]、電子皮帶秤、核子皮帶秤。機(jī)械式皮帶秤和電子皮帶秤的精度會(huì)受到皮帶自重以及運(yùn)動(dòng)慣性的影響。雖然核子秤精度較高但其校準(zhǔn)十分復(fù)雜，同時(shí)放射性材料會(huì)嚴(yán)重危害到工人的生命健康。由于傳統(tǒng)測(cè)量方法存在各種弊端，學(xué)者們開(kāi)始研究基于機(jī)器視覺(jué)的非接觸式煤量檢測(cè)方法[9]。李紀(jì)棟等利用圖像邊緣檢測(cè)能夠求解煤炭寬度，利用知識(shí)庫(kù)模糊計(jì)算，求解出運(yùn)輸量[10]。賀杰等提出一種基于圖像處理技術(shù)的皮帶煤量測(cè)量方法，提取煤堆的骨架，獲取煤輪廓，根據(jù)帶煤截面積與帶速的關(guān)系，測(cè)量輸送帶上煤流體積[11]。王宗省等提出一種基于窗口閾值的濾波方法，用于解決反光問(wèn)題導(dǎo)致試驗(yàn)結(jié)果不準(zhǔn)確的問(wèn)題，該方法能去除噪聲同時(shí)保留邊界信息，并使用不同反射程度的模板進(jìn)行EMD匹配，解決邊界對(duì)比度低和光源不穩(wěn)定等問(wèn)題。通過(guò)腐蝕和膨脹后，使用改進(jìn)的自適應(yīng)閾值算法進(jìn)行分割。同時(shí)，使用幀間差分法對(duì)一次輸送帶的運(yùn)行狀態(tài)進(jìn)行識(shí)別，以協(xié)調(diào)控制能耗[12]。王桂梅等以深度學(xué)習(xí)為基礎(chǔ)提出一種新的檢測(cè)方法，提出改進(jìn)的FF－CNN（Feed Forward Neural Network）網(wǎng)絡(luò)，將帶式輸送機(jī)的煤量進(jìn)行分類(lèi)，實(shí)現(xiàn)煤量的檢測(cè)[13]。

作為基于機(jī)器視覺(jué)的煤量檢測(cè)方法唯一的研究對(duì)象，樣本圖像的質(zhì)量對(duì)最終煤量檢測(cè)結(jié)果的精確度有很大影響。而井下昏暗、復(fù)雜的環(huán)境會(huì)使獲取的樣本圖像無(wú)法達(dá)到檢測(cè)的要求。

現(xiàn)有的煤量檢測(cè)方法還包括線激光測(cè)量以及雙目立體視覺(jué)測(cè)量[14-15]。線激光測(cè)量使用激光掃描煤流獲取煤量，但礦井中的粉塵會(huì)嚴(yán)重影響激光掃描的效果，而且其高昂的成本限制了激光掃描的普及。雙目立體視覺(jué)測(cè)量使用兩臺(tái)面陣相機(jī)來(lái)實(shí)現(xiàn)物體的三維測(cè)量。但由于井下昏暗的環(huán)境，以及補(bǔ)光燈造成的多光源效應(yīng)，給雙目立體視覺(jué)測(cè)量的核心算法雙目立體匹配算法造成了巨大影響。

與上述方法不同的是，深度圖像的獲取使用的是深度相機(jī)[16]，深度相機(jī)通過(guò)近紅外激光器，將具有一定結(jié)構(gòu)特征的光線投射到被拍攝物體上，再由專(zhuān)門(mén)的紅外攝像頭進(jìn)行采集。這種具備一定結(jié)構(gòu)的光線照射在被攝物體上的不同深度區(qū)域并被反射回去，深度相機(jī)會(huì)采集被反射回來(lái)的結(jié)構(gòu)光信息，然后通過(guò)運(yùn)算單元將這種結(jié)構(gòu)光的變化換算成深度信息。由于深度相機(jī)是主動(dòng)發(fā)出結(jié)構(gòu)光，因而適合在光照不足甚至無(wú)光的場(chǎng)景使用。

因此，文中提出一種基于深度圖像的煤量檢測(cè)方法，這種方法可以在昏暗的井下環(huán)境實(shí)時(shí)檢測(cè)帶式輸送機(jī)的負(fù)載煤量且使用成本低，有利于推廣。

1 煤量檢測(cè)方法

基于深度圖像的煤量檢測(cè)方法由搭建合適的煤量檢測(cè)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練、對(duì)訓(xùn)練好的模型進(jìn)行驗(yàn)證2部分組成。

模型訓(xùn)練流程如圖1所示。首先使用深度相機(jī)獲取膠帶機(jī)負(fù)載煤流深度圖像，并將采集到的煤流深度圖像進(jìn)行雙邊濾波，在濾除噪聲的同時(shí)保留圖像信息，然后將深度圖像按照少煤量、中煤量、多煤量3個(gè)類(lèi)別分別放在不同的文件夾，構(gòu)建數(shù)據(jù)集。最后，將數(shù)據(jù)集導(dǎo)入搭建的DID－CNN（Depth Image Detection Convolutional Neural Network）網(wǎng)絡(luò)進(jìn)行訓(xùn)練得到煤量檢測(cè)模型。

模型驗(yàn)證：將驗(yàn)證集的數(shù)據(jù)導(dǎo)入訓(xùn)練得到的煤量檢測(cè)模型進(jìn)行分類(lèi)，檢測(cè)模型的精確度和檢測(cè)速度。

2 煤量檢測(cè)模型

將帶式輸送機(jī)上負(fù)載煤量按照所占滿載煤量的百分比劃分為3個(gè)類(lèi)別：0%～30%為“少煤量”、30%～60%為“中煤量”、60%～100%為“多煤量”，把它們作為網(wǎng)絡(luò)輸出的結(jié)果。 在卷積神經(jīng)網(wǎng)絡(luò)中，選取VGG網(wǎng)絡(luò)（Visual Geometry Group Network）[17]作為基礎(chǔ)網(wǎng)絡(luò)構(gòu)建適用于煤量檢測(cè)的深度學(xué)習(xí)網(wǎng)絡(luò)DID－CNN。

2.1 DID－CNN網(wǎng)絡(luò)

DID－CNN網(wǎng)絡(luò)如圖2所示，在第一次7×7卷積后加入CBAM模塊，然后將4個(gè)CSPResNet模塊加入網(wǎng)絡(luò)。使用全連接層將特征空間映射樣本標(biāo)記空間，輸入Softmax函數(shù)得到最終輸出[18]。

2.2 CSPResNet模塊

深層網(wǎng)絡(luò)會(huì)帶來(lái)大量計(jì)算，使訓(xùn)練參數(shù)大幅度增加。這就造成模型訓(xùn)練的效率降低和內(nèi)存成本提高的問(wèn)題。使用CSPNet模塊不僅能夠增強(qiáng)CNN的學(xué)習(xí)能力，而且能夠在輕量化網(wǎng)絡(luò)的同時(shí)保持準(zhǔn)確性，降低計(jì)算瓶頸，降低內(nèi)存成本[19]。

2.3 CBAM模塊

使用深度圖像作為數(shù)據(jù)集，其背景信息為傳送帶，在少量及中等煤量時(shí)背景信息所占比重過(guò)大。為了提高模型的檢測(cè)精度，在第一次卷積之后加入卷積注意力模塊（Convolutional Block Attention Module，CBAM）對(duì)特征輸入進(jìn)行加權(quán)再輸出，希望網(wǎng)絡(luò)關(guān)注到的地方給較大的權(quán)重，不希望網(wǎng)絡(luò)注意的地方給較小的權(quán)重，以此來(lái)提高模型的學(xué)習(xí)效率[20]。

2.4 BN層

為提高煤量的檢測(cè)精度和檢測(cè)速度，DID－CNN網(wǎng)絡(luò)在輸入層后加入殘差塊防止梯度消失[21]。在卷積層之間加入BN（Batch Normalization）層，加快網(wǎng)絡(luò)的訓(xùn)練和收斂速度。

3 試驗(yàn)和驗(yàn)證

3.1 深度圖像

使用深度相機(jī)獲取深度圖像，將深度信息轉(zhuǎn)換為顏色信息，不同的深度用不同的顏色代表，其原理如圖3所示。

圖4為不同類(lèi)別煤量的深度圖像，深度圖像中該點(diǎn)的顏色代表了該點(diǎn)距離深度相機(jī)的距離。因此可以根據(jù)深度圖像中不同顏色的面積大小來(lái)區(qū)分煤量類(lèi)別。

3.2 數(shù)據(jù)集制作

使用深度相機(jī)采集不同煤量的深度圖像，選取不同煤量的深度圖像存放在不同的文件夾下，文件夾名為對(duì)應(yīng)的煤量類(lèi)別的標(biāo)簽。其標(biāo)簽設(shè)置見(jiàn)表1。

將數(shù)據(jù)導(dǎo)入網(wǎng)絡(luò)訓(xùn)練之前先將數(shù)據(jù)集的數(shù)據(jù)隨機(jī)打亂，然后分別抽取其中的五分之一作為測(cè)試集和驗(yàn)證集，剩下的五分之三作為訓(xùn)練集。

3.3 圖像的預(yù)處理

圖像的預(yù)處理是圖像識(shí)別過(guò)程中重要的一環(huán)。圖像預(yù)處理不僅能夠?yàn)V除圖像的干擾信息如噪聲信號(hào)等，還能夠加強(qiáng)圖像的有用信息[22]。使用適當(dāng)?shù)念A(yù)處理方法能夠有效地提升圖像識(shí)別的精度。

通過(guò)深度相機(jī)采集的煤量深度圖像含有大量噪聲，因此需要對(duì)深度圖像做濾波處理。這里對(duì)深度圖像分別進(jìn)行了均值濾波、高斯濾波、以及雙邊濾波，濾波后效果如圖5所示。均值濾波的噪聲濾除效果不理想且模糊了圖像；高斯濾波的噪聲濾除效果很好，但是模糊了邊緣信息；雙邊濾波不僅濾除了噪聲還保留了邊緣信息?？紤]到需要提取深度圖像的深度特征和邊緣特征，在比對(duì)均值濾波、高斯濾波、以及雙邊濾波的效果之后，選擇雙邊濾波。

3.4 數(shù)據(jù)增強(qiáng)

數(shù)據(jù)增強(qiáng)能夠增加數(shù)據(jù)集圖片的數(shù)量，提高檢測(cè)模型的泛化能力[23]。此次試驗(yàn)使用的數(shù)據(jù)增強(qiáng)方法有：翻轉(zhuǎn)、旋轉(zhuǎn)、平移等。

數(shù)據(jù)增強(qiáng)還能夠降低模型對(duì)圖像的敏感度，提升檢測(cè)模型的魯棒性。此次試驗(yàn)通過(guò)給數(shù)據(jù)集添加高斯噪聲來(lái)實(shí)現(xiàn)此目的。

3.5 正則化

使用正則化是為了減少模型的復(fù)雜度，并降低過(guò)擬合的風(fēng)險(xiǎn)[24]。在神經(jīng)網(wǎng)絡(luò)中，常用的正則化技術(shù)有L1正則化、L2正則化和Dropout。

L1正則化：將L1范數(shù)作為正則化項(xiàng)加入到損失函數(shù)中，使得模型權(quán)重的絕對(duì)值之和最小化，從而實(shí)現(xiàn)特征選擇的效果，減少無(wú)用權(quán)重的影響[25]。

L2正則化：將L2范數(shù)作為正則化項(xiàng)加入到損失函數(shù)中，使得模型權(quán)重的平方和最小化，從而防止權(quán)重過(guò)大，降低過(guò)擬合的風(fēng)險(xiǎn)[26]。

Dropout：在訓(xùn)練時(shí)，以一定的概率隨機(jī)將一些神經(jīng)元的輸出置為0，從而強(qiáng)制模型學(xué)習(xí)到更加魯棒的特征。

L1正則化是一種從改變模型結(jié)構(gòu)的角度，減少模型參數(shù)的數(shù)量，解決過(guò)擬合的方式。而L2正則化則是為了使模型盡量不依賴(lài)于某幾個(gè)特殊的特征，從而使得每個(gè)特征得到盡量均衡的權(quán)重，以此來(lái)解決過(guò)擬合的問(wèn)題。因此，此次試驗(yàn)選擇在訓(xùn)練模型時(shí)加入L2正則化和Dropout。為了最大化正則化的效果，在損失函數(shù)中加入懲罰項(xiàng)。其損失函數(shù)見(jiàn)式（1）

式中 Closs為交叉熵?fù)p失[27]；L2loss為L(zhǎng)2正則化損失。

3.6 試驗(yàn)環(huán)境

數(shù)據(jù)采集平臺(tái)由運(yùn)輸煤流的膠帶機(jī)和獲取深度圖像的深度相機(jī)組成，如圖6所示。

硬件環(huán)境：CPU（AMD Ryzen 75800H），16 GB內(nèi)存NVIDIA GTX3060Ti顯卡，KBA18（D）礦用本安型深度相機(jī)。

3.7 模型訓(xùn)練

在訓(xùn)練之前設(shè)置網(wǎng)絡(luò)的超參數(shù)學(xué)習(xí)率α=0.000 1，將訓(xùn)練的迭代次數(shù)設(shè)置為40次，然后將數(shù)據(jù)集導(dǎo)入DID－CNN網(wǎng)絡(luò)訓(xùn)練。隨著訓(xùn)練的迭代，訓(xùn)練損失和測(cè)試損失變化曲線如圖7所示，從圖7可以看出，隨著迭代次數(shù)增加，訓(xùn)練損失和測(cè)試損失不斷下降，模型在逐漸收斂，經(jīng)過(guò)36次迭代后訓(xùn)練損失和測(cè)試損失穩(wěn)定在0.005左右，準(zhǔn)確率達(dá)到99.3%。

3.8 模型驗(yàn)證

3.8.1 檢測(cè)速度

使用訓(xùn)練得到的煤量檢測(cè)模型對(duì)煤量深度圖像進(jìn)行檢測(cè)，為了準(zhǔn)確地測(cè)試出模型檢測(cè)一張圖像的時(shí)間，分別向模型中導(dǎo)入200張、500張和1 000張圖像，獲取各自的檢測(cè)時(shí)間，重復(fù)試驗(yàn)10次求平均值。試驗(yàn)結(jié)果見(jiàn)表2。

由表2可知，煤量檢測(cè)模型檢測(cè)每張圖像的時(shí)間是0.024 3 s。

3.8.2 模型評(píng)估

F1值（F1 score）：是精確度和召回率的調(diào)和平均值，是精確度和召回率的綜合評(píng)價(jià)指標(biāo)，被用來(lái)綜合評(píng)價(jià)一個(gè)模型在精確度和召回率兩個(gè)指標(biāo)下的表現(xiàn)的指標(biāo)[28]。其計(jì)算方法見(jiàn)式（2）

P為模型預(yù)測(cè)為正例中，實(shí)際為正例的比例；R為模型在所有正例中，正確預(yù)測(cè)為正例的比例。

F1 Score的取值范圍為0～1，數(shù)值越大表示模型的性能越好。當(dāng)P和R都很高時(shí)，F(xiàn)1 Score會(huì)更接近于1。

對(duì)訓(xùn)練后得到的模型進(jìn)行驗(yàn)證，結(jié)果見(jiàn)表3。

根據(jù)表3所示，計(jì)算出每個(gè)類(lèi)別的精確率、召回率和F1 score。具體計(jì)算結(jié)果如下。

對(duì)于類(lèi)別少煤量，樣本數(shù)量為784張。其中，750張樣本被正確地預(yù)測(cè)為少煤量，34張樣本被錯(cuò)誤地預(yù)測(cè)為中煤量。因此，該類(lèi)別的精確率為0.956，召回率為1，F(xiàn)1 score為0.977。

對(duì)于類(lèi)別中煤量，樣本數(shù)量為791張。其中，785張樣本被正確地預(yù)測(cè)為中煤量，6張樣本被錯(cuò)誤地預(yù)測(cè)為多煤量，沒(méi)有樣本被預(yù)測(cè)為類(lèi)別0。因此，該類(lèi)別的精確率為0.992，召回率為1.000，F(xiàn)1 score為0.996。

對(duì)于類(lèi)別多煤量，樣本數(shù)量為784張。其中，全部樣本被正確地預(yù)測(cè)為多煤量。因此，該類(lèi)別的精確率為1.000，召回率為1.000，F(xiàn)1 score為1.000。

綜上所述，該模型的F1 score可以通過(guò)對(duì)每個(gè)類(lèi)別的F1 score進(jìn)行加權(quán)平均得到該模型的F1 score為0.991。

3.8.3 模型性能對(duì)比

為了驗(yàn)證 DID－CNN 網(wǎng)絡(luò)的性能，將其與傳統(tǒng)的分類(lèi)網(wǎng)絡(luò)VGG16做對(duì)比。將數(shù)據(jù)集導(dǎo)入VGG16網(wǎng)絡(luò)進(jìn)行模型性能對(duì)比，結(jié)果見(jiàn)表4。

由表4可知DID－CNN網(wǎng)絡(luò)比 VGG16網(wǎng)絡(luò)收斂速度更快且準(zhǔn)確率更高，有更好的擬合性能。因?yàn)樵贒ID－CNN 網(wǎng)絡(luò)中加入了BN層，使其能夠更充分地利用圖像特征，同時(shí)避免了反向傳播，加速了網(wǎng)絡(luò)收斂，而且CMBA模塊提升了網(wǎng)絡(luò)學(xué)習(xí)有用特征的效率，因此網(wǎng)絡(luò)能夠快速達(dá)到較高的準(zhǔn)確率，更適用于煤量深度圖像的檢測(cè)。

4 結(jié) 論

1）提出一種基于深度圖像的帶式輸送機(jī)煤量檢測(cè)方法，使用雙邊濾波對(duì)圖像進(jìn)行預(yù)處理，去除噪聲的同時(shí)增強(qiáng)圖像的邊緣特征，使用圖像增強(qiáng)技術(shù)彌補(bǔ)煤量圖像數(shù)量相對(duì)較少的問(wèn)題。

2）根據(jù)CSPnet的思想構(gòu)建DID－CNN煤量檢測(cè)網(wǎng)絡(luò)。使用網(wǎng)絡(luò)提取煤量深度圖像的特征并進(jìn)行分類(lèi)。在網(wǎng)絡(luò)中加入L2正則化和Dropout泛化模型，最終得到的煤量檢測(cè)模型檢測(cè)效果較好。

3）在實(shí)際的煤礦井下膠帶機(jī)控制中多采用分級(jí)調(diào)控，而試驗(yàn)所得到的煤量檢測(cè)結(jié)果能夠用于膠帶機(jī)的分級(jí)調(diào)控。

4）DID－CNN煤量檢測(cè)效果雖好，但是由于空載和滿載數(shù)據(jù)的單一性樣本不足，因此并未將其作為檢測(cè)結(jié)果。下一步的研究重點(diǎn)是在此基礎(chǔ)上將空載和滿載也作為檢測(cè)結(jié)果，使檢測(cè)模型能夠更好地為帶式輸送機(jī)調(diào)速提供依據(jù)。

參考文獻(xiàn)（References）：

[1] 楊小林，葛世榮，祖洪斌，等.帶式輸送機(jī)永磁智能驅(qū)動(dòng)系統(tǒng)及其控制策略[J].煤炭學(xué)報(bào)，2020，45（6）：2116-2126.

YANG Xiaolin，GE Shirong，ZU Hongbin，et al.Permanent magnet intelligent drive system of belt conveyor and its control strategy[J].Coal Journal，2020，45 （6）：2116-2126.

[2]YASUTOMI A Y，ENOKI H.Localization of inspection device along belt conveyors with multiple branches using deep neural networks[J].IEEE Robotics and Automation Letters，2020，5（2）：2921-2928.

[3]邢金嶺．變頻驅(qū)動(dòng)帶式輸送機(jī)功率平衡控制研究[J]．煤炭科學(xué)技術(shù)，2014，42（7）：84-87．

XING Jinling.Research on power balance control of variable frequency drive belt conveyor[J].Coal Science and Technology，2014，42（7）：84-87．

[4]王海軍．帶式輸送機(jī)機(jī)載煤量自動(dòng)匹配控制及節(jié)能分析[J]．煤炭科學(xué)技術(shù)，2013，41（S1）：246-249．

WANG Haijun.Automatic matching control and energy saving analysis of coal quantity on belt conveyor[J].Coal Science and Technology，2013，41（S1）：246-249.

[5]CHEN W，LI X.Model predictive control based on reduced order models applied to belt conveyor system[J].ISA

Transactions，2016，65：350-360.

[6]HE D J，PANG Y S，LODEWIJKS G.Green operations of belt conveyors by means of speed control[J].Applied Energy，2017，188：330-341.

[7]何仲波．帶式輸送機(jī)調(diào)速節(jié)能控制研究[J]．神華科技，2013，11（2）：91-93．

HE Zhongbo.Research on speed control and energy saving control of belt conveyor[J].Shenhua Technology，2013，11（2）：91-93．

[8]原柏．國(guó)產(chǎn)電子膠帶秤進(jìn)展評(píng)述[J]．工業(yè)計(jì)量，2016，26（2）：24-28．

YUAN Bo.Progress review of domestic electronic tape scale[J].Industrial Measurement，2016，26 （2）：24-28.

[9]徐偉鋒，戴明宏，朱丹，等．機(jī)器視覺(jué)在織物疵點(diǎn)檢測(cè)中的應(yīng)用進(jìn)展[J]．棉紡織技術(shù)，2021，49（4）：80-84．

XU Weifeng，DAI Minghong，ZHU Dan，et al.Application progress of machine vision in fabric defect detection[J].Cotton Textile Technology，2021，49 （4）：80-84.

[10]李紀(jì)棟，蒲紹寧，翟超，等．基于視頻識(shí)別的帶式輸送機(jī)煤量檢測(cè)與自動(dòng)調(diào)速系統(tǒng)[J]．煤炭科學(xué)技術(shù)，2017，45（8）：212-216．

LI Jidong，PU Shaoning，ZHAI Chao，et al.Coal quantity detection and automatic speed control system of belt conveyor based on video recognition[J].Coal Science and Technology，2017，45（8）：212-216.

[11]賀杰，王桂梅，劉杰輝，等．基于圖像處理的皮帶機(jī)上煤量體積計(jì)量[J]．計(jì)量學(xué)報(bào)，2020，41（12）：1516-1520．

HE Jie，WANG Guimei，LIU Jiehui，et al.Coal volume measurement on belt conveyor based on image processing[J].Metrology，2020，41（12）：1516-1520.

[12]王宗省，管振棟，張欣，等.基于圖像處理的輸送帶煤量動(dòng)態(tài)計(jì)量研究[J].煤炭工程，2020，52（8）：138-142.

WANG Zongsheng，GUAN Zhendong，ZHANG Xin，et al.Study on dynamic measurement of coal quantity in conveyor belt based on image processing[J].Coal Engineering，2020，52（8）：138-142.

[13]王桂梅，李學(xué)暉，楊立潔，等．基于深度學(xué)習(xí)的永磁直驅(qū)帶式輸送機(jī)煤量檢測(cè)方法研究[J]．煤炭技術(shù)，2022，41（1）：188-190．

WANG Guimei，LI Xuehui，YANG Lijie，et al.Research on coal quantity detection method of permanent magnet direct drive belt conveyor based on deep learning[J].Coal Technology，2022，41（1）：188-190.

[14]高如新，王俊孟．基于雙目立體視覺(jué)的煤體積測(cè)量[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2014，23（5）：126-133．

GAO Ruxin，WANG Junmeng.Measurement of coal vo－lume based on binocular stereo vision[J].Computer System Applications，2014，23（5）：126-133.

[15]張延芝．基于激光掃描技術(shù)的帶式輸送機(jī)非接觸式輸送量檢測(cè)系統(tǒng)的應(yīng)用與研究[D]．沈陽(yáng)：東北大學(xué)，2014．

ZHANG Yanzhi.Application and research of non－contact detection system of belt conveyor based on laser sca－nning technology[D].Shenyang：Northeastern University，2014.

[16]趙子健.基于深度相機(jī)的圖像處理研究[D].合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2023.

ZHAO Zijian.Research on i－mage processing based on depth camera[D].Hefei：University of Science and Technology of China，2023.

[17]TAMMINA S.Transfer learning using vgg-16 with deep convolutional neural network for classifying images[J].International Journal of Scientific and Research Publications，2019，9（10）：143-150.

[18]KRIZHEVSKY A，SUTSKEVER I，HINTON G E.Imagenet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[19]WANG C Y，LIAO H Y M，WU Y H，et al.CSPNet：A new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops，2020：390-391.

[20]WOO S，PARK J，LEE J Y，et al.Cbam：Convolutional block attention module[C]//Proceedings of the European Conference on Computer Vision，2018：3-19.

[21]MUHAMMAD S，GU Z Q.Deep Residual learning for image recognition：A survey[J].Applied Sciences，2022，12（18）：72-89.

[22]PRASANNA L M，SUGANYA R，SUGANTHI R.A Survey of image processing techniques for deep learning[J].Big Data Analytics in Transportation，2018，2（1）：49

-66.

[23]SHORTEN C，KHOSHGOFTAAR T M.A survey on i－mage data augmentation for deep learning[J].Journal of Big Data，2019，6（1）：1-48.

[24]張揚(yáng).基于多粒度級(jí)聯(lián)森林病毒軟件檢測(cè)系統(tǒng)研究與實(shí)現(xiàn)[D].武漢：中南財(cái)經(jīng)政法大學(xué)，2021.

ZHANG Yang.Research and implementation of software detection system based on multi－granularity cascade forest virus[D].Wuhan：Central South University of Economics and Law，2021.

[25]LEE S I，LEE H，ABBEEL P，et al.Efficient L1 regula－rized logistic regression[C]//Association for the Advancement of Artificial Intelligence，2006，6：401-408.

[26]KRIZHEVSKY A，SUTSKEVER I.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[27]DOMINGOS P.A few useful things to know about machine learning[J].Communications of the ACM，2012，55（10）：78-87.

[28]CHICCO D，JURNAN G.The advantages of the Matthews correlation coefficient （MCC） over F1 score and accuracy in binary classification evaluation[J].BMC Genomics，2020，21：1-13.

（責(zé)任編輯：高佳）

收稿日期：2023-03-15

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目（51905416）；陜西省教育廳科學(xué)研究計(jì)劃項(xiàng)目（20JK0758）

第一作者：劉飛，男，陜西寶雞人，博士，講師，碩士生導(dǎo)師，E－mail：liufei@xust.edu.cn

通信作者：蔣偉，男，江蘇常州人，高級(jí)工程師，E－mail：hello_jwei@126.com