【www.zhangdahai.com--其他范文】
杨卫兵，陈 博
(1.山西三元福达煤业有限公司， 山西 长治 046000；
2.太原科技大学， 山西 太原 030024)
煤矿井下单轨吊机车承担着运输设备和物料的重要任务，由于井下工作由多个部门协同完成，人员流动频繁，极易发生人车相撞的事故。为此，学者们设计了多种报警闭锁系统，如人员定位和绞车联动闭锁控制系统，无线视频、综采雷达感应控制绞车及安全语音报警系统等[1-2]，然而这些系统存在反应不及时，甚至遗漏、误认等情况。本文所设计的矿用单轨吊运输巷全封闭无线预警系统相对于无线视频预警系统优势为可以依靠图像识别技术判断是否有单轨吊车经过巷道口，不需要人力监控；
摄像机由传感器控制，可以有效控制能耗，无需全天候录像；
不仅可以识别巷道中是否有人员与车辆，还可以确定人员与车辆的相对位置，自动辨识巷道中人员的安全等级，实现分级预警功能。
1.1 SVDD算法
与之前的SVM算法相比，SVDD算法是一种非监督式的算法。它是指在训练集中只存在唯一类别的数据，通过对样本数据集进行学习，确定样本的边界，通过判断待分类数据在分界面内外的位置来进行分类。具体如下：
设置训练样本集X={x1,x2，…，xn}，其中xi∈Rd(1≤i≤n)为列向量，而SVDD所求的最小超球面F(R,c,ε}=R2+C∑iεi即为其优化结果。使它满足‖x-i-c‖2≤R2+εi∀i,εi≥0. 因此，该优化问题描述为：
s.t.‖xi-c‖2≤R2+εi,εi≥0,1≤i≤n
其中，εi是引入的松弛项，C>a是控制参数。同时，找一个合适的映射φ将样本特征空间O映射到更高维的特征空间Ø. 给定正定核函数K:Rd×Rd∈R，用该正定核诱导下的内积表示Ø空间中的内积形式,则在Ø空间中的SVDD模型为：
s.t.‖φ(xi)-cφ‖2≤R2+εi,εi≥0,1≤i≤n
上述模型所对应的超球面记为F(R,cφ,ε)，用拉格朗日乘子法求解该最优解可以将该问题变形为：
再利用SOM算法求解上式。
给定一个未知样本x∈Rd，通过决策函数进行判断是否属于目标类别，决策函数如下：
f(x)=R2-‖φ(x)-cØ‖2
当f(x)≥0时，则该样本属于目标样本。
再根据KKT定理得：
f(x)=R2-‖φ(x)-cØ‖2，R2=K(xk,xk)-
将其回代到决策函数可得最终的判决函数[3].
1.2 深度学习
深度学习关键技术是建立一个模拟人脑神经元工作的神经网络。深度学习可以认为是传统神经网络的开发，二者都有着分层结构，深度学习的优势是可以将特征提取与分类结合在一个框架中，这样的结构与传统机器学习方法相比，不需要人工提取特征，因为深度学习采用深层网络结构，其高度非线性使得该网络可以拟合一些较为复杂的函数，从而可以直接从图片数据中提取抽象特征。
2.1 软件设计
单轨吊运输装置预警系统由系统主程序及各单元子程序等构成。系统各单元初始化后，在没有物体经过超声波测距仪的探测区域时，系统处于低能耗模式，在超声波测距仪检测到有物体出现在探测区域内时，闪光灯配合摄像头进行图片抓拍，抓拍到照片后，经过AD转换，传输到监控分站进行图像预处理，识别有用信息进行初步判别。当识别到图片内有单轨吊车时，发出信号控制语音报警器进行语音警示“单轨吊车正在通行请勿走出巷道”，同时发出红色灯光警示。当巷道口前的超声波测距仪在后续的10 s内没有检测到有导轨吊车经过时，警报解除。系统软件流程见图1.
图1 系统软件运行流程图
2.2 系统硬件结构设计
系统整体以平台层和监控层为主，其中监控层的主要结构如下：首先在各个巷道口分别布置一组数据采集组，进行实时监控，采集到的数据经由交换器传输到监控总站，监控总站在SVDD分类器的支持下，对信息进行预处理及分类。当得到疑似单轨吊车经过时，传输信息到平台层进行分析和处理，进行最后的判别；
若确认信息准确，则传回信号启动预警系统。基于对数据传输的稳定性和抗干扰性的要求，监控层与平台层的数据传输由工业以太网来保障[4]，具体见图2.
图2 全封闭无线预警系统结构图
2.2.1 平台层
平台层以地面控制总站为主，负责对监控分站传回的信息进行最后判别，预警信息存贮、人机交互等。
1) 数据交互。
为实现矿井智能化管理，该系统可与控制总站的管理系统实现数据互通，譬如与福达煤业的巷道栅栏门系统等数据整合到管理系统的巷道安全分支，实现数据互通以及总体控制，从而可以提前关闭巷道支路栅栏门，防止巷道支路有人闯出。地面控制总站可以远程操作实现所有功能，同样可以远程监控巷道的具体情况，从而实现智慧矿山。
2) 信息存储。
信息存储主要分为两部分，一部分空间存储各个形态的单轨吊车图片，作为数据识别特征对比的数据库，另一部分存储工作运行时拍摄的工作日志，经图像识别系统确认后，有单轨吊车的图片并入到数据库中提高图像识别系统的辨识能力，同时也可进行后期的人工检测，查看是否有识别错误等问题对系统进行及时的调整以及事故判责等。
2.2.2 监控层
1) 信息采集。
信息采集部分由测距传感器、摄像机、闪光灯组成，其中测距传感器采集的信息主要是分辨是否有物体经过，摄像机采集的信息主要用来辨别经过物体是否为单轨吊机车。而闪光灯的作用是辅助摄像机进行工作。传感器选取超声波测距传感器，相对于其它类型的传感器，超声波测距传感器对于环境要求是最低的，超声波的测量距离在20～500 cm，该测距范围对于巷道来说最为合适；
此外超声波测距仪探测的扇形范围可以在60°～120°适当调整，相对来说超声波的测量区域更广。
2) 警示器。
警示部分由语音警示和灯光警示两部分组成。当接收到信号时，及时进行语音播报以及灯光警示。该装置常见尺寸约为d90 mm，高67 mm，质量约260 g, 功率为15 W，工作温度为-40 ℃～-70 ℃(不凝结)。其灯光有多色可设定，闪烁方式有爆闪与频闪两种可供选择。报警语调可设定9种，最长可录制30 min的语音提示，喇叭分贝在0～120 dB可调节，并能借助RS-485通信端口实现同上位机或井下其他作业分站的互联通讯[5-6].
该系统主要依靠图片识别作为基础，故对其准确度加以数据分析。首先以非单轨吊车∶单轨吊车为2∶1的比例采集3 000张图片。取其中400张无任何目标的图像作为SVDD算法的训练集，对图像进行预处理后计算求解得到分类超球面。其中预处理指降维与变形，使其转换为一个特征向量，以更方便地输入SVDD算法进行训练。将所有样本图像随机分为训练集2 500张、验证集200张和测试集300张。使用训练集对图像进行迭代训练深度神经网络，每迭代300次利用验证集测试该模型的损失率和准确率，见图3. 图3中损失率为代价函数的拟合误差，实曲线指的是验证集准确度，虚曲线是验证集上的损失。
图3 迭代数据图
通过测试集验证识别结果，识别框与真实框的交并比大于0.95的识别准确率高达97.67%，由于测试样本取样时单轨吊车与摄像头距离较近，其分类准确率高达99.73%. 为了进一步测试系统的有效性，采集了3组视频对其识别的最远距离进行测试，判断该视频识别系统在远距离识别中的有效性。采集了3段单轨吊车进入视频监控的画面，将算法识别到目标时第一帧画面单轨吊车与摄像头的距离作为测试结果。测试结果见表1.
表1 距离测试结果表 /m
针对不同情况设计不同的报警等级，见表2，提高预警系统的有效性。其中，在人车距离判别上，当车的框将人的框包围时，则判定人在车上，表示正常，当人的框与车的框出现交叠等情况，则判别为人在车下，启动二级报警[7]. 表2中得到SVDD算法相对识别的距离较短，适合巷道较短或交叉巷道口进行预判处理，对于较长巷道，直接使用深度神经网络进行判断。利用深度神经网络识别结果见图4. 由于图像数据集中的装置是有限的，而井下情况是复杂的，如安装新的轨道车辆、长期运行粘煤后车辆变黑等情况也会影响神经网络的识别精度。因此，使用SVDD算法进行识别也是有必要的。
表2 预警等级划分表
图4 识别效果图
整体设计结束后，在山西三元福达煤业进行了相应的试验与应用。该系统摄像头每次连抓3张照片同时识别，每张照片识别率可达97.67%. 经实践表明，该系统中的超声波测距仪自动识别范围在100°左右，横向范围1～1.5 m，可以确保在单轨吊车经过时及时反馈信号；
配备的闪光灯配合摄像机经过预先调焦以后可以得到清晰的照片；
通过视觉识别分类技术可以实现多级警报，报警器声音洪亮且灯光的爆闪模式会起到强调效果。
该系统的视觉识别装置图像识别技术具有很高的可靠性，并且随着使用过程中不断抓拍到的单轨吊车图片存储于数据库，其可靠度还会进一步加强；
SVDD与深度神经网络识别技术，不仅可以实现对煤矿现有设备的精准分类，还可以准确识别引进的新设备，更加稳定可靠地对人员和车辆进行预警。该系统的应用避免了人力资源的消耗，同时可以起到比传统无线视频监控更快捷、更安全、更有效的监督作用。
