【技术实现步骤摘要】
本专利技术涉及电机车装矿过程智能监测，具体为基于迁移学习的井下电机车无人驾驶系统装载监测方法。
技术介绍
1、矿山智能化建设正在加速推进，地下电机车无人驾驶作为矿山智能化的重要组成部分正受到高度关注。在巷道交错复杂、狭窄、阴暗、潮湿以及视野存在盲区的井下复杂环境下，矿山有轨电机车作为井下运输矿石、物料的主要运输工具，易受人工疲劳驾驶和误操作引发事故，而矿井电机车无人驾驶可以从根本上避免操作人员的疲劳驾驶问题，具有巨大的安全效益和经济效益，是解决此类问题的关键。
2、机车装矿过程智能监测是井下电机车无人驾驶系统闭环中的关键一环。在出矿口装矿的过程中，实时准确监测电机车车斗内矿石装载情况，并反馈给电机车无人驾驶系统，用于指导后续装矿动作(继续装矿或停止装矿)，该技术能够真正实现井下装矿过程无人值守。国内井下有轨无人运输系统能够实现远距离遥控以及部分区域自主行走，但对于井下无人驾驶机车装矿状态监测仍存在诸多挑战，目前存在两种装矿监测方式，一种方式是每台电机车配备一名放矿工人进行现场放矿，放矿过程中对车、行车、放矿等动作需要放矿工人和电机车远程控制端实时进行信息沟通配合，存在装矿效率低、装载异常，以及安全隐患；另一种方式是地面调度中心工人通过计算机屏幕实时监测井下装矿过程，根据矿车车斗装载矿石情况给电机车发送相应的控制指令，效率低下，没有实现真正意义上的解放工人。
技术实现思路
1、解决的技术问题
2、针对现有技术的不足，本专利技术提供了基于迁移学习的井下电机车无人
3、技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：基于迁移学习的井下电机车无人驾驶系统装载监测方法，通过优化的两个卷积神经网络进行迁移学习应用于电机车车斗装矿状态分类问题，将优化后的网络重命名为vgg19-el和resnet-50-el，进而基于迁移学习的图像识别方法识别矿车矿车装载状态，包括以下步骤：
5、s1、加载权重文件到相应cnn初始化网络参数；
6、s2、修改网络的最后一层全连接层，使输出为数据类别数；
7、s3、在网络后面优化训练参数来重新训练整个网络，完成电机车装矿过程智能监测。
8、具体训练步骤如下：
9、s31、按照比例6:2:2，将生成的样本分为训练集、验证集和测试集，其中训练集用于网络训练，验证集用于交叉验证以避免过拟合，测试集作为未经网络学习的新数据，用于评估训练后网络的实际准确率；
10、s32、下载权重文件并加载到相应的网络上，用于初始化迁移网络参数；
11、s33、修改网络的最后一个全连接层，保持输入不变，将输出设置为数据种类的数量，对最后一层进行权重初始化，使用梯度下降算法进行学习，并采用固定步长衰减来优化训练参数，重新训练整个网络，得到识别模型；
12、s34、训练过程中从训练集中随机不重复抽取小批次图片训练，抽完所有训练图片为一个训练周期，迭代到一定周期完成训练，得到识别模型；
13、s35、使用测试集评估模型效果，将原始矿石数据集分为2类和10类情况进行测试。
14、作为本专利技术的优选技术方案，所述卷积神经网络的具体结构包括输入层、隐藏层和输出层，其中隐藏层包括卷积层、池化层和全连接层。
15、作为本专利技术的优选技术方案，所述s32中利用已训练完成的权重文件加载到神经网络，进行迁移网络参数初适化操作，可节省训练时间和加快收敛速度。
16、作为本专利技术的优选技术方案，所述网络优化训练过程中采用了两种自适应动量的随机优化算法adam来进行网络优化，其中学习率的更新策略采用了固定步长衰减法，即每5个epoch将学习率乘以0.9，在模型训练阶段的前向传播过程中，采用了随机失活技术，即以dropout等于0.5的概率丢弃神经网络单元。
17、作为本专利技术的优选技术方案，所述初始化迁移网络参数过程中基于pytorch框架进行迁移网络的训练与测试。
18、有益效果
19、本专利技术具有以下有益效果：
20、(1)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，对于机车装载量2类识别中vgg19-el迁移网络矿石识别率最高，为99.85％。对机车装载量分为10类中得出优化后的resnet50-el迁移网络电机车装载量识别率最高，为97.3％。
21、(2)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，采用了优化的深度学习网络，该网络具有卓越的图像分类能力，通过分析图像数据的多个关键特征，包括颜色、纹理、形状等，同时通过深度卷积神经网络中的多层特征提取和模式识别，从而能够以卓越的准确度自动识别电机车的装载状态。
22、(3)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，基于深度学习网络的高效性，实现了实时连续监测电机车的装载状态，而无需时间间隔或手动输入，通过连续性监测可以迅速响应装载状态的变化，确保生产过程的持续性和高效性。
23、(4)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，通过技术员的参与从而可调整训练参数，以适应不同的操作环境和矿石类型，其具备的自适应性使得系统能够在各种条件下保持高准确度，无需进行根本性的重新训练，从而节省时间和资源。
24、(5)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，通过本专利技术的实时监测和数据收集功能，矿业公司能够基于装载状态的准确信息做出决策，包括资源分配、计划调整以及操作策略的优化，从而提高了运营的效率和可管理性。
25、(6)该基于迁移学习的井下电机车无人驾驶系统装载监测方法，其具备的高精确度装载状态识别有助于降低操作风险，而准确的装载状态信息可以预防因错误操作导致的事故或设备故障，从而提高了操作的安全性。
本文档来自技高网...【技术保护点】
1.基于迁移学习的井下电机车无人驾驶系统装载监测方法，通过优化的两个卷积神经网络进行迁移学习应用于电机车车斗装矿状态分类问题，将优化后的网络重命名为VGG19-EL和RESNET-50-EL，进而基于迁移学习的图像识别方法识别矿车矿车装载状态，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述卷积神经网络的具体结构包括输入层、隐藏层和输出层，其中隐藏层包括卷积层、池化层和全连接层。
3.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述S32中利用已训练完成的权重文件加载到神经网络，进行迁移网络参数初适化操作。
4.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述网络优化训练过程中采用两种自适应动量的随机优化算法Adam进行网络优化，其中学习率的更新策略采用固定步长衰减法，即每5个epoch将学习率乘以0.9，在模型训练阶段的前向传播过程中，采用随机失活技术，即以Dropout等于0.5的概率丢弃神经网络
5.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述初始化迁移网络参数过程中基于Pytorch框架进行迁移网络的训练与测试。
...【技术特征摘要】
1.基于迁移学习的井下电机车无人驾驶系统装载监测方法，通过优化的两个卷积神经网络进行迁移学习应用于电机车车斗装矿状态分类问题，将优化后的网络重命名为vgg19-el和resnet-50-el，进而基于迁移学习的图像识别方法识别矿车矿车装载状态，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述卷积神经网络的具体结构包括输入层、隐藏层和输出层，其中隐藏层包括卷积层、池化层和全连接层。
3.根据权利要求1所述的基于迁移学习的井下电机车无人驾驶系统装载监测方法，其特征在于：所述s32中利用已训练完...
【专利技术属性】
技术研发人员：任助理，袁瑞甫，张金龙，邓浩坤，
申请(专利权)人：河南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。