井下恶劣条件下机器视觉识别钢带孔方法和装置制造方法及图纸

本发明专利技术属于井下巷道和隧道支护技术领域，解决寻孔时间长、操作者位于空顶区存在安全隐患的问题。提供了一种井下恶劣条件下机器视觉识别钢带孔方法和装置，装置包括井下数据采集层、机器视觉设备层、机器视觉识别控制层和标准化通讯网络，识别步骤为：建立去粉尘降噪神经网络模型，将采集到的矿井和隧道钢带处的监控图像作为输入，输出去粉尘降噪后的钢带和钢带孔图像；建立低光照图像增强模型，包括分解网络、光照调整网络和反射重构网络，对去粉尘降噪后的钢带和钢带孔图像的清晰度进行增强；采用YOLO目标检测算法检测图像中钢带孔的位置。本发明专利技术通过软硬结合的方法能够较好解算巷道及隧道恶劣条件下钢带孔的精确坐标。

【技术实现步骤摘要】

本专利技术属于井下巷道和隧道支护，具体涉及一种井下恶劣条件下机器视觉识别钢带孔方法和装置。

技术介绍

1、煤矿巷道或隧道掘进后为了围岩安全需要对岩壁进行支护作业，通常需要钢带增加围岩的稳定性，在进行锚网支护时，锚杆穿过钢带孔打入岩壁对锚网固定。

2、正常情况下，钻头无法打穿钢带，为此打锚孔时需要将钻头从预留的钢带孔中打入；目前人工寻孔的操作时间长且需多次尝试才能保证精准入孔，操作者位于空顶区存在安全隐患，同时承受泥水的喷淋和粉尘的危害，环境较为恶劣。

技术实现思路

1、本专利技术为解决现有技术中存在的上述至少一个问题，提供了一种井下恶劣条件下机器视觉识别钢带孔方法和装置。

2、本专利技术采用如下的技术方案实现：一种井下恶劣条件下机器视觉识别钢带孔方法，包括以下步骤：s1：建立去粉尘降噪神经网络模型，将采集到的矿井和隧道钢带处的监控图像作为输入，输出去粉尘降噪后的钢带和钢带孔图像；s2：建立低光照图像增强模型，包括分解网络、光照调整网络和反射重构网络，对去粉尘降噪后的钢带和钢带孔图像的清本文档来自技高网...

【技术保护点】

1.一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：矿井钢带处的监控图像的去粉尘降噪步骤包括：

3.根据权利要求2所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：分解网络用于将输入的去粉尘降噪后的钢带和钢带孔图像分解为光照图和反射图；光照调整网络采用深度可分离卷积构成的卷积层作为特征提取网络结构，同时引入MobileNet网络结构，对光照图的亮度和光照分量对比度进行优化调整；反射重构网络加入残差网络结构，用于提升网络特征学习性能和反射分量纹理细节恢复能力...

【技术特征摘要】

1.一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：矿井钢带处的监控图像的去粉尘降噪步骤包括：

3.根据权利要求2所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：分解网络用于将输入的去粉尘降噪后的钢带和钢带孔图像分解为光照图和反射图；光照调整网络采用深度可分离卷积构成的卷积层作为特征提取网络结构，同时引入mobilenet网络结构，对光照图的亮度和光照分量对比度进行优化调整；反射重构网络加入残差网络结构，用于提升网络特征学习性能和反射分量纹理细节恢复能力；经上述处理后的光照图和反射图基于retinex理论进行融合，实现去粉尘降噪后的钢带和钢带孔图像的对比度提高和细节的增强。

4.根据权利要求3所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：yolo目标检测算法的网络结构包括输入层、基准网络、neck网络和输出层；输入层包含mosaic数据增强、自适应锚框计算和自适应图像缩放；基准网络由focus、csp、spp模块结构构成；neck网络采用csp2结构，neck网络中prediction包括boundingbox损失函数和非极大值抑制；在锚护位置检测场景中，输出层的对象类别为2种类型的锚护孔，分别是锚网网格中心和钢带孔中心。

5.根据权利要求4所述的一种井下恶劣条件下机器视觉识别钢带孔方法，其特征在于：mosaic数据增强将4张图像通过随机缩放、随机裁剪、随机排布的方式进行拼接，自适应锚框计算可以在网络...

【专利技术属性】
技术研发人员：周旭，康鹏，王军强，张春英，吕继双，安四元，张云波，孟振宇，米豪鼎，于建华，王磊，周廷，杨小凤，冯向军，侯伟，
申请(专利权)人：中国煤炭科工集团太原研究院有限公司，
类型：发明
国别省市：