王京华(1996-),男,河南洛阳人,硕士研究生,从事数字矿山和轨道障碍物检测等方面的研究工作。185511062@csu.edu.cn |
收稿日期: 2020-05-18
修回日期: 2020-08-03
网络出版日期: 2021-03-22
基金资助
国家重点研发计划项目“深部集约化开采生产过程智能管控技术”(2017YFC0602905)
Obstacle Detection Technology of Mine Electric Locomotive Driverless Based on Computer Vision Technology
Received date: 2020-05-18
Revised date: 2020-08-03
Online published: 2021-03-22
针对传统计算机视觉方法难以实现障碍物实时检测和定位的问题,提出传统计算机视觉技术与深度学习目标检测算法YOLOv3相结合的障碍物智能检测方法。首先,采集电机车行驶区域(即有效检测区域)存在的障碍物数据并制作VOC格式数据集,使用YOLOv3训练数据集,得到障碍物检测模型;然后,采用传统计算机视觉技术定位到轨道,使用“3邻域”搜索法获得轨道线坐标值,根据距离信息向轨道外侧扩展一定距离,提取有效检测区域,同时网格化图片,将障碍物的坐标换算为实际距离;最后,使用障碍物检测模型对有效检测区域进行检测。试验结果表明:该方法可以识别行驶区域内多种特征差异很大的目标物体,如电机车、人和大块落石等;该方法每秒可以处理6帧图片,现场采集的实际数据测试平均精确率达到93.2%。
王京华 , 王李管 , 毕林 . 基于计算机视觉技术的矿井电机车无人驾驶障碍物检测技术[J]. 黄金科学技术, 2021 , 29(1) : 136 -146 . DOI: 10.11872/j.issn.1005-2518.2021.01.089
The mining of mineral resources is getting deeper and deeper,the working environment is bad,the employees are aging seriously,and the human cost is rising,which brings great challenges to the development of mining industry.Intelligent mine operation has become an inevitable trend.As a part of mine intellec-tualization,unmanned transportation system is very important for mine,which means the improvement of safety production efficiency can achieve zero injury and zero time loss.Considering the development demand of driverless electric vehicle and the traditional computer vision method,it is difficult to realize the real-time detection and location of obstacles.An intelligent obstacle detection method based on the combination of traditional computer vision technology and deep learning target detection algorithm YOLOv3 was proposed.First of all,the video data of obstacles in the driving area of electric locomotive(this paper calls it effective detection area) were collected,using an image annotation tool namely labelimg to make VOC data set,using YOLOv3 to train data set,according to the feedback results,adjust the parameters continuously to obtain the relative optimal parameters,and finally get the obstacle detection model.Then use the traditional computer vision technology to locate the track by edge,texture and other information,using the “3 neighborhood” search method to get the track line coordinate value of left and right track lines,and expand a certain distance to the outside of the track according to the distance information,extracting the effective detection area,thus reducing the computational complexity of the later obstacle detection,at the same time,gridding images,converting the coordinates of obstacles to the actual distance.Finally,using the obstacle detection model to detect the effective detection area and respond to the detection results.Experimental results show that the method can identify many objects with different characteristics in the driving area,such as electric locomotive,people,large falling rocks,etc.It can process 6 pictures per second,and the average accuracy of the actual data collected in the field reaches 93.2%,it has good performance in real-time and accuracy,and has a good effect in the underground mine scene.
哈莫尼金矿公司正考虑深掘世界最深的姆波能金矿
据彭博新闻社(Bloomberg News)2021年2月24日报道,哈莫尼金矿公司(Harmony Gold Mining Co.)正考虑在世界最深的金矿进一步加大地下开采深度,因为南非生产商发现,挖掘日益减少的矿石储量变得愈加困难。
哈莫尼公司首席执行官Peter Steenkamp表示,公司正在研究在姆波能(Mponeng)开采超过目前4 km深度的金矿,有可能将矿山寿命延长20~30年。他认为,超过这一深度以下部位的矿石储量“巨大”,哈莫尼公司正在探索开发这些矿藏所需的方法和投资。
哈莫尼金矿公司是南非仅存的几家从老化资产中榨取利润的黄金生产商之一,由黑人亿万富翁Patrice Motsepe旗下非洲彩虹矿业有限公司(African Rainbow Minerals Ltd.)所支持,去年从安格鲁金矿公司(AngloGold Ashanti Ltd.)手中收购了姆波能金矿及其资产,成为南非第一大黄金生产商。
哈莫尼公司近期公布上半年第一阶段利润增长逾3倍。该公司的目标是将姆波能金矿的年产量维持在25万盎司(7吨)左右,这可能有助于将公司的总产量维持在160万盎司(45.36 t)左右。然而,随着开采深度的增加,地震事件和工人被困井下死亡的风险也在增加。该公司表示,2020年6月至12月之间,在公司运营过程中发生的矿难事故造成6名工人死亡。
姆波能世界级金矿是目前世界上最深的矿井,也是规模最大、品位最高的金矿山之一。矿山位于南非西北省,维特瓦特斯兰德盆地(Witwatersrand Basin)的西北缘,属于兰德式(Rand-type)古砾岩型金—铀矿床。截止2019年12月,姆波能金矿已探明和潜在矿石储量约3 619万吨,黄金品位9.54 g/t,所含黄金储量约1 100万盎司(345 t);2019年姆波能金矿的黄金产量为22.4万盎司(6.92 t)。
南非黄金行业一度是全球最大的,但随着开采深层金矿成本的增加和地质难度的增加,该国的黄金行业已出现萎缩。随着安格鲁金矿公司和金田公司(Gold Fields Ltd.)等大型黄金生产商将重点转移到非洲、澳大利亚和美洲其他利润丰厚的矿藏上,南非黄金行业2020年生产了91 t黄金,目前只有9.3万名员工。
(来源:中国矿业网)
http://www.goldsci.ac.cn/article/2021/1005-2518/1005-2518-2021-29-1-136.shtml
|
|
|
|
|
|
|
|
|
|
|
|
Redmon J,Farhadi A,2017. YOLOv 3:An incremental improvement[C]// IEEE Conference on Computer Vision and Pattern Recognition(CVPR).Honolulu:IEEE: 779-788.
|
|
|
|
|
|
|
郭春明,2019.基于视频图像的轨道前方障碍物检测方法[J].电子测量技术,42(12):55-59.
|
刘文祺,2016.基于深度神经网络的铁路异物检测算法[D].北京:北京交通大学.
|
娄新雨,王海,蔡英凤,等,2019.采用64线激光雷达的实时道路障碍物检测与分类算法的研究[J].汽车工程,41(7):779-784.
|
宋怀波,何东健,辛湘俊,2011.基于机器视觉的非结构化道路检测与障碍物识别方法[J].农业工程学报,27(6):225-230.
|
同磊,朱力强,余祖俊,等,2012.基于车载前视摄像机的轨道异物检测[J].交通运输系统工程与信息,12(4):79-83.
|
王新竹,李骏,李红建,等,2016.基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J].吉林大学学报(工学版),46(2):360-365.
|
谢德胜,徐友春,王任栋,等,2018.基于三维激光雷达的无人车障碍物检测与跟踪[J].汽车工程,(8):952-959.
|
庄福振,罗平,何清,等,2015.迁移学习研究进展[J].软件学报,26(1):26-39.
|
/
〈 |
|
〉 |