文献类型：期刊文章

作　　者：韩涛[1] 黄友锐[1] 张立志[2] 徐善永[1] 许家昌[1] 鲍士水[1]

HAN Tao;HUANG Yourui;ZHANG Lizhi;XU Shanyong;XU Jiachang;BAO Shishui(School of Electrical and Information Engineering,Anhui University of Science and Technology,Huainan 232001,China;School of Engineering,Xi'an International University,Xi'an 710077,China)

机构地区：[1]安徽理工大学电气与信息工程学院,安徽淮南232001 [2]西安外事学院工学院,陕西西安710077

出　　处：《工矿自动化》

基　　金：国家自然科学基金资助项目(61772033);陕西省教育厅科研计划资助项目(18JK1131)。

年　　份：2020

卷　　号：46

期　　号：4

起止页码：17-22

语　　种：中文

收录情况：BDHX、BDHX2017、IC、JST、PROQUEST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：传统的卷积神经网络(CNN)是单任务网络,为实现带式输送机输煤量和跑偏的同时检测,使用2个卷积神经网络分别对输煤量和跑偏进行检测,导致网络体积大、参数多、计算量大、运行时间长,严重影响检测性能.为降低网络结构的复杂性,提出了一种基于多任务卷积神经网络(MT-CNN)的带式输送机输煤量和跑偏检测方法,可使输煤量检测和跑偏检测这2个任务共享同一个网络底层结构和参数.在VGGNet模型的基础上,增大卷积核和池化核的尺度,减少全连接层通道数量,改变输出层结构,构建了MT-CNN;对采集的输送带图像进行灰度化、中值滤波和提取感兴趣区域等预处理后,获取训练数据集和测试数据集,并对MT-CNN进行训练;使用训练好的MT-CNN对输送带图像进行识别分类,实现输煤量和跑偏的准确、快速检测.实验结果表明,训练后的MT-CNN在测试数据集中检测准确率为97.3%,平均处理每张图像的时间约为23.1 ms.通过现场实际运行验证了该方法的有效性.

关 键 词：带式输送机 输煤量检测  跑偏检测  图像识别 多任务卷积神经网络  

分 类 号：TD634.1]