国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

★寧夏煤礦設計研究院有限責任公司張善兵

選煤廠智能化是工業智能發展的重要組成部分，也是煤炭行業轉變發展方式、優化生產結構、提高經濟效益的重要途徑。目前，選煤廠依靠工人定期巡檢選煤設備工作狀況或監視選煤過程參數、手動操作現場報警和設備啟停，以及監控系統只記錄、存儲視頻，不能為精準決策提供依據，無法滿足現代選煤廠對智能化水平的要求。人工智能AI視頻分析可實現對選煤廠設備、環境、人員、選煤全流程重要參數的智能監測，進而降低人力成本，提高生產效率，精準監測過程參數，對選煤廠智能化具有重大意義。

1　系統設計

1.1　系統設計思路

通過在選煤廠的皮帶、吊裝口、危險區等位置區域部署攝像機（防爆攝像機），在廠區控制室的機房部署視覺AI邊緣計算設備和監測預警平臺，實現對生產過程中人員的非法入侵、作業過程中人員的不安全操作與行為以及設備工作狀態異常的安全監測和報警。

1.2　系統簡介

選煤廠視頻AI智能分析系統集工藝與智能視覺分析為一體，是利用智能視頻分析技術實現對選煤廠人員的不安全行為、設備的不安全狀態和環境危險因素的檢測識別，使得傳統監控系統具備了新的能力，解決了傳統的視頻監控模式下海量視頻錄像堆砌在中心，需要大量人力投入進行人工查證的問題，同時促成監控業務模式從事后查證到主動視頻防控質的飛躍。

選煤廠視頻AI智能分析系統基于人工智能視覺、邊緣計算、大數據等最新技術及選煤廠場景分析預警模型，為選煤廠構建了一個實時的視頻分析安全態勢預警平臺，避免了重大安全事故，防患于未然，可為企業生產安全保駕護航。

1.3　系統架構設計

系統平臺總體采用云架構，分為物、端/邊緣、云三大部分，如圖1所示。

圖1 平臺架構

1.3.1　物

物主要指作業場所的攝像機設備。

1.3.2　端/邊緣

端/邊緣主要是用于接入邊緣的設備，接入攝像機視頻流數據，經過加工后再轉換傳遞至云端。

1.3.3　云

云是系統應用的核心，云端總體采用IaaS、PaaS、SaaS三層架構。IaaS層通過虛擬化技術，使得整個物理計算資源可動態調配；PaaS層采用容器和調度技術，使得應用發布輕松便捷，同時可監控和動態分配應用資源；SaaS層則主要面向用戶提供各種業務應用功能。

1.4　系統核心應用

整個系統核心分為上下兩個層次，如圖2所示。底部三層為視頻數據接入層，主要為現場監控畫面與異常檢測數據接入、人臉識別數據接入；上層為用戶應用系統層，主要為最終用戶提供系統功能，應用覆蓋智能綜合展示、告警事件管理、事件處置管理、配置管理、系統管理、移動APP應用等功能。

圖2 功能設計

2　系統關鍵技術

2.1　圖像處理技術

在應用計算機視覺技術時，第一步是圖像采集，第二步是對已經采集的圖像進行預測分析處理，如果采用宏觀檢測技術則對圖像整體進行分析；如果采用局部微觀檢測則是將圖像進行切割，然后對切割后各圖像內容中出現的運動物體影像進行分析。在圖像數據處理中常用的技術有背景差分法、視頻幀間差分法等。平臺主要采用OpenCV圖像處理技術，它包含了幾百個圖像處理和計算機視覺方面的C語言函數和一些C++類，實現了許多流行的圖像處理和計算機視覺算法。

2.2　卷積神經網絡圖像分析技術

卷積神經網絡圖像分析技術主要對圖像進行分類。CNN使用一種局部連接和權值共享的模式，有效控制待學習的參數數量的同時，可逐層提取圖像的高層特征信息，使系統實現快速高效識別。

在卷積層，每一層卷積網絡采用多個卷積核對圖像數據進行卷積操作。在這里卷積核是一個3×3的矩陣，通過卷積核窗口的不斷滑動計算，會提取出一張特征圖。同一層的神經元可以共享卷積核，并且使用卷積核后圖片的尺寸變小也不影響原圖的特征，方便后續計算。

池化層則是在局部計算每個窗口的最大值或者平均值。通過這種操作，可以減少參數，只保留有用的特征，提高了運算效率。

最后的全連接層則可以將學到的“分布式特征表示”映射到樣本標記空間，起到分類器的作用。通過多層卷積層和池化層的疊加，可以很好地識別出圖像的特征信息，保證了識別的精度和速度。

2.3　人臉識別技術

人臉識別技術是基于圖像識別，并根據人臉特征信息進行身份判定的技術。人臉識別主要特點是利用人的臉部特征作為一種身份辨識的方式，通過采集含有人臉的圖像或視頻流，自動對圖像或視頻中的人臉進行檢測定位、圖像預處理、特征提取和匹配識別，達到識別不同人身份的目的。因此，人臉識別技術可以在不同場合中實現智能化應用，其優勢有以下三個方面。

2.3.1　自然性

所謂的自然性是指通過觀察就可以比較人臉來區分和確認身份。

2.3.2　非接觸性

相比較其他生物識別技術而言，人臉識別是非接觸和非感知的，用戶不需要和設備直接接觸和感知。

2.3.3　并發性

在實際應用場景中，人臉識別技術可以進行多個人臉的分揀、判斷及識別。

2.4　邊緣計算技術

智能視覺分析服務與人臉識別系統均采用邊緣計算框架進行部署。邊緣計算起源于傳媒領域，是指在靠近物或數據源頭的一側，采用網絡、計算、存儲、應用核心能力為一體的開放平臺，就近提供最近端服務。邊緣計算框架總體采用松耦合微服務架構，共分為四個核心層和兩個輔助服務層。四個核心層分別為。

2.4.1　設備接入服務層

設備接入服務層提供網絡攝像機的快速接入。

2.4.2　核心服務層

核心服務層提供核心運行服務，主要包括核心數據服務（搜集持久化設備和傳感器等邊緣設備數據，并將數據導出到云）、命令服務（負責把命令從設備傳到云端，不允許非法命令與設備交互）、元數據服務（主要包括管理設備配置文件，包括設備信息、設備數據結構類型和設備命令）和注冊配置服務（微服務配置、執行參數和狀態，提供微服務啟動所需配置，如端口號等）。

2.4.3　支撐服務層

支撐服務層提供支撐整個系統運行的服務，主要包括告警通知服務（設備發生故障，生成告警，發生告警到目的應端，目前支持E-mail和REST回調）；

日志服務（通過RESTfulAPIs提交日志請求、查詢歷史日志、移除歷史日志，用LOGBack做日志框架，可以通過文件或MongoDB持久化日志）；

調度服務（負責定時清理設備數據，默認每30分鐘執行一次）和規則引擎服務（提供了一種邊緣事件觸發機制，監控邊緣設備數據。符合條件，觸發行為，通過命令服務下發指令）。

2.4.4　輸出服務層

輸出服務層主要負責數據到云端的輸出服務，主要包括客戶端注冊（客戶端注冊為數據接收者，按需過濾流轉數據，包括本地分析服務、事件處理器、智能分析引擎等）和分發微服務（基于EAI技術，管道過濾體系。通過消息隊列，接收數據，過濾、傳輸和格式化數據，通過REST、MQTT、OMQ分發數據到特定注冊客戶端）。

兩個輔助服務層：安全服務，支持AAA訪問控制，AES256數據加密，唯一證書認證，HTTPS協議流程數據；系統管理服務，提供微服務安裝、升級、啟動、停止和監控功能。

3　AI視頻分析技術在選煤廠的應用

3.1　不安全行為識別應用

不安全行為包括膠帶機沿線靠近、膠帶機頭機尾走廊越線、危險區域闖入、防護欄越界、安全帽檢測等。

攝像頭錄制現場人員的操作畫面，并上傳到視覺AI邊緣計算設備和監測預警平臺，視覺AI平臺分析視頻里的畫面，并將人員操作畫面放入正規操作圖片庫中進行比對，判定為違規操作立即報警，并記錄到報警歷史中。

3.2　雜物識別、皮帶跑偏識別應用

利用原在膠帶機上已經安裝的攝像儀，通過視頻分析平臺實現皮帶上大塊物體及雜物的識別、跑偏監測等功能。

3.3　刮板機斷鏈、斜鏈、飄鏈監測保護識別應用

利用在塊煤配篩刮板機、煤泥刮板機上已經安裝的攝像儀，通過視頻分析平臺實現刮板機斷鏈、斜鏈、飄鏈的監測保護等功能。其中刮板機斷鏈、斜鏈監測保護可與原有機械保護裝置互為驗證。

4　AI視頻分析技術在選煤廠推廣價值

4.1　邊效益比突出

通過本方案可以在原有監控系統的基礎上做AI視頻分析的功能應用，不需要再另行增加視頻監控攝像頭和傳輸設備，大大降低了成本并可確保原有系統的投資。

4.2　安全可靠

視覺的最大優點是與被觀測對象無接觸，因此對觀測對象與被觀測對象都不會產生任何損傷，安全可靠，這是其它監測設備及方法無法比擬的。另外，人員無法長時間觀察對象，機器視覺則不知疲勞，能全天候進行觀測，所以機器視覺可以廣泛地應用于全天候、惡劣的工作環境。

4.3　連續性

智能視覺系統可以使人免受疲勞之苦，不再需要人時刻進行值守，當出現異常情況時，系統可進行及時告警并顯示現場情況，并通過相關人員進行處置。

5　結論

將視覺AI技術應用于選煤廠實際生產過程當中，實現選煤廠的智能控制，是將來選煤廠科技創新及技術改造的一個重要方向。視覺AI技術是用圖像攝取裝置代替人眼從客觀事物中提取圖像信息，并通過計算機加以處理，最終實現實際測量、分析和控制。隨著計算機與圖像處理技術的發展，視覺AI技術在各個工業領域都將得到廣泛的應用。

作者簡介：

張善兵（1972-），男，寧夏銀川人，高級工程師，現就職于寧夏煤礦設計研究院有限責任公司，研究方向為煤礦信息化、智能化。

參考文獻：

[1] 趙亮, 孫魁元, 韓寶虎, 等. 基于人工智能視頻分析的選煤廠安全管理研究[J]. 中國安全科學學報, 2021.

[2] 折小江, 劉江, 王蘭豪. AI視頻圖像分析在選煤廠智能化中的應用現狀與發展趨勢[J]. 工礦自動化, 2022, 48 (11) : 45 - 53, 109.

[3] 張康輝, 王衛東, 劉子琪, 等. 煤炭加工中異物的計算機視覺檢測注意力CNN[J]. 工程人工智能的應用, 2021, 102 : 116 - 128.

[4] 劉開南. 基于遞歸卷積神經網絡的煤礦智能監控安全生產管理平臺關鍵技術研究[J]. 中國煤炭, 2018, 44 (12) : 84 - 87.

[5] 宗春英. 基于人工智能的故障監測和診斷系統的研究[J]. 制造業自動化, 2012, 34 (7) : 52 - 54.

[6] 樊國方, 岳長青, 吳勝平. 皮帶打滑測速裝置的改進[J]. 水泥, 2012 (8) : 60 - 61.

[7] 高文. 智慧礦山智能決策支持技術架構設計[J]. 工礦自動化, 2017, 43 (9) : 21 - 25.

摘自《自動化博覽》2023年4月刊