banner
Дом / Новости / Открытый набор данных для интеллектуального распознавания и классификации аномальных условий при разработке длинных забоев.
Новости

Открытый набор данных для интеллектуального распознавания и классификации аномальных условий при разработке длинных забоев.

Dec 07, 2023Dec 07, 2023

Научные данные, том 10, Номер статьи: 416 (2023) Цитировать эту статью

1506 Доступов

1 Альтметрика

Подробности о метриках

В подземном угольном производстве на полностью механизированном забое существует множество проблем, таких как плохая рабочая среда, высокий уровень аварийности и так далее. В последнее время интеллектуальная автономная добыча угля постепенно заменяет традиционный процесс добычи. Технология искусственного интеллекта является активной областью исследований и, как ожидается, позволит выявлять и предупреждать об аномальных подземных условиях для интеллектуальной разработки длинных забоев. Это неотделимо от построения наборов данных, но в настоящее время набор скважинных данных все еще пуст. В этой работе создается набор данных изображений подземного забоя лавы (DsLMF+), который состоит из 138004 изображений с аннотациями 6 категорий шахтерского персонала, защитной пластины гидравлической опоры, крупного угля, буксирного троса, поведения горняков и защитной каски в шахте. Все метки набора данных общедоступны в формате YOLO и COCO. Доступность и точность наборов данных были проверены экспертами в области угольных шахт. Набор данных находится в открытом доступе и предназначен для поддержки дальнейших исследований и развития интеллектуальной идентификации и классификации аномальных условий при подземных горных работах.

Уголь останется доминирующим источником энергии во всем мире на десятилетия вперед1. Автономные машины для добычи угля в забое лавы могут помочь или заменить человека в выполнении опасных горных работ, обеспечить безопасное и эффективное производство на угольной шахте. Но для выполнения некоторых сложных задач все еще требуется участие человека. Однако при подземной добыче угля в полностью механизированных длинных забоях существует множество проблем, таких как плохая рабочая среда, высокий риск стихийных бедствий, высокий уровень аварийности и так далее. Разведывательная добыча стала одним из важных способов борьбы с подземными работами высокого риска и достижения цели безопасного и эффективного подземного производства2. Ожидается, что благодаря быстрому развитию технологий искусственного интеллекта аномальные ситуации с оборудованием, окружающей средой и персоналом будут обнаруживаться в режиме реального времени и точно.

В полностью механизированном забое гидравлическая поддержка необходима для безопасной добычи на всем забое. Гидравлическая опора, являющаяся основным оборудованием для полностью механизированной добычи угля, может обеспечить безопасную работу забоя, а также перемещать скребковый конвейер и комбайн в забое3. Он также может надежно и эффективно поддерживать крышу угольной шахты, изолировать выработанные участки, предотвращать попадание пустой породы в забой. В соответствии с процессом добычи угля на полностью механизированном забое, если гидравлическая опорная плита не находится на месте или не полностью восстановлена ​​во время рабочего процесса, это может вызвать помехи в движении между гидравлической опорой и комбайном. Следовательно, необходимо вовремя определить состояние защитной пластины гидравлической опоры и принять соответствующие меры. На полностью механизированных очистных забоях крупногабаритный уголь может легко вызвать засорение, задержку и другие ненормальные состояния скребкового конвейера. Необходимо автоматически идентифицировать и отслеживать крупный уголь, чтобы своевременно судить и предупреждать об аномальном состоянии крупного угля. Буксирный трос используется на полностью механизированных горных забоях для обеспечения электропитания и стабильной работы очистного комбайна. Однако в процессе эксплуатации тяговый трос может сломаться или выйти из кабельного паза из-за укладки кабельных зажимов, а трос может оторваться, что приведет к подземной утечке тока, что в конечном итоге может привести к поражению электрическим током. , газ, взрыв угольной пыли, пожар и другие крупные аварии на угольной шахте. Поэтому необходимо проводить мониторинг состояния буксирного троса в режиме реального времени и интеллектуальный анализ, чтобы обеспечить своевременное обнаружение и устранение неисправностей буксирного троса.

В целях обеспечения безопасности персонала полностью механизированного горного забоя необходимо идентифицировать и отслеживать персонал шахты, чтобы судить, находится ли персонал шахты в безопасной зоне. Персонал, входящий в опасную зону, должен быть своевременно обнаружен и позиционирован, должна быть выполнена соответствующая обработка голосового напоминания и одновременно должна быть остановлена ​​работа соответствующего оборудования. За исключением шахтеров, входящих в опасные зоны, шахтеры во время работы принимают самые разные позы. В сложной рабочей среде небезопасное поведение шахтеров также легко приведет к увеличению количества несчастных случаев на угольной шахте, а ненормальное поведение скважинного персонала также требует внимания в любое время. Защитная каска — это своего рода защитное снаряжение, которое шахтеры должны носить постоянно во время работы. Область, где извлекается угольный пласт, приведет к передаче давления от гидравлической опоры к угольной стенке, что может увеличить давление на угольную стенку и в конечном итоге вызвать явление растрескивания угольной стенки. Падение угля с крыши и столкновение персонала и оборудования могут привести к травмам. Следовательно, защитные каски связаны с безопасностью шахтеров на полностью механизированных горных забоях, а ношение защитных касок персоналом угольной шахты также требует контроля в режиме реального времени.

Currently, datasets are widely used in automatic driving, object detection, face recognition, natural language processing, text detection, medical and other fields7,8,9,800 individuals. J. Scientific data. 9, 529 (2022)." href="/articles/s41597-023-02322-9#ref-CR10" id="ref-link-section-d73510943e540"10. Some widely used object detection datasets are as follows: (1) COCO datasets with large-scale commonly used items as target detection objects11,12,13; (2) VOC datasets with people, common animals, traffic vehicles, indoor furniture objects as target detection objects14,15,16; (3) DOTA dataset with airplanes, ships, storage tanks, baseball stadiums, tennis courts, basketball courts, ground runways, ports, bridge as target detection objects17,18,19; (4) TT100K dataset with common vehicles as the target detection object20,21,22; (5) WIDER FACE dataset with facial expression, illumination and posture as target detection objects23,24,25; (6) YOLO format dataset that dedicated to the target detection26,27,28, etc. In addition to these common datasets, we can also customize the dataset through pytorch framework, but the custom dataset format is complex, diversified and poor sharing29. The downhole datasets are still blank at present, in order to construct and facilitate the promotion and application of image dataset of the fully mechanized face in the field of intelligent coal mining, the compatibility and practicability of the coal mine dataset should be taken into consideration./p>

800 individuals. J. Scientific data. 9, 529 (2022)./p>