一種基于BP神經(jīng)網(wǎng)絡(luò)的堆煤檢測(cè)方法

范喜林

(中煤科工集團(tuán) 常州研究院有限公司，江蘇 常州 213015)

帶式輸送機(jī)在煤礦生產(chǎn)作業(yè)中廣泛應(yīng)用，膠帶堆煤事故時(shí)有發(fā)生。當(dāng)堆煤事故發(fā)生時(shí)，若未及時(shí)處理將帶來嚴(yán)重的安全隱患，同時(shí)會(huì)給煤礦企業(yè)帶來較大的經(jīng)濟(jì)損失。因此，建立有效、可靠的帶式輸送機(jī)堆煤檢測(cè)系統(tǒng)具有極其重要的意義[1-2]。

目前，大多數(shù)煤礦企業(yè)采用堆煤傳感器檢測(cè)帶式輸送機(jī)運(yùn)煤狀態(tài)，大致可分為三種，分別基于行程開關(guān)、水銀開關(guān)、電極式原理實(shí)現(xiàn)。以上傳感器雖能實(shí)現(xiàn)堆煤狀態(tài)的檢測(cè)。但煤礦井下煤塵較多、濕度較大，行程開關(guān)與電極式原理傳感器易受煤塵、濕度影響出現(xiàn)誤檢；水銀開關(guān)無法全方位檢測(cè)，容易出現(xiàn)漏檢。煤礦井下環(huán)境的復(fù)雜性造成堆煤傳感器靈敏度不高，可靠性較差。為了有效解決現(xiàn)有堆煤檢測(cè)方法的不足，本文提出一種基于BP神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)對(duì)帶式輸送機(jī)運(yùn)行時(shí)堆煤狀態(tài)的檢測(cè)。

1 BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法

1.1 BP神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介

神經(jīng)網(wǎng)絡(luò)的研究始于20世紀(jì)40年代，由美國科學(xué)家McCulloch和Pitts共同提出。神經(jīng)元被視為二值開關(guān)，不同的組合方式可以實(shí)現(xiàn)不同的邏輯運(yùn)算。這種“邏輯神經(jīng)元”模型又被稱為MP模型(網(wǎng)絡(luò)神經(jīng)元模型)，MP模型的提出打開了神經(jīng)網(wǎng)絡(luò)研究的大門。

神經(jīng)網(wǎng)絡(luò)的發(fā)展歷程大致為：1947—1969年為發(fā)展初期，在此期間許多類別的神經(jīng)元模型和學(xué)習(xí)規(guī)則被科學(xué)家們相繼提出；1970—1985年為神經(jīng)網(wǎng)絡(luò)研究的低谷期，期間，Hopfield教授提出了能量函數(shù)的概念，同時(shí)提出了用于聯(lián)想記憶和優(yōu)化計(jì)算的方法。1984年，Hiton教授提出Boltzman模型；1986年,McClelland等提出誤差反向傳播的神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱BP(back propagation)網(wǎng)絡(luò)。

如今，BP神經(jīng)網(wǎng)絡(luò)已經(jīng)成為廣泛使用的網(wǎng)絡(luò)。1987年至今為其發(fā)展期，在此期間，神經(jīng)網(wǎng)絡(luò)發(fā)展受到國際上眾多研究者們的重視，各個(gè)國家都對(duì)此展開相關(guān)研究，從而形成神經(jīng)網(wǎng)絡(luò)發(fā)展的另一個(gè)快速發(fā)展期。

1.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)[3-4]是一種按照誤差反向傳播(誤差反傳)的多層前饋網(wǎng)絡(luò)，其算法被稱為BP算法。該算法的基本思想是梯度下降法(Gradient Descent)，得到最小化的損失函數(shù)和模型參數(shù)值，最終使網(wǎng)絡(luò)的實(shí)際輸出與期望輸出的誤差、均方差都達(dá)到最小。

BP神經(jīng)網(wǎng)絡(luò)不僅具有輸入層、輸出層的節(jié)點(diǎn)，而且還有一個(gè)或多個(gè)隱藏層節(jié)點(diǎn)。對(duì)于輸入端，第一個(gè)轉(zhuǎn)到隱藏層的節(jié)點(diǎn)，通過每個(gè)單元的激活函數(shù)(也稱為動(dòng)作函數(shù))來操作，在操作之后，隱藏節(jié)點(diǎn)的輸出信息傳播到輸出節(jié)點(diǎn)，最后得到輸出結(jié)果。

BP神經(jīng)網(wǎng)絡(luò)使用梯度下降法,梯度下降法是基于誤差函數(shù)的梯度,每?jī)蓚€(gè)節(jié)點(diǎn)權(quán)重和計(jì)算重量誤差函數(shù)的貢獻(xiàn),然后根據(jù)梯度信息來修改權(quán)重以達(dá)到學(xué)習(xí)的目的。BP網(wǎng)絡(luò)可以有多個(gè)隱藏層，其中h隱藏層，根據(jù)前饋順序，隱藏層節(jié)點(diǎn)是：w1，w2，……，wh+1.BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)識(shí)別算法核心部分需要經(jīng)過輸入信號(hào)的前向傳播和誤差反傳兩個(gè)必要過程。即計(jì)算誤差輸出時(shí)，按照從輸入到輸出的方向進(jìn)行，而調(diào)整閾值和權(quán)值則需要從輸出到輸入的方向進(jìn)行。正向傳播時(shí)，輸入端信息通過隱藏層作用于輸出節(jié)點(diǎn)，經(jīng)過非線性變換(Nonlinear transformation)，產(chǎn)生輸出結(jié)果，如果實(shí)際輸出與期望輸出差別較大，則轉(zhuǎn)入誤差的反向傳播過程，將誤差通過隱藏層向輸入層逐層反傳，誤差分?jǐn)偨o各隱藏層單元。這樣，獲得的誤差信號(hào)即可作為各隱層調(diào)整權(quán)值的依據(jù)。使誤差沿梯度方向下降，經(jīng)過反復(fù)訓(xùn)練過程，網(wǎng)絡(luò)自動(dòng)確定與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)(權(quán)值和閾值)，訓(xùn)練即停止。此時(shí)，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)即可以對(duì)類似樣本的輸入，進(jìn)行自行處理，使得輸出結(jié)果誤差最小。

圖1 BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)

1.3 BP神經(jīng)網(wǎng)絡(luò)計(jì)算過程

BP神經(jīng)網(wǎng)絡(luò)輸入層與輸出層之間的若干層神經(jīng)元被稱為隱藏層單元。它們與外界沒有直接的聯(lián)系，但是其狀態(tài)的改變，則能影響輸入與輸出之間的關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的計(jì)算過程分為正向和反向兩個(gè)部分。正向傳播為，輸入端信號(hào)從輸入單元層經(jīng)過隱藏單元層逐層處理，轉(zhuǎn)向輸出層。如果在輸出層不能得到期望的輸出，則網(wǎng)絡(luò)自動(dòng)轉(zhuǎn)入反向傳播過程，將誤差信號(hào)沿原路返回，通過修改各隱層神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

2 堆煤檢測(cè)實(shí)驗(yàn)

2.1 堆煤檢測(cè)方法的設(shè)計(jì)

本文所提出的基于BP神經(jīng)網(wǎng)絡(luò)的堆煤檢測(cè)方法包括以下三個(gè)步驟：

1) 堆煤場(chǎng)景數(shù)據(jù)集采集：采用礦用攝像儀獲取得到的堆煤視頻場(chǎng)景，拆分為堆煤場(chǎng)景圖像，以此作為堆煤場(chǎng)景數(shù)據(jù)集；

2) 特征值提?。焊鶕?jù)堆煤場(chǎng)景數(shù)據(jù)集圖像，采用HOG特征提取算子進(jìn)一步處理，得到圖像特征向量；

3) 堆煤檢測(cè)：設(shè)計(jì)BP神經(jīng)網(wǎng)絡(luò)檢測(cè)算法，檢測(cè)礦用攝像儀獲取得到的帶式輸送機(jī)機(jī)頭運(yùn)煤視頻解析圖片，最終得到檢測(cè)結(jié)果。

結(jié)合上述內(nèi)容，設(shè)計(jì)出如圖2所示的堆煤場(chǎng)景檢測(cè)流程圖。

2.2 圖像特征值提取

在圖像處理過程中，比較常用的圖像特征提取的算法有[5]：局部二值模式(Local Binary Pattern，LBP)特征，Haar特征，方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征。經(jīng)過查找文獻(xiàn)，對(duì)比三者對(duì)圖像的特征提取效果得知，與其他兩種算法特征描述相比，HOG算法特征提取具有比較多的優(yōu)點(diǎn)。

具體表現(xiàn)如下：①HOG算法特征提取運(yùn)算在圖像的局部方格單元上進(jìn)行，因此它對(duì)圖像的幾何以及光學(xué)形變均能保持最大限度的不變性，而且這兩種形變僅會(huì)出現(xiàn)在更為寬大的空間領(lǐng)域上。②在較強(qiáng)的局部光學(xué)歸一化以及在精細(xì)的方向上抽樣條件下，被檢測(cè)圖像的少許位移，旋轉(zhuǎn)等微小的動(dòng)作，都可以被忽略，而不會(huì)影響到HOG特征提取的效果。因此，HOG特征提取算法適合于做圖像檢測(cè),本文選定采用HOG算法對(duì)圖像特征值進(jìn)行提取。

圖2 堆煤場(chǎng)景檢測(cè)流程圖

2.3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

2.3.1 訓(xùn)練集與測(cè)試集的劃分

BP神經(jīng)網(wǎng)絡(luò)檢測(cè)圖像的過程，需要將待檢測(cè)圖像劃分為訓(xùn)練集和測(cè)試集。測(cè)試集樣本與訓(xùn)練集的樣本比例通常被劃分為1∶3.

考慮到帶式輸送機(jī)機(jī)頭運(yùn)煤場(chǎng)景共有3種，分別為空載、正常、堆煤，為了體現(xiàn)本文方法的可靠性，在數(shù)據(jù)集采集過程中一共處理得到以上三種場(chǎng)景的數(shù)據(jù)集。每種場(chǎng)景采集得到80張圖像，共計(jì)240張圖像。隨機(jī)選取每類圖像的60張作為訓(xùn)練集，共計(jì)180張，剩余圖像作為測(cè)試集,共計(jì)60張。

2.3.2 BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，僅將訓(xùn)練集的樣本訓(xùn)練，構(gòu)造輸入矩陣及輸出矩陣。待檢測(cè)運(yùn)煤場(chǎng)景為3類，分別將空載、正常、堆煤數(shù)據(jù)集的標(biāo)簽標(biāo)記為“0”，“1”，“2”。由于待檢測(cè)帶式輸送機(jī)機(jī)頭運(yùn)煤狀態(tài)有3類，即輸出類別有3類，故應(yīng)構(gòu)造出3個(gè)輸出神經(jīng)元，設(shè)置450個(gè)隱層神經(jīng)元(一般隱層神經(jīng)元個(gè)數(shù)為輸入神經(jīng)元與輸出神經(jīng)元和的一半)，同時(shí)根據(jù)后續(xù)實(shí)驗(yàn)結(jié)果得知，設(shè)置450個(gè)隱層神經(jīng)元是適當(dāng)?shù)?。BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖3所示。

圖3 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練窗口

由圖3可知，該神經(jīng)網(wǎng)絡(luò)輸入?yún)?shù)為900(特征向量維數(shù))，輸出參數(shù)為3(3個(gè)類別)，隱藏層神經(jīng)元個(gè)數(shù)為450個(gè)；訓(xùn)練算法為梯度下降自適應(yīng)LR算法，誤差指標(biāo)為mse，計(jì)算方式為MEX；迭代次數(shù)為217次，網(wǎng)絡(luò)訓(xùn)練時(shí)間為10 s，第一次迭代網(wǎng)絡(luò)輸出誤差為0.237、梯度為1.06.

2.3.3 實(shí)驗(yàn)結(jié)果

訓(xùn)練得到的BP神經(jīng)網(wǎng)絡(luò)模型在測(cè)試集上的表現(xiàn)，見表1。

表1 帶式輸送機(jī)機(jī)頭運(yùn)煤場(chǎng)景檢測(cè)結(jié)果

由表1可知，實(shí)驗(yàn)中對(duì)帶式輸送機(jī)機(jī)頭堆煤場(chǎng)景檢測(cè)的準(zhǔn)確率為96.7%，回歸系數(shù)為0.981；空載場(chǎng)景準(zhǔn)確率為95%，回歸系數(shù)為0.972；正常場(chǎng)景下準(zhǔn)確率為93.3%，回歸系數(shù)為0.951.

煤塊正常運(yùn)輸時(shí)的場(chǎng)景檢測(cè)準(zhǔn)確率以及回歸系數(shù)均較低的原因在于，帶式輸送機(jī)機(jī)頭的煤塊量介于堆煤與空載之間，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型的檢測(cè)精度有一定影響。

3 結(jié) 語

1) 本文提出的方法對(duì)堆煤狀態(tài)檢測(cè)的準(zhǔn)確率可以穩(wěn)定在95%以上，可以有效解決傳統(tǒng)的堆煤檢測(cè)方法易受煤礦井下環(huán)境影響存在的漏檢、誤檢率較高的問題。

2) 本文提出的堆煤狀態(tài)檢測(cè)方法具有準(zhǔn)確率高、低功耗等優(yōu)點(diǎn)，具有一定的實(shí)際應(yīng)用價(jià)值。