一种利用煤壁温度场进行高精度、高效煤岩特性识别的方法

《Engineering Applications of Artificial Intelligence》：A high-precision and efficient method for coal–rock characteristic identification utilizing coal wall temperature field

煤岩特性识别方法基于红外热成像技术，提出两阶段框架：改进YOLOv11模型提取温度敏感区域，采用ConvNeXt模型进行煤岩分类。实验验证该方案mAP达98.1%，推理速度2ms/张，准确率97.6%，有效提升矿用机械智能控制水平。

　　煤岩特征识别是实现采煤机智能化控制的关键技术之一。随着煤矿开采技术的不断发展，智能化采煤设备的应用变得越来越重要，不仅能够提升生产效率，还能保障作业安全并降低人力成本。在这一背景下，煤岩特征识别作为智能采矿的核心技术，为实现采矿设备的自主感知和智能决策提供了基础。通过准确识别煤岩特征，采煤机能够根据复杂的地质环境变化动态调整其操作策略，从而实现自适应控制，优化作业效率并确保安全开采。

近年来，关于煤岩特征识别的研究逐渐受到重视，吸引了众多学者进行深入探索。现有的识别方法大致可以分为四类：机械感知、声学/振动分析、电磁检测和基于图像的技术。机械感知方法通常通过测量切割过程中产生的切割力、扭矩或阻力来判断煤岩的特性。这些测量数据直接反映了切割设备与煤岩介质之间的相互作用，因此适用于设备内置的监测系统。然而，这些方法在实际应用中常常受到传感器易损、安装困难以及对外部干扰高度敏感的限制。

声学和振动方法则提供了一种低成本的间接监测方式，通过捕捉切割过程中产生的声波或机械振动信号进行分析。尽管这种方法具有一定的优势，但在地下环境中，由于受到周围噪声和机械设备的干扰，其识别效果可能会受到一定程度的削弱。电磁检测技术，如地面穿透雷达，通过分析反射的电磁波来识别地下地质结构。这些方法具有良好的穿透能力和非破坏性分析特性，但其识别效果可能会受到煤层厚度和岩石成分等因素的影响。此外，这些方法往往成本较高且操作复杂。

相比之下，基于图像的方法虽然在该领域的发展相对滞后，但近年来逐渐展现出广阔的应用前景。这些方法利用摄像头捕捉的视觉或热成像数据，并通过人工智能算法进行解析。其优势在于非接触式、实时性的分类能力，但在实际应用中，大多数研究仍集中于可见光谱的图像分析，因此在低光或粉尘环境中存在一定的局限性。

鉴于传统方法的不足，近年来研究者开始探索新的感知模式。其中，红外热成像技术作为一种非接触式的观测手段，展现出识别煤岩特征的潜力。在采煤机运行过程中，切割滚筒与煤壁之间的直接接触会产生大量热量，主要来源于摩擦和冲击。由于不同煤和岩石的热物理特性存在差异，因此在切割过程中，煤壁产生的热量也会有所不同。这些差异在煤壁表面形成独特的温度分布，可以通过红外成像进行捕捉。这种温度分布为基于热红外技术的非接触式煤岩特征识别提供了理论依据。

基于上述研究，本文提出了一种利用煤壁温度场信息识别煤岩特征的方法。该方法旨在通过红外热数据实现煤岩特征的自动、非接触式识别，这一主题在现有研究中尚未得到充分探索。本文的主要贡献在于设计了一个两阶段框架，包括从煤壁热场中定位温度敏感区域，以及使用高性能的深度学习分类网络对这些区域进行煤岩类型识别。然而，由于采煤机滚筒在运行过程中位置不断变化，准确跟踪其实时位置对于煤岩特征的精确识别至关重要。此外，考虑到热成像技术在实际应用中容易受到环境干扰，且缺乏较强的固有特征对比，本文通过设计特定的模型结构和训练策略来提升识别方法的鲁棒性和判别能力。

在本文提出的两阶段框架中，研究者引入了先进的深度学习技术，这些技术在目标检测和图像分类任务中表现出色。第一阶段采用改进的YOLOv11模块，用于准确且高效地识别煤壁热图像中的温度敏感区域。该模块通过引入C3k2-FasterNet和C3k2-KAN模块，实现了计算效率与特征表示精度之间的平衡。第二阶段则采用基于ConvNeXt的分类网络，用于从已识别的区域中提取深层特征并准确区分煤和岩石类型。这些模型在多种复杂视觉任务中表现出色，为实现可靠的非接触式煤岩特征识别提供了坚实的基础。

为了验证所提出方法的有效性，本文构建了一个实验平台，用于采集采煤机切割过程中煤壁的红外图像。该平台主要包括采煤机、煤岩样本、牵引液压缸、采煤机控制器以及红外图像采集单元等。通过该平台获取的实验数据，本文进行了消融实验和对比实验，以评估所提出方法在煤岩特征识别中的性能。实验结果表明，所提出的方法在识别煤壁温度敏感区域时，平均准确率（mAP）达到了98.1%，每张图像的推理速度为2毫秒，优于其他对比模型。此外，煤岩属性识别的准确率也达到了97.6%。这些结果验证了所提出方法在实际应用中的可行性。

本文的研究不仅为煤岩特征识别提供了新的技术手段，也为智能采煤设备的自主感知和智能决策提供了理论支持。通过结合红外热成像技术与深度学习算法，本文的方法能够克服传统方法在复杂环境下的局限性，实现更高效、更准确的煤岩识别。这为煤矿智能化开采提供了重要的技术支持，有助于提升煤矿生产的安全性和效率。此外，本文的研究也为未来在类似领域的技术发展提供了参考，为实现更广泛的非接触式感知和智能决策奠定了基础。