一種基于BP神經網絡的堆煤檢測方法

范喜林

(中煤科工集團 常州研究院有限公司，江蘇 常州 213015)

帶式輸送機在煤礦生產作業中廣泛應用，膠帶堆煤事故時有發生。當堆煤事故發生時，若未及時處理將帶來嚴重的安全隱患，同時會給煤礦企業帶來較大的經濟損失。因此，建立有效、可靠的帶式輸送機堆煤檢測系統具有極其重要的意義[1-2]。

目前，大多數煤礦企業采用堆煤傳感器檢測帶式輸送機運煤狀態，大致可分為三種，分別基于行程開關、水銀開關、電極式原理實現。以上傳感器雖能實現堆煤狀態的檢測。但煤礦井下煤塵較多、濕度較大，行程開關與電極式原理傳感器易受煤塵、濕度影響出現誤檢；水銀開關無法全方位檢測，容易出現漏檢。煤礦井下環境的復雜性造成堆煤傳感器靈敏度不高，可靠性較差。為了有效解決現有堆煤檢測方法的不足，本文提出一種基于BP神經網絡的方法實現對帶式輸送機運行時堆煤狀態的檢測。

1 BP神經網絡識別算法

1.1 BP神經網絡簡介

神經網絡的研究始于20世紀40年代，由美國科學家McCulloch和Pitts共同提出。神經元被視為二值開關，不同的組合方式可以實現不同的邏輯運算。這種“邏輯神經元”模型又被稱為MP模型(網絡神經元模型)，MP模型的提出打開了神經網絡研究的大門。

神經網絡的發展歷程大致為：1947—1969年為發展初期，在此期間許多類別的神經元模型和學習規則被科學家們相繼提出；1970—1985年為神經網絡研究的低谷期，期間，Hopfield教授提出了能量函數的概念，同時提出了用于聯想記憶和優化計算的方法。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網絡，簡稱BP(back propagation)網絡。

如今，BP神經網絡已經成為廣泛使用的網絡。1987年至今為其發展期，在此期間，神經網絡發展受到國際上眾多研究者們的重視，各個國家都對此展開相關研究，從而形成神經網絡發展的另一個快速發展期。

1.2 BP神經網絡原理

BP神經網絡[3-4]是一種按照誤差反向傳播(誤差反傳)的多層前饋網絡，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和模型參數值，最終使網絡的實際輸出與期望輸出的誤差、均方差都達到最小。

BP神經網絡不僅具有輸入層、輸出層的節點，而且還有一個或多個隱藏層節點。對于輸入端，第一個轉到隱藏層的節點，通過每個單元的激活函數(也稱為動作函數)來操作，在操作之后，隱藏節點的輸出信息傳播到輸出節點，最后得到輸出結果。

BP神經網絡使用梯度下降法,梯度下降法是基于誤差函數的梯度,每兩個節點權重和計算重量誤差函數的貢獻,然后根據梯度信息來修改權重以達到學習的目的。BP網絡可以有多個隱藏層，其中h隱藏層，根據前饋順序，隱藏層節點是：w1，w2，……，wh+1.BP神經網絡模型結構如圖1所示。

BP神經網絡識別算法核心部分需要經過輸入信號的前向傳播和誤差反傳兩個必要過程。即計算誤差輸出時，按照從輸入到輸出的方向進行，而調整閾值和權值則需要從輸出到輸入的方向進行。正向傳播時，輸入端信息通過隱藏層作用于輸出節點，經過非線性變換(Nonlinear transformation)，產生輸出結果，如果實際輸出與期望輸出差別較大，則轉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，誤差分攤給各隱藏層單元。這樣，獲得的誤差信號即可作為各隱層調整權值的依據。使誤差沿梯度方向下降，經過反復訓練過程，網絡自動確定與最小誤差相對應的網絡參數(權值和閾值)，訓練即停止。此時，經過訓練的神經網絡即可以對類似樣本的輸入，進行自行處理，使得輸出結果誤差最小。

圖1 BP神經網絡模型結構

1.3 BP神經網絡計算過程

BP神經網絡輸入層與輸出層之間的若干層神經元被稱為隱藏層單元。它們與外界沒有直接的聯系，但是其狀態的改變，則能影響輸入與輸出之間的關系。BP神經網絡的計算過程分為正向和反向兩個部分。正向傳播為，輸入端信號從輸入單元層經過隱藏單元層逐層處理，轉向輸出層。如果在輸出層不能得到期望的輸出，則網絡自動轉入反向傳播過程，將誤差信號沿原路返回，通過修改各隱層神經元的權值，使得誤差信號最小。

2 堆煤檢測實驗

2.1 堆煤檢測方法的設計

本文所提出的基于BP神經網絡的堆煤檢測方法包括以下三個步驟：

1) 堆煤場景數據集采集：采用礦用攝像儀獲取得到的堆煤視頻場景，拆分為堆煤場景圖像，以此作為堆煤場景數據集；

2) 特征值提取：根據堆煤場景數據集圖像，采用HOG特征提取算子進一步處理，得到圖像特征向量；

3) 堆煤檢測：設計BP神經網絡檢測算法，檢測礦用攝像儀獲取得到的帶式輸送機機頭運煤視頻解析圖片，最終得到檢測結果。

結合上述內容，設計出如圖2所示的堆煤場景檢測流程圖。

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。經過查找文獻，對比三者對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點。

具體表現如下：①HOG算法特征提取運算在圖像的局部方格單元上進行，因此它對圖像的幾何以及光學形變均能保持最大限度的不變性，而且這兩種形變僅會出現在更為寬大的空間領域上。②在較強的局部光學歸一化以及在精細的方向上抽樣條件下，被檢測圖像的少許位移，旋轉等微小的動作，都可以被忽略，而不會影響到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,本文選定采用HOG算法對圖像特征值進行提取。

圖2 堆煤場景檢測流程圖

2.3 BP神經網絡訓練

2.3.1 訓練集與測試集的劃分

BP神經網絡檢測圖像的過程，需要將待檢測圖像劃分為訓練集和測試集。測試集樣本與訓練集的樣本比例通常被劃分為1∶3.

考慮到帶式輸送機機頭運煤場景共有3種，分別為空載、正常、堆煤，為了體現本文方法的可靠性，在數據集采集過程中一共處理得到以上三種場景的數據集。每種場景采集得到80張圖像，共計240張圖像。隨機選取每類圖像的60張作為訓練集，共計180張，剩余圖像作為測試集,共計60張。

2.3.2 BP神經網絡的訓練

BP神經網絡訓練過程中，僅將訓練集的樣本訓練，構造輸入矩陣及輸出矩陣。待檢測運煤場景為3類，分別將空載、正常、堆煤數據集的標簽標記為“0”，“1”，“2”。由于待檢測帶式輸送機機頭運煤狀態有3類，即輸出類別有3類，故應構造出3個輸出神經元，設置450個隱層神經元(一般隱層神經元個數為輸入神經元與輸出神經元和的一半)，同時根據后續實驗結果得知，設置450個隱層神經元是適當的。BP神經網絡訓練過程如圖3所示。

圖3 BP神經網絡訓練窗口

由圖3可知，該神經網絡輸入參數為900(特征向量維數)，輸出參數為3(3個類別)，隱藏層神經元個數為450個；訓練算法為梯度下降自適應LR算法，誤差指標為mse，計算方式為MEX；迭代次數為217次，網絡訓練時間為10 s，第一次迭代網絡輸出誤差為0.237、梯度為1.06.

2.3.3 實驗結果

訓練得到的BP神經網絡模型在測試集上的表現，見表1。

表1 帶式輸送機機頭運煤場景檢測結果

由表1可知，實驗中對帶式輸送機機頭堆煤場景檢測的準確率為96.7%，回歸系數為0.981；空載場景準確率為95%，回歸系數為0.972；正常場景下準確率為93.3%，回歸系數為0.951.

煤塊正常運輸時的場景檢測準確率以及回歸系數均較低的原因在于，帶式輸送機機頭的煤塊量介于堆煤與空載之間，對BP神經網絡模型的檢測精度有一定影響。

3 結 語

1) 本文提出的方法對堆煤狀態檢測的準確率可以穩定在95%以上，可以有效解決傳統的堆煤檢測方法易受煤礦井下環境影響存在的漏檢、誤檢率較高的問題。

2) 本文提出的堆煤狀態檢測方法具有準確率高、低功耗等優點，具有一定的實際應用價值。