Ein offener Datensatz zur intelligenten Erkennung und Klassifizierung abnormaler Zustände im Strebbergbau

Dec 07, 2023

Scientific Data Band 10, Artikelnummer: 416 (2023) Diesen Artikel zitieren

1506 Zugriffe

1 Altmetrisch

Details zu den Metriken

Bei der unterirdischen Kohlebergwerksförderung im vollmechanisierten Abbaugebiet gibt es viele Probleme, wie z. B. schlechte Betriebsbedingungen, hohe Unfallraten usw. In jüngster Zeit ersetzt der intelligente autonome Kohleabbau nach und nach den traditionellen Abbauprozess. Die Technologie der künstlichen Intelligenz ist ein aktives Forschungsgebiet und soll die untertägigen anormalen Bedingungen für den intelligenten Strebbau erkennen und warnen. Es ist untrennbar mit der Erstellung von Datensätzen verbunden, aber der Bohrlochdatensatz ist derzeit noch leer. Diese Arbeit entwickelt einen Bilddatensatz des Untertage-Strebbaus (DsLMF+), der aus 138004 Bildern mit Anmerkungen zu 6 Kategorien von Minenpersonal, hydraulischer Stützschutzplatte, großer Kohle, Schleppleine, Verhalten der Bergleute und Minenschutzhelm besteht. Alle Beschriftungen des Datensatzes sind im YOLO-Format und COCO-Format öffentlich verfügbar. Die Verfügbarkeit und Genauigkeit der Datensätze wurden von Experten im Kohlebergbaugebiet überprüft. Der Datensatz ist frei zugänglich und soll die weitere Forschung und Weiterentwicklung der intelligenten Identifizierung und Klassifizierung anormaler Bedingungen für den Untertagebergbau unterstützen.

Kohle wird auch in den kommenden Jahrzehnten weltweit die dominierende Energiequelle bleiben1. Autonome Kohlebergbaumaschinen im Strebbau können den Menschen bei der Durchführung der gefährlichen Bergbauarbeiten unterstützen oder ersetzen und so eine sichere und effiziente Produktion im Kohlebergwerk erreichen. Um einige komplexe Aufgaben zu erledigen, ist jedoch immer noch die Beteiligung des Menschen erforderlich. Der unterirdische Kohleabbau im vollmechanisierten Strebbau birgt jedoch viele Probleme, wie z. B. schlechte Betriebsbedingungen, hohes Katastrophenrisiko, hohe Unfallrate usw. Der Intelligence-Mining ist zu einer wichtigen Möglichkeit geworden, die risikoreichen Untertagearbeiten anzugehen und das Ziel einer sicheren und effizienten Untertageproduktion zu erreichen2. Mit der rasanten Entwicklung der Technologie der künstlichen Intelligenz wird erwartet, dass die abnormale Situation von Ausrüstung, Umgebung und Personal in Echtzeit und genau erkannt wird.

In einer vollmechanisierten Ortsbrust ist die hydraulische Unterstützung für die sichere Produktion der gesamten Ortsbrust unerlässlich. Als Kernausrüstung für den vollmechanisierten Kohlebergbau kann hydraulische Unterstützung für eine sichere Ortsbrust sorgen und den Kratzförderer und die Schermaschine in der Ortsbrust bewegen3. Es kann auch zuverlässig und effektiv die Decke eines Kohlebergwerks stützen, abgebauten Bereiche isolieren und verhindern, dass Gesteinsabfälle in die Ortsbrust gelangen. Gemäß dem Kohlebergbauprozess im vollmechanisierten Kohlebergbau kann es, wenn die hydraulische Stützplatte während des Arbeitsprozesses nicht angebracht oder nicht vollständig wiederhergestellt ist, zu Bewegungsstörungen zwischen hydraulischer Stütze und Schrämmaschine kommen. Daher ist es notwendig, den Status der hydraulischen Stützschutzplatte rechtzeitig zu ermitteln und entsprechend zu reagieren. Im vollmechanisierten Strebbau kann große Kohle leicht zu Verstopfungen, Rückständen und anderen abnormalen Zuständen des Kratzförderers führen. Es ist notwendig, große Kohle automatisch zu identifizieren und zu verfolgen, um den anormalen Zustand großer Kohle rechtzeitig beurteilen und warnen zu können. Die Schleppleine wird im vollmechanisierten Bergbau eingesetzt, um die Stromversorgung und den stabilen Betrieb der Schrämmaschine sicherzustellen. Allerdings würde das Zugkabel während des Betriebs aufgrund der Stapelung der Kabelklemmen brechen oder aus dem Kabelschlitz entfernt werden, und das Kabel könnte abgerissen werden, was zu einem elektrischen Leck im Untergrund führen könnte, was schließlich zu einem Stromschlag führen könnte , Gas, Kohlenstaubexplosion, Feuer und andere schwere Sicherheitsunfälle in Kohlengruben. Daher ist es notwendig, eine Echtzeit-Statusüberwachung und eine intelligente Analyse der Schleppleine durchzuführen, um sicherzustellen, dass der Fehler der Schleppleine rechtzeitig erkannt und behoben wird.

Um die Sicherheit des Personals in der vollmechanisierten Abbaufront zu gewährleisten, ist es notwendig, das Bergwerkspersonal zu identifizieren und zu verfolgen, um beurteilen zu können, ob sich das Bergwerkspersonal in einem sicheren Bereich befindet. Das den Gefahrenbereich betretende Personal sollte rechtzeitig erkannt und positioniert werden, die entsprechende Spracherinnerungsverarbeitung sollte durchgeführt werden und gleichzeitig sollte der Betrieb der entsprechenden Ausrüstung gestoppt werden. Mit Ausnahme der Minenarbeiter, die gefährliche Bereiche betreten, nehmen die Bergarbeiter bei der Arbeit unterschiedliche Körperhaltungen ein. In der komplexen Arbeitsumgebung führt das unsichere Verhalten der Bergleute auch leicht zu einer Zunahme von Sicherheitsunfällen im Kohlebergwerk, und auch das abnormale Verhalten des Bohrlochpersonals muss jederzeit beachtet werden. Ein Schutzhelm ist eine Art Sicherheitsausrüstung, die Bergleute während ihrer Arbeit jederzeit tragen müssen. Der Bereich, in dem das Kohleflöz gefördert wird, führt dazu, dass der Druck von der hydraulischen Stütze auf die Kohlewand übertragen wird, was den Druck auf die Kohlewand erhöhen kann und schließlich das Phänomen des Abplatzens der Kohlewand verursacht. Die vom Dach fallende Kohle und die Kollision zwischen Personal und Ausrüstung können zu Unfällen mit Personenschäden führen. Daher stehen Schutzhelme im Zusammenhang mit der Sicherheit von Bergleuten im vollmechanisierten Bergbau, und auch das Tragen von Schutzhelmen für das Bergwerkspersonal erfordert eine Echtzeitüberwachung.

Die oben genannten Zustände der hydraulischen Stützschutzplatte, der großen Kohle, der Schleppleine, der Erkennung von Minenarbeitern, des persönlichen Verhaltens und des Tragezustands des Schutzhelms sind die Hauptinhalte der abnormalen Erkennung und Identifizierung im vollmechanisierten Strebabbau. Die Überwachungsvideos im vollmechanisierten Abbaustoß sind zahlreich und werden schnell aktualisiert. Der anormale Zustand der Ortsbrust wurde von Fachpersonal durch Echtzeit-Videoüberwachung im herkömmlichen Produktionsprozess beurteilt. Dies kann dazu führen, dass der anormale Zustand aufgrund der visuellen Ermüdung während der Langzeitarbeit nicht rechtzeitig erkannt wird. Daher ist es von großer Bedeutung, die Technologie der künstlichen Intelligenz zur Analyse, Identifizierung und Warnung vor abnormalen Zuständen einzusetzen, zu denen hydraulische Stützschutzplatten, große Kohlen, Schleppleinen, das Verhalten von Bergleuten und der Tragezustand von Schutzhelmen gehören. Die Objekterkennung mittels Intelligence Data-Mining ist untrennbar mit Datensätzen verbunden und für das Training ist eine große Anzahl von Stichproben erforderlich, um eine bessere Generalisierung zu erreichen4,5,6. Daher ist es unbedingt erforderlich, einen Bilddatensatz zu erstellen, um die abnormalen Untergrundbedingungen des vollmechanisierten Strebabbaus zu identifizieren und zu warnen. In Anbetracht der Tatsache, dass die Bohrlochdatensätze derzeit noch leer sind, erstellt diese Arbeit den Bilddatensatz DsLMF+ zur intelligenten Erkennung abnormaler Zustände im Untertage-Strebbergbau, der hauptsächlich aus der hydraulischen Stützschutzplatte, großer Kohle, Schleppleine, Minenschutzhelm und Kohlebergleuten besteht und das Verhalten der Bergleute im vollmechanisierten Streb.

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. Einige weit verbreitete Objekterkennungsdatensätze sind wie folgt: (1) COCO-Datensätze mit großen, häufig verwendeten Objekten als Zielerkennungsobjekte11,12,13; (2) VOC-Datensätze mit Menschen, gewöhnlichen Tieren, Verkehrsfahrzeugen, Innenmöbelobjekten als Zielerkennungsobjekten14,15,16; (3) DOTA-Datensatz mit Flugzeugen, Schiffen, Lagertanks, Baseballstadien, Tennisplätzen, Basketballplätzen, Landebahnen, Häfen und Brücken als Zielerkennungsobjekte17,18,19; (4) TT100K-Datensatz mit gängigen Fahrzeugen als Zielerkennungsobjekt20,21,22; (5) WIDER FACE-Datensatz mit Gesichtsausdruck, Beleuchtung und Körperhaltung als Zielerkennungsobjekte23,24,25; (6) Datensatz im YOLO-Format, der der Zielerkennung gewidmet ist26,27,28 usw. Zusätzlich zu diesen allgemeinen Datensätzen können wir den Datensatz auch über das Pytorch-Framework anpassen, aber das benutzerdefinierte Datensatzformat ist komplex, vielfältig und lässt sich nur schlecht teilen29. Die Bohrlochdatensätze sind derzeit noch leer. Um den Bilddatensatz der vollmechanisierten Ortsbrust im Bereich des intelligenten Kohlebergbaus zu erstellen und die Förderung und Anwendung zu erleichtern, sollte die Kompatibilität und Praktikabilität des Kohlebergwerksdatensatzes berücksichtigt werden.

Auf der Grundlage der Analyse des Formats und der Produktionsmethode der oben genannten häufig verwendeten Objekterkennungsdatensätze wurde die Erstellung der Datensätze in dieser Arbeit von Mitarbeitern durchgeführt, die mit der vollmechanisierten Abbaufläche in Kohlebergwerken vertraut sind. Die Labelimg-Software wurde verwendet, um die Beschriftungsannotation von Datensätzen im YOLO-Format30 zu vervollständigen, was die Verwendung in den derzeit beliebten Zielerkennungsnetzwerken der YOLO-Serie erleichtert. Um den Anwendungsbereich dieses Datensatzes zu erweitern, wurde gleichzeitig auch das Etikettenformat des Datensatzes durch ein Etikettenformat-Konvertierungsskript in das COCO-Format konvertiert und könnte daher in den derzeit gängigen COCO-Zielerkennungsmethoden verwendet werden . Natürlich können neben dem COCO-Label-Format und dem YOLO-Label-Format auch die übrigen Daten-Label-Formate über das Tag-Konvertierungsskript konvertiert werden.

Der Bilddatensatz des vollmechanisierten Strebbergbaus (DsLMF+) ist von großer Bedeutung für die Anwendung der Objekterkennung mithilfe von Intelligence Data-Mining im Bereich des Kohlebergbaus, von dem erwartet wird, dass er in der Lage sein wird, ungewöhnliche Bedingungen im Untergrund zu erkennen und zu warnen. Lösung der Probleme der gefährlichen und ineffizienten Untertagearbeit und damit Beschleunigung der Intellektualisierung des Kohlebergbaus.

Der Erstellungsprozess des Bilddatensatzes des Untertage-Strebbergbaus (DsLMF+) ist in Abb. 1 dargestellt, der hauptsächlich in die folgenden drei Schritte unterteilt ist: (1) Bilddatenerfassung; (2) Bilddatenfilterung; (3) Datenkennzeichnung.

Überblick über den Erstellungsprozess für die DsLMF+-Datensätze.

Die ursprünglichen Untertage-Überwachungsvideos der vollmechanisierten Kohlebergbaufront wurden von mehreren Kohlebergwerken in der chinesischen Provinz Shaanxi bereitgestellt, die dann gesichtet und nach den verschiedenen Zielobjekten klassifiziert wurden. Wir haben eine Szenengenehmigungsvereinbarung mit der Shaanxi Coal and Chemical Industry Group Sunjiacha Longhua Mining Co.,LTD unterzeichnet, um sicherzustellen, dass der Datensatz normal offengelegt werden kann. Mittlerweile enthielt die Vereinbarung auch die Genehmigung zur Offenlegung der Porträts des Bergwerkspersonals, um sicherzustellen, dass die Bergleute, die im Kohlebergwerk fotografiert werden, über die Offenlegung des Datensatzes informiert waren. Die Bilderfassungsausrüstung besteht aus einer Netzwerk-HD-Kamera IVG-G5A und einem Openmv IMX335-Objektiv (1/2,8 Zoll). Die Brennweite des Objektivs beträgt 2,02 mm und der Sichtwinkel beträgt 119,8° (D), 105,2° (H) und 87,2° (V). Die Kamera kann die Bildaufnahme mit einer maximalen Auflösung von 5 Megapixeln durchführen, die Bildrate beträgt 1~30 FPS und die verwendeten Videoformate sind Flash-Video (FLV) und MPEG-4. Die FFmpeg-Videoverarbeitungssoftware wird verwendet, um die benötigten klassifizierten Videos31 zu verarbeiten und relevante Bilder entsprechend den verschiedenen Bildrateneinstellungen zuzuschneiden. Die in dieser Arbeit erstellten DsLMF+-Datensätze bestehen aus 6 Kategorien: Kohlebergleute, Großkohle, Schleppleine, Minenschutzhelm, hydraulische Stützschutzplatte und Verhalten der Bergleute. In Anbetracht der Tatsache, dass es in einigen Originalbilddaten kein Zielobjekt gibt, das mit Anmerkungen versehen werden muss, enthalten die Bilder nicht das Minenpersonal, große Kohle, Schleppleine, hydraulische Stützschutzplatte und andere Zielkategorien, die mit Anmerkungen versehen werden müssen. Daher wurden einige Bildrahmen entfernt und die anderen Bilder nach den verschiedenen Kategorien sortiert und die erhaltenen Bilder werden als Originalbildquelle des DsLMF+-Datensatzes verwendet.

Anschließend wird die Originalbildquelle des DsLMF+-Datensatzes überprüft. Der in dieser Arbeit gesammelte DsLMF+-Datensatz umfasst hauptsächlich das Minenpersonal, die große Kohle- und Hydraulikstützschutzplatte, die Schleppleine, den Minenschutzhelm und das Verhalten der Bergleute, da einige Bilder in Originaldatensätzen möglicherweise kein Ziel, unvollständiges Ziel usw. enthalten Schlechte Bildqualität, die es schwierig macht, das Ziel zu identifizieren. Daher sollten alle Bilder entfernt werden, auf denen möglicherweise abnormale Daten vorhanden sind.

Zu den abnormalen Bildern, die verarbeitet werden müssen, gehören hauptsächlich die folgenden Situationen: 1) Wenn die vollmechanisierte Abbaufläche durch starke Umweltfaktoren wie viel Staub und Wassernebel beeinträchtigt wird, ist es schwierig, die Kohlebergleute, große Kohle und hydraulische Unterstützung zu identifizieren Schutzschild, Schleppleine, Minenschutzhelm und das Verhalten der Bergleute in den gesammelten Bildern. 2) Aufgrund des begrenzten Sichtfelds einer Kamera oder der Okklusion ist die Zielerfassung im Prozess der Bildaufnahme unvollständig, was dazu führt, dass nur lokale Merkmale des Ziels in den erfassten Bildern enthalten sind. 3) Wenn die vollmechanisierte Abbaufront nicht mehr funktioniert, sammelt die Kamera weiterhin Bilder, was zu einer großen Anzahl wiederholter Bilder in den gesammelten Videobildern führt. 4) Die Zielobjekte in der Bohrlochvideoaufnahme befinden sich in einem beweglichen Zustand. Bei der Konvertierung dieser Videos in Bilder sollte entsprechend der unterschiedlichen Bewegungsgeschwindigkeit eine angemessene Bildrate gewählt werden. Wenn sich das Ziel jedoch zu schnell bewegt, wird das durch die Videokonvertierung erhaltene Bild unweigerlich unscharf. 5) Aufgrund des Einflusses der Bohrlochumgebung und des Abstands zwischen dem Ziel und der Kamera ist es schwierig, das Zielobjekt in großer Entfernung von anderen Geräten zu unterscheiden.

Alle oben genannten abnormalen Videobilder müssen im Prozess der Bilddatensatzerstellung manuell oder automatisch entfernt werden. Um die Reproduzierbarkeit der Datensätze zu gewährleisten, haben wir mit ResNet50 ein automatisches Filternetzwerkmodell mit Dreifachklassifizierung erstellt, um Bilder mit geringer Qualität zu verarbeiten, die durch Umweltfaktoren im Bohrloch wie hoher Staub, Wassernebel, Bewegungsunschärfe usw. beeinflusst werden. In dieser Arbeit wurden einige Bilder mit hohem Staub- und Wassernebelgehalt, defokussierte und bewegungsunscharfe Bilder sowie klare Bilder aus den gesammelten Rohbilddaten ausgewählt und ein Bildfilterdatensatz für das Training und die Überprüfung des automatischen Dreiklassifizierungsfiltermodells erstellt . Das erhaltene automatische Filtermodell kann verwendet werden, um die ungültigen Bilddaten automatisch zu verarbeiten, um die Reproduzierbarkeit unserer Datensätze zu erhöhen und die Chancen für andere Forscher zu erhöhen, mit den Datensätzen zusammenzuarbeiten. Das automatische Filtermodell mit Dreifachklassifizierung wurde zusammen mit den Datensätzen bereitgestellt und seine spezifische Verwendung kann in der beigefügten README-Datei nachgelesen werden. Darüber hinaus kann der strukturelle Ähnlichkeitsindex SSIM verwendet werden, um die Duplikat- oder Ähnlichkeitsbilder zu beurteilen und automatisch herauszufiltern. In den anderen Fällen überprüften mehrere Personen beim Entfernen von Bildern aus dem Datensatz die kontroversen Bilder im Datensatz einheitlich, da es beim Screening von Bildern leicht von persönlichen subjektiven Faktoren beeinflusst werden kann, insbesondere bei Bildern, bei denen es schwierig ist unterscheiden.

Schließlich wurden die gefilterten Originalbilddatensätze mithilfe der LabelImg-Software mit Anmerkungen versehen und mit dem Etikett versehen. Hier stellen wir einen offiziellen Open-Source-Download-Link (https://github.com/heartexlabs/labelImg) für die Labelimg-Software bereit. Die Forscher können die Beschriftung im YOLO-, VOC- oder CreateML-Format festlegen und die Bilder gemäß den Anweisungen des Beamten mit Anmerkungen versehen. Bei der Beschriftung verschiedener Arten von Datensätzen musste die Reihenfolge der Beschriftungen entsprechend festgelegt werden. Sobald die Etikettenreihenfolge festgelegt wurde, kann die Etikettenreihenfolge beim nächsten Öffnen der Software zum Etikettieren nicht mehr geändert werden. Wenn die Reihenfolge geändert wird, wird die Beschriftungsreihenfolge des Datensatzes automatisch in die aktuelle Beschriftungsreihenfolge geändert, und die ursprünglich beschrifteten Anmerkungen werden in der aktuellen Reihenfolge angezeigt, was zu einer Verwirrung der Beschriftungen im Datensatz führt. Das LabelImg-Tool wurde verwendet, um den Trainingssatz und den Validierungssatz gemäß dem YOLO-Format zu kommentieren. In der Zwischenzeit haben wir die YOLO-Datensätze auch über Skriptdateien und Retain in COCO-Datensätze konvertiert. Diese Arbeit umfasst die Datensätze des Minenpersonals, der Schleppleine, des Minenschutzhelms und der Großkohle mit der Einzeletikettenanmerkung sowie der hydraulischen Stützschutzplatte und des Verhaltens der Bergleute mit Mehrfachetikettenanmerkungen. Abbildung 2 zeigt die Etikettenanmerkungen von Bergleuten, großer Kohle, Schleppleine, Minenschutzhelm, Verhalten der Bergleute und Stützzustand der hydraulischen Stützschutzplatte.

Beschriftungsanmerkung für den Datensatz des vollmechanisierten Strebabbaus: (a) Kohlebergmann; (b) große Kohle; (c) Minenschutzhelm; (d) Schleppleine; (e) hydraulische Stützschutzplatte; (f) Verhalten der Bergleute.

Die Single-Label-Datensätze der Großkohle, des Minenschutzhelms, der Schleppleine und des Minenpersonals werden jeweils als „große_Kohle“, „Mine_Sicherheitshelm“, „Schleppleine“ und „Kohlebergmann“ bezeichnet. Um zu beurteilen, ob zwischen dem Betrieb der Schermaschine und der Schutzplatte eine Bewegungsstörung vorliegt, werden die Bilder in dieser Arbeit entsprechend dem Entfaltungswinkel der hydraulischen Stützschutzplatte beschriftet, um die Stützzustandsinformationen der hydraulischen Stütze zu erhalten die vollmechanisierte Abbaufront. Bei der Beschriftung der Schutzplatte decken die Etikettentypen alle Winkel der hydraulischen Stützschutzplatte ab. Um die Genauigkeit der Winkelmarkierung sicherzustellen, nutzt diese Arbeit den eingebauten Sensor in der hydraulischen Stütze der vollmechanisierten Abbaufläche, um die Winkelinformationen der Schutzplatte in Echtzeit zu erfassen und zu extrahieren. Die extrahierten Winkelinformationen werden nicht nur zur Kommentierung des Bildes der Schutzplatte im Datensatz verwendet, sondern auch zur Überprüfung, ob die annotierten Winkeltypen der Schutzplatte sinnvoll sind. Entsprechend dem unterschiedlichen Aufklappwinkel der hydraulischen Stützschutzplatte werden die Stützzustände der hydraulischen Stützschutzplatte in acht Arten unterteilt, die jeweils als hydraulische_Stützschutzplatte_00, hydraulische_Stützschutzplatte_00_30, hydraulische_Stützschutzplatte_30_60, hydraulische_Stützschutzplatte_60_90 und hydraulische_Stützschutzplatte_90 bezeichnet werden ,hydraulic_support_guard_plate_90_abnormal, hydraulische _support_guard_plate_90_120 und hydraulische_support_guard_plate_abnormal. Um beurteilen zu können, ob es zu Bewegungsbeeinträchtigungen zwischen der Schutzplatte und der Schermaschine kommt, ist die Etikettenanmerkung für das Bild, in dem die Schermaschine, die unter der hydraulischen Stützschutzplatte hindurchfährt, auch als Schermaschine gekennzeichnet. Die beteiligten Datensatzbezeichnungen der Zustände der hydraulischen Stützschutzplatte sind in Abb. 3 dargestellt.

Die Beschriftungsanmerkungen des Datensatzes für die Zustände der hydraulischen Stützschutzplatte. (a) Scherer; (b) hydraulische_support_guard_plate_00; (c) hydraulische_support_guard_plate_00_30; (d) hydraulische_support_guard_plate_30_60; (e) hydraulische_support_guard_plate_60_90; (f) hydraulische_support_guard_plate_90; (g) hydraulischer_support_guard_plate_abnormal; (h) hydraulische_support_guard_plate_90_abnormal; (i) hydraulische_support_guard_plate_90_120.

Unter diesen ist der Zustand „hydraulik_support_guard_plate_00“ der Zustand, in dem die Schutzplatte vollständig wiederhergestellt ist und keine Beeinträchtigung des Schneidmaschinenbetriebs vorliegt. Die Zahlen vor und nach dem Unterstrich in „hydraulik_support_guard_plate_00_30“, „hydraulik_support_guard_plate_30_60“ und „hydraulik_support_guard_plate_60_90“ repräsentieren jeweils den Winkelbereich, der dem Entfaltungszustand der Schutzplatte entspricht. Wenn sich die Schutzplatte in diesen drei Zuständen befindet, beeinträchtigt sie den Betrieb der Schermaschine. Wenn im Zustand „hydraulik_support_guard_plate_90“ der Entfaltungswinkel entsprechend dem Zustand der Schutzplatte 90° beträgt, befindet sich die Stützplatte nahe an der Kohlewand, was eine gute Stützfunktion für die Kohlewand spielen und das Auftreten von Kohlewänden wirksam verhindern kann Plattenunfall in der vollmechanisierten Ortsbrust. Im Zustand „hydraulik_support_guard_plate_abnormal“ liegt ein Problem in der Struktur der hydraulischen Stützschutzplatte vor, die rechtzeitig ausgetauscht werden sollte. Im Zustand „hydraulik_support_guard_plate_90_abnormal“ beträgt der Ausklappwinkel der Schutzplatte 90° und es gibt einen kleinen Spalt zwischen der Schutzplatte und der Kohlewand, sodass die Stützkraft nicht ausreicht. Im Zustand „hydraulik_support_guard_plate_90_120“ ist der Ausklappwinkel der Schutzplatte zu groß, was dazu führt, dass der Spalt zwischen der Schutzplatte und der Kohlewand zu groß ist und die Stützfestigkeit nicht ausreicht.

Um die Universalität und Kompatibilität dieses Datensatzes sicherzustellen, haben wir Bilder von Minenpersonal, großer Kohle, Schleppleine, Minenschutzhelm, Verhalten der Bergleute und hydraulischer Stützschutzplatte aus mehreren Szenen gesammelt. Die Bilddaten des Minenpersonals stammten aus 58 verschiedenen Szenen, die Bilddaten der großen Kohle stammten aus 18 verschiedenen Szenen, die Bilddaten der Schutzplatte stammten aus 159 verschiedenen Szenarien, die Bilddaten der Schleppleinenbilder stammten aus 65 verschiedenen Szenarien, das Bild Die Daten des Minenschutzhelms stammten aus 85 verschiedenen Szenarien, und die Bilddaten zum Verhalten der Bergleute stammten aus 67 verschiedenen Szenarien. Die in dieser Arbeit erstellten DsLMF+-Datensätze sind im Verhältnis32 von 8:2 in Trainingssatz und Validierungssatz unterteilt. Es gibt 30704 Minenpersonalbilder mit 24563 Bildern in Trainingssätzen und 6141 im Validierungssatz, 21017 große Kohlebilder mit 16813 Bildern in Trainingssätzen und 4204 im Validierungssatz, 21412 Schleppleinenbilder mit 17129 Bildern in Trainingssätzen und 4283 im Validierungssatz, 20117 Mine Bilder von Schutzhelmen mit 16093 im Trainingssatz und 4024 im Validierungssatz, 24709 Bilder zum Verhalten von Bergleuten mit 19767 im Trainingssatz und 4942 im Validierungssatz und 20045 Bilder von hydraulischen Stützschutzplatten mit 16036 im Trainingssatz und 4009 im Validierungssatz. Die Tabellen 1–7 beschreiben jeweils die Datensätze zu Minenschutzhelmen, Schleppleinen, Kohlebergleuten, dem Verhalten der Bergleute, großen Kohlestücken und Schutzblechen in mehreren verschiedenen Szenarien.

Der DsLMF+-Datensatz des Kohlebergwerksbildes im vollmechanisierten Strebabbau ist im Datenrepository figshare33 öffentlich verfügbar. Datenanmerkungen umfassen das YOLO-Format und das COCO-Format. Darunter werden die Bild- und Etikettendateien des Datensatzes im YOLO-Format wie folgt gespeichert: Die Ordnernamen jedes Datensatzes in data2023_yolo lauten jeweils „coal_miner_data2023_yolo“, „large_coal_data2023_yolo“, „mine_safety_helmet_data2023_yolo“, „towline_data2023_yolo“, „miner_behavior_data2023_yolo“ und „hydraulik_support_guard_plate“. _data2023_yolo. Jeder Ordner enthält die Bildordner und Etikettenordner, die als Bilder und Etiketten bezeichnet werden und in denen Bilddaten bzw. Etikettendaten gespeichert werden. Diese Ordner enthalten auch Trainingsset-Ordner und Verifizierungsset-Ordner. Die in den Etikettendaten enthaltenen Informationen umfassen hauptsächlich Datentyp, Anzahl der Etiketten und Etikettenkoordinaten.

Die Bild- und Beschriftungsdateien des Datensatzes im COCO-Format werden wie folgt gespeichert: Die Ordnernamen jedes Datensatzes in data2023_coco lauten jeweils „coal_miner_data2023_coco“, „large_coal_data2023_coco“, „mine_safety_helmet_data2023_coco“, „towline_data2023_coco“, „miner_behavior_data2023_coco“ und „hydraulik_support_guard_plate_data20“. 23_Kokosnuss. Jeder dieser Ordner enthält den Trainingsset-Bildordner, den Verifizierungsset-Bildordner und den Label-Ordner mit den Namen train2017, val2017 und Annotations, die zum Speichern von Trainingsset-Bildern, Verifizierungsset-Bildern und Label-Dateien verwendet werden. Zu den in COCO-Etikettendateien enthaltenen Informationen gehören Dateiname, Bildbreite und -höhe, Etikettenkategorie und Etikettenkoordinaten usw.

Darüber hinaus werden die Dateien „coal_miner_DsLMF“, „large_coal_DsLMF“, „mine_safety_helmet_DsLMF“, „towine_DsLMF“, „miner_behavior_DsLMF“ und „hydraulik_support_guard_plate_DsLMF“ bereitgestellt, um die Bilder von Minenpersonal, großer Kohle, Schleppleine, Verhalten der Bergleute, Minenschutzhelm und Schutzplatte in verschiedenen Szenarien in DsLMF+ besser unterscheiden zu können Datensätze und der Bildindex für die verschiedenen Szenen sind in den Dateien angegeben.

Um die Zuverlässigkeit des DsLMF+-Datensatzes in dieser Arbeit sicherzustellen, haben wir außerdem eine umfassende manuelle Überprüfung aller Bilder und ihrer entsprechenden Beschriftungsanmerkungen durchgeführt. Die spezifische Überprüfungsmethode ist wie folgt: Fünf Mitglieder mit umfassender Berufserfahrung im Kohlebergbau werden ausgewählt, um den Bilddatensatz und die Etiketteninformationen nacheinander zu überprüfen, um festzustellen, ob Etiketten fehlen oder falsch sind. Um die Qualität und Anwendungswirkung des Datensatzes sicherzustellen, überprüften die fünf Mitglieder gleichzeitig einheitlich die umstrittenen Bilder im Datensatz, wie z. B. die Größenschwelle großer Kohle, den Winkel im Bild der Schutzplatte und ihre Beschriftung , die Richtigkeit der Kennzeichnung der Bohrlochschleppleine, das Verhalten des Kohlepersonals und der Minenschutzhelm. Durch die gemeinsame Abstimmung der fünf Mitglieder wurde die Überprüfungsarbeit des Datensatzes abgeschlossen.

Der DsLMF+-Datensatz bietet zwei Arten von Datensatzformaten: YOLO und COCO, die die Anwendung für die derzeit beliebten neuronalen Netze zur Zielerkennung mit der höchsten Bewertung erleichtern. Um die Machbarkeit des erstellten Datensatzes zu überprüfen, wählte diese Arbeit die drei besten Deep-Learning-Netzwerke YOLOv734, DETA35 und ViT-Adapter-L36 aus der COCO-Zielerkennungs-Rangliste aus und führte ein Modelltraining und eine Verifizierung des DsLMF+-Datensatzes durch. Die Zugriffslinks von DETA, ViT-Adapter-L und YOLOv7, die zur Überprüfung der Datensätze verwendet wurden, lauten https://github.com/jozhang97/deta, https://github.com/czczup/vit-adapter und https:/ /github.com/wongkinyiu/yolov7. Die DsLMF+-Datensätze wurden auf einer Maschine mit Intel(R) Xeon(R) Gold 6330 CPU, RTX A5000 GPU und Ubantu18.04 trainiert. Die Hyperparameter der oben genannten drei Zielerkennungsalgorithmen basierten auf den empfohlenen Standardwerten. Um dem Datensatz gerecht zu werden, werden einige Hyperparameterwerte wie Breite, Höhe, Stapelgröße, anfängliche Lernrate und Epochen geändert. Diese Änderung wurde gemäß den Empfehlungen der ersten YOLOv7-, DETA- und ViT-Adapter-L-Forschung umgesetzt.

Für die Datensatzüberprüfung werden die Kohlebergleute, die große Kohle, die Schleppleine, der Minenschutzhelm, die hydraulische Stützschutzplatte und das Verhalten der Bergleute in den Datensätzen trainiert und bewertet. Die Bildhöhe und -breite des Eingabebildes werden im Netzwerktraining beide auf 640 geändert. Tabelle 8 zeigt das Benchmark-Ergebnis von ViT-Adapter-L, DETA und YOLOv7 für die DsLMF+-Datensätze. Abbildung 4 zeigt die Diagramme der Leistung der drei Modelle während der Validierung sowie die mAP-Wertkurven jedes Zielerkennungsnetzwerkmodells. Die mAP-Werte des YOLOv7-Erkennungsmodells können jeweils 0,986, 0,976, 0,978, 0,868, 0,913 und 0,997 erreichen, die mAP-Werte des DETA-Erkennungsmodells können jeweils 0,976, 0,960, 0,958, 0,815, 0,914 und 0,989 erreichen und die mAP-Werte von ViT -Das Adapter-L-Erkennungsmodell kann jeweils 0,966, 0,961, 0,963, 0,854, 0,928 und 0,989 erreichen. Die oben genannten mAP-Werte deuten darauf hin, dass die Modelle eine gute Leistung aufweisen und der DsLMF+-Datensatz unter YOLOv7, DETA und ViT-Adapter-L eine gute Leistung erbringt. Die eingesetzten YOLOv7, DETA und ViT-Adapter-L wurden jeweils verwendet, um die 6 Kategorien von Bildern von Kohlebergleuten, großer Kohle, Schleppleine, Minenschutzhelm, hydraulischer Stützschutzplatte und Bergmannsverhalten im DsLMF+-Datensatz zufällig zu extrahieren und zu erkennen Die Ergebnisse der identifizierten Zielerkennung sind in Abb. 5 dargestellt. Der Erkennungseffekt und die Genauigkeit demonstrierten die Zuverlässigkeit und Praktikabilität von DsLMF+-Datensätzen.

Die Validierungskartenwertkurve der Modelle ViT-Adapter-L, DETA und YOLOv7 für die Kohlebergleute, große Kohle, Schleppleine, Minenschutzhelm, hydraulische Stützschutzplatte und das Verhalten der Bergleute in der.

Die Validierung der DsLMF+-Datensätze unter Verwendung der Modelle ViT-Adapter-L, DETA und YOLOv7. (a) Bergleute; (b) große Kohle;(c) Schleppleine; (d) Minenschutzhelm; (e) Verhalten der Bergleute; (f) hydraulische Stützschutzplatte.

Darüber hinaus werden wir den DsLMF+-Datensatz weiter erweitern, um die Anwendbarkeit und Universalität des Datensatzes im vollmechanisierten Kohlebergbau zu verbessern. Wir ermutigen auch andere Forscher im Kohlebergbau, den DsLMF+-Datensatz zu erweitern und zu verbessern. Der in dieser Arbeit erstellte Bilddatensatz eines Kohlebergwerks ist von großer Bedeutung für die Anwendung eines Deep-Learning-Objekterkennungsalgorithmus zur intelligenten Identifizierung und Klassifizierung abnormaler Bedingungen im Untertagebergbau, der darauf abzielt, die weitere Forschung und Weiterentwicklung der Intelligenz im vollmechanisierten Streb zu unterstützen Bergbauwand.

DsLMF+-Datensätze sind im figshare-Datenrepository33 öffentlich verfügbar, und der Code für die automatische Filterung wird neben dem Datensatz auch veröffentlicht und als „DsLMF.7z“ archiviert. Darüber hinaus kann das Anmerkungstool Labelimg über den offiziellen Website-Link https://github.com/heartexlabs/labelImg aufgerufen und heruntergeladen werden. Die spezifische Verwendung kann der entsprechenden README-Datei entnommen werden. Die in dieser Arbeit für das Training und die Validierung der DsLMF+-Datensätze verwendeten Codes übernehmen die offiziell veröffentlichten Open-Source-Skripte DETA, ViT-Adapter-L und YOLOv7, und auf den Code der oben genannten drei Deep-Learning-Netzwerke zur Datensatzüberprüfung kann über die folgende Website zugegriffen werden Link (https://github.com/jozhang97/deta), (https://github.com/czczup/vit-adapter) und (https://github.com/wongkinyiu/yolov7). Tabelle 9 zeigt die erforderlichen Site-Pakete und ihre entsprechenden Versionen für die oben genannten drei verschiedenen Netzwerke. Die Softwarepakete können gemäß README-Dateien unter den entsprechenden Links in verschiedenen Netzwerken heruntergeladen und mit dem Python-Paketinstallationsprogramm (pip) installiert werden. Forscher können die Konvertierung des Etikettenformats vom YOLO-Format in das COCO-Format abschließen, indem sie den folgenden Link besuchen (https://github.com/RapidAI/YOLO2COCO). Der Link enthält den Konvertierungscode für das Etikettenformat und die README-Datei, die als verwendet werden kann eine Referenz.

Yang, L., Birhane, GE, Zhu, J., Geng, J. Sicherheit der Bergbaumitarbeiter und der Einsatz von Informationstechnologie im Kohlebergbau: Rezension. J. Grenzen in der öffentlichen Gesundheit. 9 (2021).

Gao, Y., Dai, Z. & Yuan, J. Ein multiobjektiver Hybridoptimierungsalgorithmus für die Pfadplanung von Kohlebergwerkspatrouillenrobotern. J. Computational Intelligence und Neurowissenschaften. 6, 1–10 (2022).

Google Scholar

Xu, Z., Li, J. & Zhang, M. Ein Überwachungsvideo-Echtzeitanalysesystem basierend auf Edge-Cloud und FL-YOLO-Kooperation in Kohlebergwerken. J. IEEE-ZUGRIFF. 9, 68482–68497 (2021).

Artikel Google Scholar

Azam, B. et al. Flugzeugerkennung in Satellitenbildern mithilfe von Deep-Learning-basierten Objektdetektoren. J. Mikroprozessoren und Mikrosysteme. 94, 104630 (2022).

Artikel Google Scholar

Wang, DL, Zeng, XT, Wang, GF & Li, R. Stabilität eines Ortsschutzes in einer Arbeitsbrust mit großer Bergbauhöhe. J. International Journal of Simulation Modeling. 20, 547–558 (2021).

Artikel Google Scholar

Pang, H., Zhang, Y., Cai, W., Li, B. & Song, R. Ein Echtzeit-Objekterkennungsmodell für Obstgartenschädlinge basierend auf dem verbesserten YOLOv4-Algorithmus. J. Wissenschaftliche Berichte. 12, 13557 (2022).

Artikel ADS CAS Google Scholar

Lin, L. et al. Der SUSTech-SYSU-Datensatz zur automatischen Exsudaterkennung und Einstufung diabetischer Retinopathie. J. Wissenschaftliche Daten. 7, 409 (2020).

Artikel ADS CAS Google Scholar

Bauer, Z. et al. UASOL, ein groß angelegter hochauflösender Stereo-Datensatz für den Außenbereich. J. Wissenschaftliche Daten. 6, 162 (2019).

Artikel Google Scholar

Nguyen, HQ et al. VinDr-CXR: Ein offener Datensatz von Röntgenaufnahmen des Brustkorbs mit Anmerkungen des Radiologen. J. wissenschaftliche Daten. 9, 429 (2022).

Artikel Google Scholar

Lipkin, B. et al. Wahrscheinlichkeitsatlas für das Sprachnetzwerk basierend auf Präzisions-fMRT-Daten von >800 Personen. J. Wissenschaftliche Daten. 9, 529 (2022).

Artikel Google Scholar

Rostianingsih, S., Setiawan, A. & Halim, CI COCO (Creating Common Object in Context) Datensatz für Chemiegeräte. J. Procedia Informatik. 171, 2445–2452 (2020).

Artikel Google Scholar

Srivastava, S. et al. Vergleichende Analyse von Deep-Learning-Bilderkennungsalgorithmen. J. Journal of Big Data. 8, 66 (2021).

Artikel Google Scholar

Kiruthika, DS & Subalalitha, CN Intelligentes Deep-Learning-fähiges Texterkennungsmodell aus natürlichen Szenenbildern. J. International Journal on Advanced Science Engineering and Information Technology. 12, 1263–1268 (2022).

Artikel Google Scholar

Francies, ML, Ata, MM & Mohamed, MA Eine robuste 3D-Objekterkennung mit mehreren Klassen basierend auf modernen YOLO-Deep-Learning-Algorithmen. J. Parallelität und Berechnung: Praxis und Erfahrung. 34 (2021).

Varadarajan, V., Garg, D. & Kotecha, K. Ein effizienter Deep Convolutional Neural Network-Ansatz zur Objekterkennung und -erkennung unter Verwendung einer mehrskaligen Ankerbox in Echtzeit. J. Zukünftiges Internet. 13, 307 (2021).

Artikel Google Scholar

Shen, F., Wang, Z. & Lu, Z. Schwach überwachtes Klassifizierungsmodell für die semantische Zero-Shot-Segmentierung. J. Elektronikbriefe. 56, 1247–1250 (2020).

Artikel ADS Google Scholar

Wu, QF et al. Verbessertes Mask R-CNN zur Flugzeugerkennung in Fernerkundungsbildern. J. Sensoren. 21, 2618 (2021).

Artikel ADS Google Scholar

Qu, Z., Zhu, F. & Qi, C. Fernerkundungsbild-Zielerkennung: Verbesserung des YOLOv3-Modells mit Hilfsnetzwerken. J. Fernerkundung. 13 (2021).

Xia, GS et al. DOTA: Ein umfangreicher Datensatz zur Objekterkennung in Luftbildern. J. IEEE-Konferenz über Computer Vision und Mustererkennung. (2018).

Ruiz, I. & Serrat, J. Hierarchische Neuheitserkennung für die Verkehrszeichenerkennung.J. Sensoren (Basel, Schweiz). 22, 4389 (2022).

Artikel ADS PubMed PubMed Central Google Scholar

Gao, X. et al. Verbesserter Algorithmus zur Verkehrszeichenerkennung basierend auf schnellerem R-CNN. J. Angewandte Wissenschaften. 12, 8948 (2022).

Artikel CAS Google Scholar

Lu, Y., Lu, J., Zhang, S. & Hall, P. Verkehrssignalerkennung und -klassifizierung in Straßenansichten mithilfe eines Aufmerksamkeitsmodells. J. Computergestützte visuelle Medien. 4, 253–266 (2018).

Artikel Google Scholar

Luo, S., Li, X., Zhang, X. Breites Seitenverhältnis-Matching für robuste Gesichtserkennung. J. Multimedia-Tools und -Anwendungen. 1–18 (2022).

Lin, X. et al. Aufgabenorientiertes, merkmalsfusioniertes Netzwerk mit multivariatem Datensatz für die Analyse von Gelenkflächen. J. IEEE-Transaktionen zur Kybernetik. 50, 1292–1305 (2020).

Artikel Google Scholar

Ming, X. et al. Gruppenstichprobe zur skaleninvarianten Gesichtserkennung. J. IEEE-Transaktionen zu Musteranalyse und maschineller Intelligenz. 44, 985–1001 (2020).

Artikel Google Scholar

Dai, G., Hu, L., Fan, J., Yan, S. & Li, R. Ein auf Deep Learning basierendes Objekterkennungsschema durch Verbesserung von YOLOv5 für Datensätze zu gekeimten Kartoffeln. J. IEEE Access. 10, 85416–85428 (2022).

Artikel Google Scholar

Zhang, ZD et al. FINet: Ein Isolatordatensatz und Erkennungs-Benchmark basierend auf synthetischem Nebel und verbessertem YOLOv5. J. IEEE Transactions on Instrumentation and Measurement, 71 (2022).

Kumar, A., Kalia, A., Verma, K., Sharma, A. & Kaushal,M. Erweiterung der Erkennung von Gesichtsmasken mit YOLO anhand eines neuartigen Datensatzes. J. Optik. 239 (2022).

Neelam Jaikishore, C. et al. Implementierung eines Deep-Learning-Algorithmus auf einem benutzerdefinierten Datensatz für Anwendungen fortschrittlicher Fahrerassistenzsysteme. J. Angewandte Wissenschaften. 12, 8927 (2022).

Artikel CAS Google Scholar

Luo, Y. & Chen, J. Zweidimensionaler Codeerkennungsalgorithmus basierend auf Yolov5. J. Academic Journal of Computing & Information Science. 5, 68–72 (2022).

Google Scholar

Zeng, H. & Fang, Y. Implementierung eines Videotranscoding-Clients basierend auf FFMPEG. J. Fortgeschrittene Materialforschung. 1748–1752 (2013).

Guan, Z., Hou, C., Zhou, S. & Guo, Z. Forschung zur Unterwasser-Zielerkennungstechnologie basierend auf neuronalen Netzwerken. J. Drahtlose Kommunikation und mobile Datenverarbeitung. 3, 1–12 (2022).

Google Scholar

Zhang, X. et al. Ein offener Datensatz zur intelligenten Erkennung und Klassifizierung abnormaler Zustände im Strebbergbau. figshare https://figshare.com/s/1644c2e3d8295834ecf8 (2023).

Wang, CY, Bochkovskiy, A., & Liao, HM YOLOv7: Trainable Bag of Freebies setzt neue Maßstäbe für Echtzeit-Objektdetektoren.J. arXiv-Vorabdruck arXiv:2207.02696. 1–15 (2022).

Ouyang-Zhang, J., Cho, J., Zhou, X. & Krahenbuhl, P. NMS Strikes Back.J. arXiv-Vorabdruck arXiv:2212.06137. 1–10 (2022).

Chen, Z. et al. Vision Transformer-Adapter für dichte Vorhersagen. J. arXiv-Vorabdruck arXiv:2205.08534. 1–20 (2022).

Referenzen herunterladen

Diese Arbeit wurde von der National Natural Science Foundation of China (Nr. 52104166) und Shaanxi Coal Joint Founds (Nr. 2021JLM-03) unterstützt. Der Autor möchte den verschiedenen Kohlebergwerken der Shaanxi Coal and Chemical Industry Group Sunjiacha Longhua Mining Co.,LTD dafür danken, dass sie uns effektiven Zugriff auf die Bilddatenbank der vollmechanisierten Abbaufront gewährt und sich bereit erklärt haben, den Datensatz zu öffnen. Unser besonderer Dank gilt allen, die an der Erstellung des Datensatzes und dem Prozess der Beschriftungsanmerkung teilgenommen haben, einschließlich Ausbildern, Senioren und anderen Teilnehmern.

School of Mechanical Engineering, Xi'an University of Science and Technology, No.58, Mid-Yanta Road, Xi'an, 710054, China

Wenjuan Yang, Xuhui Zhang, Bing Ma, Yanqun Wang, Yujia Wu, Jianxing Yan, Chao Zhang, Jicheng Wan, Yue Wang, Mengyao Huang, Yuyang Li und Dian Zhao

Shaanxi Key Laboratory of Mine Electromechanical Equipment Intelligent Detection and Control, No.58, Yanta Road, Xi'an, 710054, China

Wenjuan Yang & Xuhui Zhang

MARCO Automatic Control System Development Co., LTD, No.20, Fenghui South Road, Xi'an, 710054, China

Yongwei Liu

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Xuhui Zhang, Professor, ist hauptsächlich für die Gesamtplanung für die Organisation des Datensatzes verantwortlich, Wenjuan Yang, außerordentlicher Professor, verantwortlich für das Verfassen der Abschlussarbeit, Yongwei Liu, verantwortlich für das Sammeln von Datensatzbildern, Mengyao Huang, verantwortlich für die Filterung abnormaler Daten, Jianxing Yan, Bing Ma, Chao Zhang und Jicheng Wan ist für die Beschriftungsanmerkung des Datensatzes verantwortlich, Xuhui Zhang, Wenjuan Yang Yuyang Li, Yue Wang und Dian Zhao sind für die Überprüfung der Datensatzbeschriftung verantwortlich und bringen wertvolle Meinungen ein. Yujia Wu und Yanqun Wang sind für den Trainingsdatensatz Manuskripte verantwortlich des Datensatzes wurden von allen Autoren überprüft und überprüft.

Korrespondenz mit Xuhui Zhang.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Yang, W., Zhang, X., Ma, B. et al. Ein offener Datensatz zur intelligenten Erkennung und Klassifizierung abnormaler Zustände im Strebbergbau. Sci Data 10, 416 (2023). https://doi.org/10.1038/s41597-023-02322-9

Zitat herunterladen

Eingegangen: 28. November 2022

Angenommen: 20. Juni 2023

Veröffentlicht: 27. Juni 2023

DOI: https://doi.org/10.1038/s41597-023-02322-9

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt