论文部分内容阅读
在煤矿生产环境中,瓦斯爆炸一直是矿井下工作人员生命安全的最大威胁。瓦斯爆炸主要是矿井下瓦斯浓度过高所引发的灾难,因此,精准地测出甲烷浓度,对于控制瓦斯浓度,避免瓦斯爆炸事故的发生是一项必要的措施。为长期有效地检测甲烷浓度,需定期检定甲烷传感器。本课题在国家重点研发计划“矿山新型甲烷通风防尘安全仪器计量技术研究(2017YFF0205500)”的资助下,研制了插拔方便,可移动,能同时进行十二个传感器的自动检定,可适用于复杂光照条件下,多种输出信号,多种型号的非色散红外甲烷传感器自动检定系统。主要研究内容如下:本课题设计了检定系统的气体回路、基于STM32F407ZGT6的控制电路、对十二个甲烷传感器输出的电流及频率信号进行检测的电路、基于树莓派的传感器示值图像信号的采集识别及传输。为保证检定系统中不同功能模块之间的通信,频率计、电流表与单片机之间的通信采用RS485通信协议,并开发了自定义的单片机与上位机、树莓派之间的通信协议。由于系统多处供电电压不同且部分相互隔离,因此设计了2路独立的辅助电源,分别输出15V、-15V电压。上位机可完成数据实时显示、处理等功能,此外,上位机可通过串口通信实现人机交互,检定人员通过操纵上位机从而实现对整个检定过程的操控。上位机主要对示值误差、重复性、响应时间、漂移、信号传输误差这几个项目的检定过程数据进行显示、处理后存储并用于后续检定结果的打印。现有的检定设备大多数都无法随处移动只能定点完成检定工作,尤其对传感器数码示值的图像信号识别及记录时,往往精度不高且不能适应各种复杂光照条件下工作。为此本文重点研究了传感器数码示值识别的相关算法。在图像预处理阶段将多用于人脸识别及去雾领域的Retinex算法引入传感器数码识别中,用于识别传感器定位时能更好的找到数码示值的红色区域部分,通过实验对比确定MSRCR算法作为预处理阶段的图像增强算法,并得到较好的效果。本文将字符识别阶段类比于手写字符识别的问题,将基于PCA的PSO-SVM算法及卷积神经网络算法用于本系统自定义数据集的识别,将两种算法的优势结合,摒弃掉各自算法的不足,使用SVM来替代卷积神经网络自带的分类器,对卷积神经网络提取的特征信息进行分类识别,由于运行时间较长,对结合后的算法进行改进,将卷积神经网络提取的特征维度进一步降维之后再使用SVM分类器对其识别,实验表明改进后的算法相较于改进之前具有更高的识别率,降低了运行时间。该论文有图67幅,表9个,参考文献72篇。