技术需求
2024-03-16
技术需求简介：
重点描述企业需要解决的问题及主要技术指标、配套条件： 一、需解决的主要技术问题： 视频分析系统基于多特征融合的井下动目标识别及异常状况检测、煤矿井下复杂背景图像增强等技术，把深度学习等最新的机器学习算法和计算机视觉技术运用到煤矿生产管理中，实现采煤机与支架碰撞智能识别、人员违章作业智能识别、辅助运输智能识别、堆煤检测智能视频识别、刮板机内大块煤及煤量估算智能视频识别、人员“三违”预警智能视频识别和井下工作人员人脸识别等。该系统能够有效减少煤矿安全生产事故，做到“事前预防，事中控制，事后分析”。为井下动目标的管理和安全生产提供决策。 开发一套适用于煤矿AI边端云的管理系统，实现云端模型自学习，边端模型自更新，达到辅助检修生产监控的作用，实现采煤机与支架碰撞智能识别、人员违章作业智能识别、辅助运输智能识别、堆煤检测智能视频识别、刮板机内大块煤及煤量估算智能视频识别、人员“三违”预警智能视频识别、皮带上大块、异物、锚杆以及水煤分析和井下工作人员人脸识别等功能。 二.技术需求提出背景及技术应用领域 目前煤矿AI处于场景研发的阶段，井下井上多处场景的定制化开发，不同服务器的场景部署，造成了多环境的不同的资源浪费，并且未实现边端云协同管理，造成了各矿区AI开发的多种重复，同时没有统一的管理，采集的有效数据未能有效利用，算法的正确率不能有效提高。 技术难点：边端云协同AI管理平台，难点较多，主要有以下几个方面： 1、定制化AI场景的技术研发，通过对山西潞安集团下属10个矿业公司，以及对陕煤集团下属3个矿业的调研，我司已总结88种煤矿场景，对于这88种大场景的定制化开发本身就具有相当的难度； 2、在这88种场景中，边端场景与云端场景的协同分析需要确定不同的落地方案； 3、有效数据的清洗与更新难度，煤矿井下网络质量并非都如井上网络一样，虽基础设施建设的规格很高，但是很多时候因为各种施工的原因导致网络传输中断，从而影响数据传输的有效性和算法更新的时效性； 4、综合管理平台的负载能力设计，如何通过数据的更新，使平台能够承载更多的AI模型，能够承载更多的有效数据； 5、AI模型更新的时效性设计与AI模型的自学习设计。 主要技术经济指标 云端算法的准确率达到95%以上，边端算法的准确率达到92%以上，AI模型的同步效率达到半个小时以内，提升煤矿管理效率，减少煤炭维护成本30%。
联系人：范老师