题名 井下视频行人检测方法
被引量：15
1
作者
李现国 李斌 刘宗鹏 冯欣欣 刘晓 宋金水 张磊
机构
天津工业大学电子与信息工程学院 天津市光电检测技术与系统重点实验室 山东新巨龙能源有限责任公司
出处
《工矿自动化》
北大核心
2020年第2期54-58,共5页
基金
天津市重点研发计划科技支撑重点项目(18YFZCGX00930)
文摘
针对现有基于深度学习的行人检测方法存在计算量较大、检测效率严重依赖硬件性能等问题,对基于SSD网络的行人检测方法进行改进,设计了一种基于DenseNet网络的轻量级卷积神经网络作为SSD网络的基础网络,以满足井下视频行人实时检测需求,并设计了基于ResNet网络的辅助网络,以增强特征表征能力,提高行人检测准确性。将基于改进SSD网络的井下视频行人检测方法部署在嵌入式平台Jetson TX2上进行实验,结果表明该方法对井下视频中行人的检测准确率为87.9%,针对井下行人低密度场景的检测准确率近100%,且运算速度达48帧/s,约为基于SSD网络的行人检测方法的4.4倍,满足井下行人实时检测需求。
关键词
井下 行人 检测 视频监控 深度学习 SSD网络 卷积神经网络
Keywords
underground pedestrian detection video monitoring deep learning SSD network convolutional neural network
分类号
TD67
[矿业工程—矿山机电]
题名 面向无人驾驶的井下行人检测方法
被引量：7
2
作者
刘备战 赵洪辉 周李兵
机构
陕西陕煤榆北煤业公司 中煤科工集团常州研究院有限公司 天地(常州)自动化股份有限公司
出处
《工矿自动化》
北大核心
2021年第9期113-117,共5页
基金
天地科技股份有限公司科技创新创业资金专项(2019-TD-ZD007)。
文摘
行人检测是煤矿井下无人驾驶的关键技术,受煤矿井下光照不均匀、背景复杂、红外线干扰、光线昏暗和图像中目标小且密集等影响,现有方法检测井下行人时效果不理想。针对上述问题,提出了一种多传感器融合的井下行人检测方法。该方法通过分步多特征融合方式将可见光传感器、红外传感器和深度传感器采集的图像特征进行融合,获得了更加丰富的图像特征;在RetinaNet的基础上,将Dense连接加入到ResNet中,形成一种具有层级相连结构的Dense-ResNet,能够从多传感器融合结果中提取出深层图像特征,增强了对小目标的检测能力。实验结果表明,多传感融合图像相较于单一图像可获得更加丰富的目标特征,有利于提高目标检测精度;Dense-RetinaNet相较于RetinaNet在多目标和小目标检测精度上均有所提高。
关键词
井下 无人驾驶井下 行人 检测 多传感器融合 特征提取 RetinaNet Dense连接
Keywords
underground mine unmanned driving underground mine pedestrian detection multi-sensor fusion characteristic extraction RetinaNet Dense connection
分类号
TD67
[矿业工程—矿山机电]
题名 煤矿井下行人检测算法
被引量：7
3
作者
杨清翔 吕晨 冯晨晨 王振宇
机构
山西中煤华晋能源有限责任公司王家岭煤矿 中国矿业大学信息与控制工程学院
出处
《工矿自动化》
北大核心
2020年第1期80-84,共5页
基金
国家重点研发计划资助项目（2018YFC0808302）
文摘
针对井下光照不均匀、行人特征与背景的相似度高等导致基于计算机视觉的行人检测技术在井下应用面临很大挑战的问题,提出采用Faster区域卷积神经网络(RCNN)进行煤矿井下行人检测。Faster RCNN行人检测算法采用区域建议网络(RPN)生成候选区域,RPN与Fast RCNN共享卷积层,以提高网络训练和检测速度;在图像特征提取过程中采用动态自适应池化方法对不同池化域进行自适应池化操作,提高了检测准确性。实验结果表明,该算法对于不同环境下图像中的行人均具有较好的检测效果。
关键词
井下 行人 检测 深度学习 区域卷积神经网络 区域建议网络 共享卷积层 动态自适应池化
Keywords
underground pedestrian detection deep learning region convolutional neural networks region proposal network shared convolutional layer dynamic self-adaptive pooling
分类号
TD76
[矿业工程—矿井通风与安全]
题名 基于半监督学习的煤矿井下行人检测模型
4
作者
陈湘源 饶天荣 潘涛
机构
国能榆林能源有限责任公司 国能数智科技有限公司智能矿山与智慧运输事业部 上海微系统与信息技术研究所无线传感网与通信重点实验室
出处
《煤炭技术》
CAS
2024年第2期231-234,共4页
文摘
在井工煤矿辅助运输车辆无人驾驶及安全监测领域,行人检测技术至关重要。目前已有许多工作进行了相应研究,但这些研究均需要使用大量的精确标注图片,而煤矿井下图片获取较为困难,标注难度也十分大,这些因素都极大地影响了相关模型的落地应用以及推广。为了解决这一问题,提出了一种基于半监督学习的煤矿井下行人检测模型。通过使用半监督学习框架可以有效降低煤矿井下行人检测模型对于高质量标注数据的大量需求。此外,针对煤矿井下设备运算能力较低的特点,还对YOLOv5模型进行了改进,在维持模型检测精度的条件下提升了模型的检测速度。实验表明基于半监督学习的煤矿井下行人检测模型可以使用仅相当于原数据集5%的数据训练得到较为有效的检测模型,大幅度较少了对于标注数据的依赖,对煤矿井下行人检测模型的快速应用和推广起到了帮助作用。
关键词
井下 行人 检测 半监督学习 YOLOv5
Keywords
underground pedestrian detection semi-supervised learning YOLOv5
分类号
TD76
[矿业工程—矿井通风与安全]
题名 基于DCNN的井下行人监测方法研究
被引量：6
5
作者
张应团 李涛 郑嘉祺
机构
西安邮电大学计算机学院
出处
《计算机与数字工程》
2019年第8期2027-2032,共6页
文摘
煤矿安全尤其是井下生产环境的安全一直是煤矿行业的重中之重。大部分煤矿企业对于井下工作人员的检测的智能化水平较低,所采用的人员定位系统大都使用射频卡等技术,无法规避替下、捎卡的情况。系统精准度不高,特别是当监控人员疏忽时,存在很大的安全隐患。基于这样的背景,提出了一种基于DCNN的行人检测技术,针对矿井下的视频质量差、背景单调、检测目标单一等特点对原有的YOLO系统进行了改进,实验结果表明,改进后的YOLO系统对井下特殊环境的检测有比较好的检测效果。
关键词
煤矿安全 井下 行人 检测 DCNN YOLO
Keywords
coal mine safety underground pedestrian detection DCNN YOLO
分类号
TP76
[自动化与计算机技术—检测技术与自动化装置]
题名 基于Dense-YOLO网络的井下行人检测模型
被引量：5
6
作者
张明臻
机构
伯明翰大学电子电气和系统工程系
出处
《工矿自动化》
北大核心
2022年第3期86-90,共5页
文摘
行人检测是实现矿用车辆无人化的一项关键技术,煤矿井下弱光环境中捕获的图像可见度不佳,极大地影响了行人检测效果。现有行人检测方法忽略了井下弱光环境对目标检测精度的影响,检测效果不理想。针对该问题,提出一种基于Dense-YOLO网络的井下行人检测模型。将弱光图像分解为光照图和反射图,采用Gamma变换、加权对数变换、限制对比度的自适应直方图均衡(CLAHE)对光照图进行增强处理,采用亮度权值和色彩权值对增强后的图像进行加权融合;采用双边滤波算法对反射图进行处理,以增强图像纹理;将增强后的光照图和经过双边滤波处理的反射图逐点相乘,重构出RGB图,并采用ROF去噪模型对融合后的图像进行全局去噪,得到最终的增强图像。将含有残差块的Dense模块添加到YOLOv3中,构建基于Dense-YOLO网络的井下行人检测模型,残差块的加入有利于避免在网络训练过程中出现梯度消失和梯度爆炸等问题。实验结果表明:对弱光图像进行增强处理能够有效提高图像可见度和行人检测效果;Dense-YOLO网络对增强图像的漏检率为4.55%,相较于RetinaNet网络降低了14.91%,基于Dense-YOLO网络的井下行人检测模型有效降低了行人检测漏检率。
关键词
井下 行人 检测 弱光图像增强 Dense-YOLO YOLOv3 Gamma变换 加权对数变换 限制对比度的自适应直方图均衡
Keywords
underground pedestrian detection low light image enhancement Dense-YOLO YOLOv3 Gamma transformation weighted logarithmic transformation contrast-limited adaptive histogram equalization
分类号
TD67
[矿业工程—矿山机电]
题名 改进的FCOS煤矿井下行人检测算法
被引量：3
7
作者
延晓宇 董立红 厍向阳 符立梅
机构
西安科技大学计算机科学与技术学院
出处
《矿业研究与开发》
CAS
北大核心
2022年第4期160-165,共6页
基金
陕西省自然科学基础研究计划项目(2019JLM-11) 陕西省教育厅科学研究计划专项项目(8146119003) 陕西省自然科学基金项目(2018JQ5095)。
文摘
针对煤矿井下对行人检测精度不足、实时性要求高、环境条件差、行人状态复杂等问题,提出一种改进的FCOS煤矿井下行人检测算法。该模型使用轻量级卷积神经网络ShuffleNet V2替换FCOS检测算法中的骨干网络ResNet-50,将原始网络中的特征金字塔结构改进为自上而下和自下而上的路径增强网络,同时利用由两组深度可分离卷积组成的轻量化检测头替换原始FCOS网络的检测头。在试验训练过程中,通过对井下行人检测数据进行尺度和颜色等数据增强来提升模型的泛化能力与鲁棒性。试验结果显示,改进的FCOS可以更好地实现检测精度与速度之间的平衡,该算法在基本不损失精度的情况下,平均精度均值(mean Average Precision)达51.9%,检测速度可以达到100帧/s。
关键词
井下 行人 检测 FCOS目标检测 算法 ShuffleNet V2 路径增强网络 数据增强
Keywords
Underground pedestrian detection FCOS object detection algorithm ShuffleNet V2 Path aggregation network Data augmentation
分类号
TD76
[矿业工程—矿井通风与安全]
