矿用无人驾驶车辆行人检测技术研究

矿用无人驾驶车辆的工作环境光照条件复杂,行人检测经常出现漏检现象,导致矿用无人驾驶车辆可靠性及安全性不足。针对巷道光照条件复杂的问题,提出了一种弱光图像增强算法:将弱光图像由RGB图像空间分解为HSV图像空间,通过Logarithm函数对亮度分量先进行光照,再通过双边滤波器去除噪声;采用形态学对饱和度分量进行闭操作,再通过高斯滤波器滤除噪声;将图像转换回RGB图像空间,通过半隐式ROF去噪模型对图像再次进行去噪,得到增强图像。针对行人检测存在漏检、精度低的问题,提出了一种基于改进YOLOv3的矿用无人驾驶车辆行人检测算法:采用密集连接块取代YOLOv3中的Residual连接,提高特征图利用率;采用Slim-neck结构优化YOLOv3的特征融合结构,使得特征图之间能够进行高效的信息融合,进一步提高对小目标行人的检测精度,并利用其内部特殊的轻量化卷积结构,提高检测速度;加入轻量级的卷积注意力模块(CBAM)增强算法对目标类别和位置的注意程度,提高行人检测精度。实验结果表明:(1)提出的弱光图像增强算法能够有效提高图像可见度,图像中行人的纹理更加清晰,并具有更好的噪声抑制效果。(2)基于增强后图像的矿用无人驾驶车辆行人检测算法的平均精度达95.68%,相较于基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法、YOLOv5、YOLOv3算法分别提高了2.53%,6.42%,11.77%,且运行时间为29.31 ms。(3)基于增强后图像,YOLOv3和基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法出现了漏检和误检的问题,而矿用无人驾驶车辆行人检测算法有效改善了该问题。

用于井下行人检测的可见光和红外图像融合算法

矿用智能车辆的工作环境光照条件复杂,在进行井下行人检测时可以通过融合可见光和红外图像,将红外线反射信息和细节纹理信息融合于可见光图像中,改善目标检测效果。传统的可见光和红外图像融合方法随着分解层数增多,会导致图像边缘和纹理模糊,同时融合时间也会增加。目前基于深度学习的可见光和红外图像融合方法难以平衡可见光和红外图像中的特征,导致融合图像中细节信息模糊。针对上述问题,提出了一种基于多注意力机制的可见光和红外图像融合算法(IFAM)。首先采用卷积神经网络对可见光和红外图像提取图像特征;然后通过空间注意力和通道注意力模块分别对提取出来的特征进行交叉融合,同时利用特征中梯度信息计算2个注意力模块输出特征的融合权值,根据权值融合2个注意力模块的输出特征;最后通过反卷积变换对图像特征进行还原,得到最终的融合图像。在RoadScene数据集和TNO数据集上的融合结果表明,经IFAM融合后的图像中同时具备了可见光图像中的背景纹理和红外图像中的行人轮廓特征信息;在井下数据集上的融合结果表明,在弱光环境下,红外图像可以弥补可见光的缺点,并且不受环境中其他光源的影响,在弱光条件下融合后的图像中行人轮廓依旧明显。对比分析结果表明,经IFAM融合后图像的信息熵(EN)、标准方差(SD)、梯度融合度量指标(Q AB/F)、融合视觉信息保真度(VIFF)和联合结构相似性度量(SSIMu)分别为4.9013,88.5214,0.1693,1.4135,0.8062,整体性能优于同类的LLF−IOI,NDM等算法。