基于改进SOLOv2的煤矿图像实例分割方法

现有的图像分割方法用于清晰度较好的煤矿井下图像时效果良好,但应用于环境复杂的煤矿井下时,获取的图像大多较模糊且目标物体轮廓不清晰,从而影响目标物体的分割精度。针对上述问题,提出了一种基于改进SOLOv2的煤矿图像实例分割方法。将SOLOv2模型的ResNet-50网络替换为ResNeXt-18网络,从而精简网络层数,提升模型的推理速度;引入坐标注意力(CA)模块,以提升模型特征提取能力,保留精确的位置信息,提高模型的图像分割精度;采用ACON-C激活函数替换ReLU激活函数,从而使神经元之间的特征得以充分组合,增强模型的特征表达能力,进一步提高模型的图像分割精度。将改进SOLOv2模型部署在嵌入式平台上进行煤矿图像分割实验,相较于SOLOv2模型,改进SOLOv2模型的Mask AP(掩膜平均精度)提高了1.1%,模型权重文件减小了83.2 MiB,推理速度提高了5.30帧/s,达26.10帧/s,在煤矿图像分割精度和推理速度上均有一定提升。

基于自监督学习方法SwAV实现煤矿场景目标检测

随着智能矿山建设的推进,基于目标检测方法的智能视频监控系统在矿山生产采掘运和生产环节得到大量应用。其中目标检测方法常采用监督学习方法,其存在标注数据成本大等问题。利用无监督学习方法SwAV在包括调度室内的各个场景视频图片进行预训练,并迁移到检测方法上进行目标检测,实现煤矿调度室空岗、停产煤矿在生产等监测功能。实验证实SwAV在上游预训练和下游目标检测上采用同一分布,能显著提升对下游目标检测任务性能。