基于自适应背景差分与深度学习的矿山巷道不安全行为的自动识别

煤炭开采行业是公认的高危行业,其中人的行为因素是造成绝大多数事故的直接原因。及时提醒、纠正矿工的不安全行为是避免煤矿事故最重要且最有效的方法。本文基于自适应背景差分模型,提出了一个三阶段优化算法,通过异常值发现、异常值区域像素点平面平滑以及连通域分析算法,实现了矿工子图数据集的有效提取。特别是在异常值发现中,本文采用中位数估计方法,通过分布式中位数计算,求得标准差更稳健的中位数估计量,替代传统矩估计量构造阈值,获得更加稳健的异常值区域,进而提取高质量的矿工子图数据集。实验结果表明,与传统估计方法相比,基于中位数估计得到的标准差所构造的阈值,提取的矿工子图准确率更高,提取的结果更稳健。同时,本文直接对矿工子图标注类别,避免进行边界框的标注,操作简单,快捷高效。最后,本文使用MobileNet模型进行迁移学习,结果进一步表明,中位数估计方法得到的矿工子图数据集的质量优于传统估计方法,子图分类准确度更理想,能够有效地识别矿工的不安全行为。