基于改进YOLOv5的煤矿井下目标检测研究

针对煤矿井下环境多利用红外相机感知周边环境温度成像,但形成的图像存在纹理信息少、噪声多、图像模糊等问题,该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进,首先使用PP-LCNet作为主干网络,用于加强CPU端的推理速度;其次取消Focus模块,使用shuffle_block模块替代C3模块,在去除冗余操作的同时减少了计算量;最后优化Anchor同时引入Hswish作为激活函数。实验结果表明,Ucm-YOLOv5比YOLOv5的模型参数量减少了41%,模型缩小了86%,该算法在煤矿井下具有更高的检测精度,同时在CPU端的检测速度达到实时检测标准,满足煤矿井下目标检测的工作要求。

基于改进混合高斯模型的井下目标检测算法

煤矿井下监控视频图像质量差、噪点多、光照易突变,采用传统混合高斯模型进行目标检测存在运行速度慢、算法复杂度高、易受光照影响等问题。针对该问题,提出了一种基于改进混合高斯模型的井下目标检测算法。使用改进的暗通道去雾算法对井下图像进行预处理,对井下雾图的缩略图求暗通道图,并采用双线性插值得到去雾图像;在混合高斯模型的基础上,使用改进的块建模策略降低建模复杂度,提高算法运行速度;结合三帧差分法,根据图像前景所占比例对高斯建模前期和建模后期设定不同的学习率,以抑制光照对目标检测的影响,提高建模速度和准确度。实验结果表明,当光照发生突变时,该算法能较好地描述检测对象,对光照变化有明显抑制作用;与三帧差分法、传统混合高斯模型相比,该算法可有效提高处理速度。

基于深度卷积神经网络的井下人员目标检测

针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。