基于注意力机制的无监督矿井人员跟踪

目标跟踪是一项有挑战性的计算机视觉任务,在智能交通、人机交互、视频监控等领域有重要作用。目前已经出现诸多性能优越的跟踪算法,但是在煤矿场景下实现良好的跟踪效果,依旧存在较大困难,主要面临遮挡严重、背景干扰较多、井下人员较多、数据集样本数量少、缺乏统一标注等挑战,严重影响目标跟踪的效果。针对煤矿场景下,矿井视频数据集不完善、图像质量差以及缺乏统一标注等问题,设计了一种无监督的方法训练目标跟踪模型,将相关滤波和孪生网络相结合,融合二者在目标跟踪任务的优势,构建轻量级端到端的目标跟踪网络模型,采用目标前向跟踪、多帧后向验证方法完成无监督模型的目标跟踪过程。模型的主干网络使用轻量级AlexNet神经网络,解决了煤矿环境下移动平台存储和计算资源有限的问题。根据矿井环境下存在遮挡严重、背景干扰较多、密集目标排列紧密复杂等问题,提出了使用注意力机制提取视频图像中目标重要性信息的方法。在模型的主干网络结构中添加通道注意力机制和空间注意力机制,将重点关注的目标从诸多背景信息中提取出来,通过处理重要信息进而更好地完成跟踪当前目标的任务。将改进后基于注意力机制的无监督矿井人员跟踪模型与ECO,Staple,DSST,SiamFc,SiamRPN模型的平均覆盖率和平均中心位置误差进行对比,发现所提出的目标跟踪模型适用于煤矿复杂环境的人员跟踪问题,具有较好的目标跟踪效果。

一种改进的DeepSORT矿井人员跟踪算法

煤矿井下光照不均、照度低且粉尘大,视频成像夹杂着噪声,进行视频监测时存在遮挡以及误检率高等问题。为保障井下人员安全,提出一种改进的DeepSORT目标跟踪算法,实现对矿井人员的跟踪。首先,选用OSNet全尺度网络优化浅层残差网络,提高表观特征提取能力;其次,优化交并比(Intersection over Union,Io U)匹配方式,采用完全交并比(Complete Intersection over Union,CIo U)匹配方式判断检测框与边界回归之间的匹配程度;最后,基于Python平台对改进后的跟踪算法进行仿真验证,检验算法的有效性。实验结果表明,发生遮挡时,与DeepSORT算法相比,改进算法增强了模型的健壮性,具有更好的跟踪效果。

基于深度学习的矿井巷道人员计数技术

在煤矿发生安全事故时需要明确掌握各个区域的人员情况,合理安排营救计划。使用YOLOv5作为目标检测器,结合改进的DeepSORT跟踪算法进行矿井人员跟踪,实现煤矿矿井各个巷道区域的人员计数;首先使用轻量化的全尺度特征学习Re-ID特征提取模型OSNet对DeepSORT进行优化,替换原有的CNN特征提取模块;然后采用检测器和OSNet特征提取模型单独训练的策略,实现了矿井复杂环境下稳定的跟踪效果;在此基础上,通过在视频画面中设置ROI区域和基准线来判断人员进出的情况,从而实现计数功能。为了有效训练和评估模型的性能,采集了10 000张煤矿矿井下各个巷道不同区域的图片用于训练和测试,改进后模型的MOTA为66.7%,优于改进前的63.4%;改进后速度为28.1 FPS,优于改进前的25.3 FPS。试验结果表明:改进后的模型可以有效地实现矿井人员计数,可以用到实际的生产环境中。

KJ90人员跟踪定位系统在马蹄沟煤矿的应用

华能集团华亭马蹄沟煤矿应用了"KJ90矿井人员跟踪定位系统",这种技术和设备在煤矿投入使用后,可对全部入井人员进行有效监测和考勤管理。一旦事故发生,就可立即从监控计算机上调阅查询事故现场的人员位置分布情况、遇险人员撤退线路等信息,及时为事故抢险提供准确信息。同时,该系统还具备日常考勤管理功能。