安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室安徽理工大学矿山智能装备与技术安徽省重点实验室矿山智能技术与装备省部共建协同创新中心安徽理工大学机械工程学院
目前煤矿井下无人驾驶有轨电机车在行驶过程中,对轨道中的石块及其他小型障碍物的识别存在检测速度慢、检测精度低,且对于重叠目标,易造成漏检、错检等问题。针对上述问题,提出了一种井下电机车多目标检测模型-SE-HDC-Mask R-CNN模型。该模型基于Mask R-CNN进行改进,通过在主干特征提取网络ResNet的残差块中嵌入压缩-激励(SE)模块,学习各个通道的重要程度和相互联系,增强网络对特征的选择和捕获能力;将残差块中卷积核大小为3×3的标准卷积替换成混合空洞卷积(HDC),在不改变特征图大小、不增加参数计算量的前提下,通过增加卷积核处理数据时各值之间的距离达到增大感受野的目的。实验结果表明:SE-HDC-Mask R-CNN模型可有效提取轨道、电机车、信号灯、行人和石块目标,在井下电机车多场景运行数据集上的平均准确率均值为95.4%,平均掩码分割精度为88.1%,平均边界框交并比为91.7%,相较于Mask R-CNN模型均提升了0.5%,对信号灯、石块(小目标)的检测精度分别提升了0.7%和4.1%;SE-HDC-Mask R-CNN模型的综合性能优于YOLOV2,YOLOV3-Tiny,SSD,Faster R-CNN等模型,可有效解决小目标漏检问题;SE-HDC-Mask R-CNN模型在煤巷直轨、弯轨、黑暗环境、多目标重叠等场景下均可有效实现目标检测,具有一定泛化能力及较高鲁棒性,基本满足无人驾驶电机车障碍物检测需求。
0 引言
1 Mask R-CNN模型架构
2 SE-HDC-Mask R-CNN模型
2.1 SE模块
2.2 HDC
2.3 改进Res Net网络结构
3 井下无人驾驶电机车多目标检测技术构架
4 实验分析
4.1 实验环境
4.2 数据采集与预处理
4.3 评价指标
4.4 基线选择
4.5 SE-HDC-Mask R-CNN模型性能验证
4.6 SE-HDC-Mask R-CNN模型泛化表现
5 结论
主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会