“全矿井智能视频分析技术”专题_中国煤炭行业知识服务平台

“全矿井智能视频分析技术”专题

来源：工矿自动化

智能化是煤矿发展的方向，而智能视频分析是促进煤矿智能化的有效途径。全矿井智能视频分析技术具有实时监控、预警和决策支持能力，有助于提高矿山企业的安全性、生产效率、资源利用效率和环境可持续性。详细介绍了全矿井智能视频分析的关键技术，包括视频采集设备、视频预处理、视频压缩与编码等视频采集与处理技术，目标检测与跟踪、运动检测与分析、物体识别与分类等视频分析基础技术，行为识别与分析、事件检测与警报、视频监控与布防等高级视频分析技术。研发了集成视频识别分析和工业联动控制功能的矿山智脑AI视觉智能服务平台，介绍了智能视频分析技术在智能探放水系统和探放瓦斯系统、煤岩识别与截割系统、掘进工作面、综采工作面、煤流运输系统、矿井提升机系统、辅助运输系统、选煤厂、智能化装车配煤系统等矿井生产场景中的应用。分析指出目前全矿井智能视频分析技术在视频质量、复杂背景、实时性要求、数据隐私和安全、系统可靠性与稳定性等方面仍面临挑战。建议未来加强算法提升和优化、多模态数据融合、实时分析和边缘计算、强化学习和自主决策、数据隐私和安全保护、硬件设备和传感器技术等方面的研究，以全面推动全矿井智能视频分析技术的发展，促进矿山智能化进程。

行业视野: 智能化
类别; 106个
关键词; 76位
专家; 20篇
论文; 3775IP
点击量; 1207次
下载量

基于深度学习的煤矿井下低光照人脸检测方法

作者(Author)：王均利, 李佳悦, 李秉天, 温琪, 王满利

摘要：煤矿井下光线昏暗、人工光源干扰等造成监控系统采集到的人脸图像对比度低、人脸特征模糊，传统人脸检测算法应用于煤矿井下时会出现误检、漏检。针对上述问题，提出了一种基于深度学习的煤矿井下低光照人脸检测方法。采用基于无监督学习的生成对抗网络（GAN）对煤矿井下低光照图像进行对比度增强，使用自调整注意力引导的U−Net作为生成器，利用双判别器对全局和局部信息进行引导，并使用自特征保留损失函数来指导训练过程和维护图像中人脸的纹理结构，强化人脸特征，避免出现曝光、人脸细节信息丢失等现象，得到较为清晰的人脸图像；利用RetinaFace人脸检测框架对增强后的人脸特征进行检测，其采用特征金字塔结构和单阶段检测模式对人脸图像进行检测，在基本不增加计算量的同时，提高对小尺度人脸检测的能力。在公开低光照人脸数据集DARK FACE和自建煤矿井下人脸数据集上的实验结果表明，该方法提高了图像对比度，清晰地恢复了图像中的人脸特征，在准确率、召回率、平均精度方面均表现较好，有效提高了煤矿井下人脸检测精度。

免费下载

工矿自动化

2023年第11期

210

90
融合坐标注意力与多尺度特征的轻量级安全帽佩戴检测

作者(Author)：李忠飞, 冯仕咏, 郭骏, 张云鹤, 徐飞翔

摘要：针对现有煤矿工人安全帽佩戴检测算法存在检测精度与速度难以取得较好平衡的问题，以YOLOv4模型为基础，提出了一种融合坐标注意力与多尺度的轻量级模型M−YOLO，并将其用于安全帽佩戴检测。该模型使用融入混洗坐标注意力模块的轻量化特征提取网络S−MobileNetV2替换YOLOv4的特征提取网络CSPDarknet53，在减少相关参数量的前提下，有效改善了特征之间的联系；将原有空间金字塔池化结构中的并行连接方式改为串行连接，有效提高了计算效率；对特征融合网络进行改进，引入具有高分辨率、多细节纹理信息的浅层特征，以有效加强对检测目标特征的提取，并将原有Neck结构中的部分卷积修改为深度可分离卷积，在保证检测精度的前提下进一步降低了模型的参数量和计算量。实验结果表明，与YOLOv4模型相比，M−YOLO模型的平均精度均值仅降低了0.84%，但计算量、参数量、模型大小分别减小了74.5%，72.8%，81.6%，检测速度提高了53.4%；相较于其他模型，M−YOLO模型在准确率和实时性方面取得了良好的平衡，满足在智能视频监控终端上嵌入式加载和部署的需求。

免费下载

工矿自动化

2023年第11期

156

40
基于改进YOLOv5s的矿工排队检测方法

作者(Author)：郝明月, 闵冰冰, 张新建, 赵作鹏, 吴晨, 王欣

摘要：传统的目标检测算法识别矿工排队异常行为时需人工提取特征，检测时间长、检测精度低；基于卷积神经网络的目标检测算法在检测速度和精度上有所提升，但在遮挡、昏暗和光照不均等场景下的检测效果难以保障。针对上述问题，提出了一种改进YOLOv5s（HPI−YOLOv5s）模型，并将其用于矿工排队检测。HPI−YOLOv5s模型在YOLOv5s模型的基础上对路径聚合网络（PANet）进行改进，通过删除单个输入边节点、增加双向交叉路径，构建了一种双向交叉特征金字塔网络（BCrFPN）进行多尺度特征融合。鉴于手动设置阈值的标签分配策略鲁棒性不高，在自适应训练样本选择（ATSS）动态设置阈值的基础上，提出动态标签分配策略（ATSS_PLUS），更合理地评估候选样本的质量，动态设定每个真实目标的阈值，具有更高的检测精度和鲁棒性。通过半平面交法计算人脸框与所划定排队区域的相交面积，并将相交面积和人脸框面积之比与设置的阈值比较以判断矿工是否有序排队。实验结果表明：HPI−YOLOv5s模型比YOLOv5s模型的准确率提高了1.9%，权重大小减少了32%，参数量减少了6.9%，检测速度提高了7.8%，且针对遮挡、昏暗、光照不均的矿井图像，能够更准确地识别矿工排队情况。

免费下载

工矿自动化

2023年第11期

152

72
基于AI视频分析的煤矿瓦斯抽采钻场远程监督管理方法

作者(Author)：胡金成, 张立斌, 蒋泽, 姚超修, 蒋志龙, 王正义

摘要：传统的煤矿瓦斯抽采钻场视频监控系统在钻孔施工及退钻杆期间，只具有监测和存储功能，重要的过程参数或信息只能由监测人员通过视频录像查看，存在记录施工信息易出错、钻场管理人员难以连续监控现场视频等问题。针对上述问题，提出了一种基于AI视频分析的煤矿瓦斯抽采钻场远程监督管理方法。该方法包括信息牌检测、OCR识别、退杆分析3种算法。信息牌检测用于检测当前施工环节，OCR识别用于识别信息牌上打钻流程与施工信息，退杆分析用于分析收孔阶段的退杆数，从而实现打钻作业的全过程分析与管控。在接收并开始打钻任务后，启用信息牌检测与OCR识别服务，根据依次识别到的开孔、收孔、封孔流程与施工参数，自动保存施工信息。当识别出开始收孔，启用退杆分析服务；当识别出结束收孔，停止退杆分析服务。实验结果表明：信息牌检测算法的识别准确率为96%。PaddleOCR识别算法平均用时17.51 ms，较EasyOCR、ChineseOCR识别算法分别降低了25.25，4.34 ms；PaddleOCR识别算法的准确率较其他2种识别算法分别提高了5.75%，2.29%，召回率较其他2种识别算法分别提高了9.77%，2.36%。退杆分析算法能够有效识别现场退杆数，准确率约为95%。

免费下载

工矿自动化

2023年第11期

202

66

首页上一页 1 2 3

推荐专家

董良

推荐专题

亮点论文

推荐企业

“全矿井智能视频分析技术”专题

煤问提

煤传媒

煤视界

科技创新50强

会员中心