《工矿自动化》虚拟专题 | 智能矿山目标检测技术

来源：工矿自动化

目标检测是煤矿智能化信息感知的重要内容，可实现对矿山场景中人、物、环境等的实时监测和识别，为矿山安全生产、管理提供重要信息。随着人工智能技术的快速发展及其与煤炭资源开发利用的深度融合，煤矿生产场景下的目标检测技术得到了广大煤炭科技工作者的深入研究，取得了丰硕的成果。本刊整理了近期发表的智能矿山领域目标检测技术代表性文章，以期促进同行交流。

行业视野: 智能化
类别; 70个
关键词; 58位
专家; 13篇
论文; 1794IP
点击量; 499次
下载量

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

150

72
地下矿山作业人员佩戴安全帽智能检测方法

作者(Author)：杜青, 杨仕教, 郭钦鹏, 张焕宝, 王昱琛, 尹裕

摘要：基于视觉图像方法是目前矿井人员佩戴安全帽智能检测的热点，但现有方法所用的地下矿山数据较少，安全帽特征分类不够精确。通过采集地下矿山采场、井巷等实际生产场景的图像，构建了矿山安全帽佩戴数据集——MHWD，并将安全帽佩戴情况进一步细分为正确佩戴、不规范佩戴和未佩戴3类。采用YOLOX算法进行人员佩戴安全帽检测，为了增强YOLOX提取全局特征的能力，引入注意力机制，即在YOLOX骨干网的空间金字塔池化瓶颈层嵌入有效通道注意力模块，在路径聚合特征金字塔网络每个上采样和下采样后添加卷积块注意力模块，由此构建了YOLOX-A模型。采用MHWD训练YOLOX-A模型并进行验证，结果表明，针对照度低、模糊、有人员遮挡的矿井图像，YOLOX-A模型能够准确识别人员佩戴安全帽情况，对不规范佩戴、正确佩戴和未佩戴安全帽3种分类结果的F1分数分别为0.86,0.92,0.89，平均精度分别为93.16%,95.76%,91.69%，平均精度均值为93.54%，整体F1分数较YOLOX模型提升4%，检测精度高于主流目标检测模型EfficientDet,YOLOv3,YOLOv4,YOLOv5,YOLOX。

免费下载

工矿自动化

2023年第07期

140

50
基于云边协同的煤矿井下尺度自适应目标跟踪方法

作者(Author)：牟琦, 韩嘉嘉, 张寒, 李占利

摘要：煤矿井下监控视频中的运动目标通常存在较大的尺度变化和形变，导致基于计算机视觉的目标跟踪算法准确率不高，且海量的视频数据导致基于云端的集中式数据处理方式难以满足目标跟踪的实时性要求。针对上述问题，提出了一种基于云边协同的煤矿井下尺度自适应目标跟踪方法。设计了基于深度估计的尺度自适应目标跟踪算法，通过构建深度-尺度估计模型，利用目标深度值估计尺度值，实现尺度自适应目标跟踪，解决了目标尺度变化和形变导致跟踪准确率不高的问题；设计了一种基于云边协同的智能监控系统架构，将尺度自适应目标跟踪算法细粒度划分后的子模块按所需计算资源分别部署在系统的边缘端和云端，通过边缘端和云端的分布式并行处理提高算法运行效率，解决了集中式数据处理方式实时性差的问题。将基于云边协同的煤矿井下尺度自适应目标跟踪方法应用于煤矿井下视频序列，对其跟踪性能和实时性能进行实验验证，结果表明：与核相关滤波（KCF）、判别型尺度空间跟踪（DSST）算法、基于多特征融合的尺度自适应（SAMF）算法3种经典目标跟踪算法相比，基于深度估计的尺度自适应目标跟踪算法在煤矿井下目标出现较大尺度变化和形变时，具有更高的跟踪精度和成功率；与传统的云计算处理方式相比，基于云边协同的尺度自适应目标跟踪算法部署方式使算法总时延降低了32.55%，有效提升了煤矿井下智能监控系统目标跟踪的实时性能。

工矿自动化

2023年第04期

164
基于改进YOLOv4的综采工作面目标检测

作者(Author)：王科平, 连凯海, 杨艺, 费树岷

摘要：综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要环节。传统目标检测算法通过人工提取特征实现目标检测，易受环境影响，不具有普适性。基于卷积神经网络的目标检测算法可以自适应地提取深层信息，但复杂环境下检测精度不高、网络参数多、计算量大。针对上述问题，提出了一种改进YOLOv4模型，并将其应用于综采工作面目标检测。为准确从综采工作面复杂环境中检测到目标，在CSPDarkNet53网络中融入残差自注意力模块，保证参数共享及高效局部信息聚合的同时增强全局信息获取能力，提升图像关键目标特征表达能力，进而提高目标检测精度；为适应综采工作面目标检测高效性需求，引入深度可分离卷积替代传统卷积，以减少模型参数量和计算量，有利于模型的工业部署，提高目标检测速度。实验结果表明，与YOLOv3、CenterNet及YOLOv4模型相比，改进YOLOv4模型平均精度均值最高，达92.59%，且在参数量、计算量、检测精度上具有更优的平衡，可在煤尘干扰、光照不均、目标运动等复杂环境下对目标准确检测。

免费下载

工矿自动化

2023年第02期

93

71
基于图像融合和改进CornerNet-Squeeze的煤矿井下行人检测方法

作者(Author)：邹盛, 周李兵, 季亮, 于政乾

摘要：在煤矿井下无人驾驶和安防监控等领域，对行人目标的检测至关重要，但受井下光线昏暗、光照不均、背景复杂、行人目标小且密集等特殊工况环境的影响，图像中的行人目标存在边缘细节特征少、信噪比低、与背景相似度高等问题，难以有效识别遮挡多尺度下的行人目标。针对上述问题，提出了一种基于图像融合和改进CornerNet-Squeeze的煤矿井下行人目标检测方法。采用双尺度图像融合（TIF）算法将红外相机和深度相机采集的图像进行像素级融合，再进行形态学处理，减少背景干扰。在CornerNet-Squeeze网络基础上，将八度卷积（OctConv）引入沙漏型主干网络，处理图像特征中高低频信息，增强图像边缘特征，提高多尺度行人检测能力。实验结果表明：(1)在深度图像、红外图像、融合图像3种数据集上，改进CornerNet-Squeeze模型在保持原算法实时性的同时，有效提升了井下行人检测精度。(2)采用融合图像数据集训练的模型检测精度较红外图像和深度图像数据集训练的模型高，可见融合图像能充分发挥深度图像和红外图像的优势，有助于提高模型检测精度。(3)在不同程度遮挡和多尺度行人目标6种场景下，改进CornerNet-Squeeze训练的模型的行人漏检率最低。(4)与YOLOv4相比，在COCO2014行人数据集上改进CornerNet-Squeeze算法的平均精度提高了1.1%，检测速度提高了6.7%。(5)改进CornerNet-Squeeze能够有效检测出图像中远处小目标，对小目标的检测能力提升明显。

免费下载

工矿自动化

2023年第02期

104

77