煤矿工作面喷雾除尘场景下的安全帽识别算法
张婧1, 冯莹莹1, 李洪安1, 杜思哲1, 莫金明2,3
作者简介
张婧,陕西西安人,副教授,硕士生导师,博士。主要从事煤矿物联网感知及图像处理方面的研究工作。主持并参与纵向科研项目10余项,其中主持国家自然科学基金1项,中国博士后科学基金项目面上项目1项,陕西省科技厅项目2项,陕西省教育厅科学研究计划项目2项;参与国家自然科学基金项目2项,陕西省科技厅项目3项。2021年和2023年分别获得陕西高等学校科学技术奖三等奖。发表高质量SCI学术论文30余篇,其中ESI高被引论文2篇。以第一发明人获得发明专利2项。
扫码阅读全文
摘要
首先针对煤矿工作面喷雾除尘场景下监控系统采集到的图片模糊、清晰度低的问题, 提出了一种基于DeDi-Transformer (Density Difference-Transformer)的煤矿工作面图像去雾算法, 该算法利用密度差实现密度感知, 对采集的工作面监控图像进行增强, 提高图像中人员安全帽的清晰度; 其次针对煤矿工作面监控系统很难快速准确识别出煤矿工人是否佩戴安全帽的问题, 提出了一种基于SAC-YOLOv9 (Supervised Atrous Convolution-YOLOv9)的安全帽识别算法, 该算法在YOLOv9主干提取网络中加入监督空洞卷积, 获取不同尺度的感受野, 加快特征提取, 提高安全帽识别的精度。实验结果表明, DeDi-Transformer算法在Braize-Haze数据集上的PSNR为19. 85 dB, 比DeHamer算法提升了2. 49 dB; SSIM是0. 717 9, 比DeHamer算法提高了0. 043 4。SAC-YOLOv9算法在Dehaze-Helmet数据集上的mAP是95. 7%, 与YOLOv9算法相比提升了2. 3%。
主要内容
研究的主要内容如下:
1) 提出一种基于DeDi-Transformer (Density Difference- Transformer)的煤矿工作面图像去雾算法,该算法将煤矿工作面同地点的工作时间场景和非工作时间场景的密度差信息引入到Transformer的位置嵌入中,利用密度差实现密度感知提高图像中人员安全帽的清晰度。
2) 提出一种基于SAC-YOLOv9(Supervised Atrous Convolution-YOLOv9)的安全帽识别算法,该算法在YOLOv9主干提取网络中加入监督空洞卷积,获取不同尺度的感受野,加快特征提取,提高安全帽识别的精度。
3) 通过在煤矿工作面的真实数据集上进行定性和定量实验分析,验证基于DeDi-Transformer的图像去雾算法和基于SAC-YOLOv9的安全帽识别算法的有效性。
1. 方法
1.1 基于DeDi-Transformer图像去雾算法
图 1 DeDi-Transformer结构图
1.2 基于SAC-YOLOv9的安全帽识别算法
图 2 SAC-YOLOv9结构图
结合SAM和ASPP的优点,提出监督卷积空洞模块(SAC, Supervised Atrous Spatial Module)并引入到YOLOv9模块中,提高模型对煤矿工作面复杂背景下的安全帽识别准确率。
ASPP的结构图如图 3所示。ASPP模块由4个并行的空洞卷积模块(卷积率不同)和ASPP Pooling组成,可以获得较大的感受野,提取更多的上下文信息。
图 3 ASPP结构图
图 4 SAC结构图
2. 实验
2.1 实验设置
2.1.1 实现环境
2.1.2 数据集
2.1.3 性能指标
2.2 实验结果与分析
2.2.1 图像去雾
1) 定量评价
表 1 图像去雾算法对比实验结果
2) 定性评价
图 5 图像去雾算法结果图
2.2.2 安全帽识别
表 2 安全帽识别算法对比实验结果
图 6 安全帽识别算法结果图
2.3 综合实验
图 7 组合图像去雾和安全帽识别算法的mAP结果图
图 8 综合实验结果图
3. 结论
1) 针对煤矿工作面喷雾除尘场景下智能视频监控系统采集到的图片模糊、清晰度低的问题,提出了一种基于DeDi-Transformer的煤矿工作面图像去雾算法。该算法利用密度差实现密度感知,对采集的煤矿工作面监控图像进行增强,在Braize-Haze数据集上DeDi-Transformer算法的PSNR为19.85 dB,比DeHamer算法提升了2.49dB;SSIM为0.717 9,比DeHamer算法提升了0.043 4,提高了图像中人员安全帽的清晰度。
2) 针对煤矿工作面监控系统很难快速准确识别出煤矿工人是否佩戴安全帽的问题,提出了一种基于SAC-YOLOv9的安全帽识别算法。该算法在YOLOv9主干提取网络中加入监督空洞卷积,获取不同尺度的感受野,在Dehaze-Helmet数据集上SAC-YOLOv9算法的mAP为95.7%,比YOLOv9算法提升了2.3%,提高了安全帽识别的精度。
3) 在煤矿工作面喷雾除尘场景下,粉尘和水雾影响图像质量进而影响安全帽识别精度,而安全帽识别对保障煤矿工人安全至关重要。未来有望通过不断的技术进步,攻克现有的难点,实现对喷雾除尘场景下安全帽更加精准快速的识别,从而更好地保障企业安全生产,推动矿山企业智能化发展,提升行业整体的作业水平和环境质量。
张婧, 冯莹莹, 李洪安, 杜思哲, 莫金明. 煤矿工作面喷雾除尘场景下的安全帽识别算法[J]. 矿业安全与环保, 2024, 51(4): 9-16.
ZHANG Jing, FENG Yingying, LI Hongan, DU Sizhe, MO Jinming. Safety helmet recognition algorithm in spray dust removal scenario of coal mine working face[J]. Mining Safety & Environmental Protection, 2024, 51(4): 9-16.