矿用无人驾驶车辆行人检测技术研究
作者
周李兵1,2,3,于政乾1,2,卫健健1,2,蒋雪利1,2,叶柏松1,2,赵叶鑫1,2,杨斯亮1,2
作者单位
1. 天地(常州)自动化股份有限公司,江苏 常州 213015;2. 中煤科工集团常州研究院有限公司,江苏 常州 213015;3. 南京航空航天大学 机电学院,江苏 南京 210016
一
研究背景
针对复杂光照环境导致的井下无人驾驶车辆的行人检测高漏检率和误检现象,提出了一种矿用无人驾驶车辆行人检测技术。采用弱光增强方法,改善检测输入图像可见度及噪声点;通过优化YOLOv3,提高在复杂光照环境下的行人检测效果。
二
研究内容
1 、井下弱光图像增强
将弱光图像由RGB图像空间分解为HSV图像空间,通过Logarithm函数对亮度分量先进行光照,再通过双边滤波器去除噪声;采用形态学对饱和度分量进行闭操作,以凸显图像的纹理,再通过高斯滤波器滤除噪声;将图像转换回RGB图像空间,通过半隐式ROF去噪模型对图像再次进行去噪,得到增强图像。
2 、矿用无人驾驶车辆行人检测
提出一种基于改进YOLOv3的矿用无人驾驶车辆行人检测算法。在YOLOv3基础上,采用密集连接块取代YOLOv3中的Residual连接,采用Slimneck结构优化YOLOv3的特征融合结构,加入轻量级的卷积注意力模块(CBAM)细化主干网络提取的特征图。
基于改进 YOLOv3 的矿用无人驾驶车辆行人检测算法的网络结构
三
实验结果与分析
1 、行人检测网络性能分析
本文算法在井下弱光情况下的平均精度较文献[26]中基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法、YOLOv5、YOLOv3、Faster R−CNN、RetinaNet、SSD分别提高1.86%,4.3%,11.44%,39.45%,45.94%,48.45%,且在精度保持领先的情况下,运行时间明显缩短。对于增强后图像,本文算法的平均精度达95.68%,较对比算法分别提高2.53%,6.42%,11.77%,49.96%,44.05%,59.17%,运行时间最短,为29.31 ms。
2 、消融实验
加入密集连接块,可更有效地保留和利用特征图中的信息,提高行人检测精度;加入Slim−neck特征融合结构能够在提高行人检测精度的同时,减少行人检测模型的运行时间;加入CBAM特征细化能够加强特征在通道和空间上的信息关联,增强模型对目标类别和位置的注意程度,提高行人检测精度。
煤矿巷道弱光图像检测结果
煤矿巷道增强图像检测结果
作者简介
周李兵,副研究员,中煤科工集团常州研究院有限公司工艺结构所所长兼研发中心副主任。从事矿山自动化与信息化领域科研工作10余年,主要研究方向为煤矿自动化与智能化。主持或参与科研项目50余项。成果获省部级科技成果一等奖2项、三等奖2项。发表学术论文22篇,其中SCI/EI检索4篇。获授权发明专利10项、实用新型/外观专利/软件著作权80余项。
引用格式
周李兵,于政乾,卫健健,等. 矿用无人驾驶车辆行人检测技术研究[J]. 工矿自动化,2024,50(10):29-37.
ZHOU Libing, YU Zhengqian, WEI Jianjian, et al. Research on pedestrian detection technology for mining unmanned vehicles[J].Journal of Mine Automation,2024,50(10):29-37.
扫码阅读全文