傳統(tǒng)目標檢測模型采用人工設計的目標特征,造成檢測精度較差�；谏疃葘W習的目標檢測模型具有較高的檢測精度,然而針對實時性和精度要求比較高的煤礦救援機器人應用場合,獲取的圖像信息較少且目標特征不明顯,造成目標檢測效果較差。為提高目標檢測精度和速度,基于YOLO V3模型提出了一種多尺度特征融合的煤礦救援機器人目標檢測模型。該模型主要包括特征提取和特征融合2個模塊:特征提取模塊采用空洞瓶頸和多尺度卷積獲得更加豐富的圖像特征信息,增強目標特征表達能力,提高了目標分類精度和檢測速度;特征融合模塊在特征金字塔中引入空間注意力機制,對含有豐富語義信息的高層特征圖和含有豐富位置信息的低層特征圖進行有效融合,彌補了高層特征圖位置信息表達能力不足的缺點,提高了目標定位精度。將該模型部署在煤礦救援機器人嵌入式NVIDIA Jetson TX2平臺上進行災后環(huán)境目標檢測實驗,檢測精度為88.73%,檢測速度為28幀/s,滿足煤礦救援機器人目標檢測的實時性和精度需求。 

【文章來源】：工礦自動化. 2020,46(11)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

初始化子模塊結構

圖1 初始化子模塊結構(3）多尺度卷積子模塊。在ResNet[14]結構的基礎上，利用多尺度卷積增強網(wǎng)絡特征提取能力，構建多尺度卷積子模塊，如圖3所示。首先通過1×1卷積層對上一層特征圖通道進行壓縮；其次均勻地將特征圖分成n個特征圖子集X1,X2，…，Xn，其中每個特征圖子集與輸入特征圖具有相同的大小，但特征圖通道數(shù)為1/n；然后在單個特征圖子集內利用分組數(shù)為2的3×3卷積層進行特征增強，實現(xiàn)同一特征圖子集內不同通道的信息融合，以提高目標分類精度；接著，在不同特征圖子集間采用特征金字塔融合方式，即將特征圖子集與上一個特征圖子集求和后輸入到分組數(shù)為2的3×3卷積層中進行運算，實現(xiàn)不同特征圖子集間的信息融合；最后利用1×1卷積層對n個特征圖子集輸出的特征信息Y1,Y2，…，Yn進行充分融合來增強特征表達能力。

(3）多尺度卷積子模塊。在ResNet[14]結構的基礎上，利用多尺度卷積增強網(wǎng)絡特征提取能力，構建多尺度卷積子模塊，如圖3所示。首先通過1×1卷積層對上一層特征圖通道進行壓縮；其次均勻地將特征圖分成n個特征圖子集X1,X2，…，Xn，其中每個特征圖子集與輸入特征圖具有相同的大小，但特征圖通道數(shù)為1/n；然后在單個特征圖子集內利用分組數(shù)為2的3×3卷積層進行特征增強，實現(xiàn)同一特征圖子集內不同通道的信息融合，以提高目標分類精度；接著，在不同特征圖子集間采用特征金字塔融合方式，即將特征圖子集與上一個特征圖子集求和后輸入到分組數(shù)為2的3×3卷積層中進行運算，實現(xiàn)不同特征圖子集間的信息融合；最后利用1×1卷積層對n個特征圖子集輸出的特征信息Y1,Y2，…，Yn進行充分融合來增強特征表達能力。1.2 特征融合模塊

【參考文獻】：
期刊論文
[1]基于殘差空洞卷積神經(jīng)網(wǎng)絡的網(wǎng)絡安全實體識別方法[J]. 謝博,申國偉,郭春,周燕,于淼.  網(wǎng)絡與信息安全學報. 2020(05)
[2]融合空間注意力機制的行車障礙預測網(wǎng)絡[J]. 雷俊鋒,賀睿,肖進勝.  光學精密工程. 2020(08)
[3]基于改進R-FCN的車輛目標檢測方法[J]. 胡輝,曾琛.  計算機工程與設計. 2020(04)
[4]井下視頻行人檢測方法[J]. 李現(xiàn)國,李斌,劉宗鵬,馮欣欣,劉曉,宋金水,張磊.  工礦自動化. 2020(02)
[5]煤礦救援機器人研究現(xiàn)狀及發(fā)展趨勢[J]. 鄭學召,趙炬,張鐸,郭軍.  工礦自動化. 2019(09)
[6]基于水下機器人的海產(chǎn)品智能檢測與自主抓取系統(tǒng)[J]. 徐鳳強,董鵬,王輝兵,付先平.  北京航空航天大學學報. 2019(12)
[7]基于Faster R-CNN的機器人目標檢測及空間定位[J]. 郭毓,蘇鵬飛,吳益飛,郭健.  華中科技大學學報(自然科學版). 2018(12)
[8]基于Mask R-CNN的物體識別和定位[J]. 彭秋辰,宋亦旭.  清華大學學報(自然科學版). 2019(02)
[9]基于卷積神經(jīng)網(wǎng)絡的隨機梯度下降算法[J]. 王功鵬,段萌,牛常勇.  計算機工程與設計. 2018(02)
[10]危險環(huán)境下救援機器人技術發(fā)展現(xiàn)狀與趨勢[J]. 葛世榮,朱華.  煤炭科學技術. 2017(05)



本文編號：3222573