為了解決當前煤礦監(jiān)控中存在的人工干預多、監(jiān)測效率低等問題,建立基于RetinaNet的單階段煤礦目標檢測器,通過實驗確定檢測關鍵參數(shù)并驗證檢測效果。實驗結果表明:RetinaNet目標檢測器能夠自動檢測及提取人員等關鍵對象,整體性能可以滿足煤礦監(jiān)控的需求; RetinaNet目標檢測器能夠在較差的環(huán)境條件下實現(xiàn)對目標對象的準確檢測,對于人員的辨識已經(jīng)達到較為理想的水平;基于現(xiàn)有數(shù)據(jù)構建的圖像識別模型,尚不能較好地識別各類煤礦機械設備。RetinaNet目標檢測器相關功能的實現(xiàn),有賴于建立專業(yè)圖像數(shù)據(jù)集,并準確地訓練模型進而發(fā)掘數(shù)據(jù)的深度價值。 

【文章來源】：礦業(yè)安全與環(huán)保. 2020,47(05)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

Retina Net檢測器結構

實驗平臺采用GTX920m GPU，操作系統(tǒng)為Windows 10 Professional，檢測器通過Python語言編程實現(xiàn)。圖像識別主要流程如圖2所示。由圖2可見，圖像識別主要分為兩步:(1)圖像處理，包括圖像預處理、圖像分割和圖像特征提取;(2)圖像辨識，以識別人為目標開展實驗。

概率閾值參數(shù)作用于被呈現(xiàn)的結果，檢測器會對每一個可能的對象給出一個概率值，即被檢測對象有多大的可能性是檢測器判定的目標，如果概率值小于概率閾值參數(shù)，則該概率值不被呈現(xiàn)給使用者。設定Res Net網(wǎng)絡深度為50層，α=0.25，僅改變概率閾值參數(shù)的取值，預實驗Retina Net不同概率閾值參數(shù)實驗結果如圖3所示。由圖3可知，在概率閾值參數(shù)為0.3時，檢測器的綜合表現(xiàn)最好，因此，設定概率閾值參數(shù)為0.3。

【參考文獻】：
期刊論文
[1]基于視頻巡檢的綜采工作面無人化關鍵技術研究[J]. 牛劍峰.  煤炭科學技術. 2019(10)
[2]煤礦安全管理信息系統(tǒng)模糊綜合評價模型[J]. 姚慶國,趙麗霞,張學睦.  礦業(yè)安全與環(huán)保. 2017(06)
[3]基于深度學習的盾構隧道滲漏水病害圖像識別[J]. 黃宏偉,李慶桐.  巖石力學與工程學報. 2017(12)
[4]基于圖像識別的建筑工人智能安全檢查系統(tǒng)設計與實現(xiàn)[J]. 韓豫,張涇杰,孫昊,姚佳玥,尤少迪.  中國安全生產(chǎn)科學技術. 2016(10)
[5]煤礦安全生產(chǎn)理念研究[J]. 孫繼平.  煤炭學報. 2011(02)
[6]基于ADSL的礦井遠程視頻監(jiān)控系統(tǒng)的實現(xiàn)[J]. 陳衛(wèi).  礦業(yè)安全與環(huán)保. 2009(03)
[7]煤礦井下自燃火災的圖像識別及綜合判據(jù)系統(tǒng)[J]. 孫繼平,宋姝.  中國安全科學學報. 2005(12)



本文編號：3512503