發(fā)布時間：2024-03-13 19:59

　　煤礦井下海量的監(jiān)控視頻通過以太網(wǎng)傳輸至云計算中心進行集中處理,存在高延遲、高成本、高網(wǎng)絡(luò)帶寬占用等問題。針對上述問題,以深度可分離卷積為核心構(gòu)建了輕量化卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型,并通過引入殘差結(jié)構(gòu)對輕量化CNN模型進行優(yōu)化,以提升模型對圖像的特征提取能力。針對煤礦井下復(fù)雜的光照環(huán)境導(dǎo)致監(jiān)控視頻圖像對比度低、影響模型識別準確率的問題,采用限制對比度直方圖均衡化(CLAHE)算法提高圖像的亮度和對比度,以提升模型的識別效果。將輕量化CNN模型經(jīng)STM32Cube AI壓縮后部署在嵌入式平臺上,設(shè)計了基于輕量化CNN模型的視頻監(jiān)控終端,對煤礦井下監(jiān)控視頻在本地進行實時智能處理,實現(xiàn)井下違章行為實時識別和報警。實驗結(jié)果表明,通過引入殘差結(jié)構(gòu)對輕量化CNN模型進行優(yōu)化,以及采用CLAHE算法進行圖像增強后,模型對煤礦井下各種違章行為的識別準確率能夠達到95%以上,提升了對違章行為響應(yīng)的實時性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖2基于深度可分離卷積的輕量化CNN模型結(jié)構(gòu)

在嵌入式平臺上部署的輕量化CNN模型網(wǎng)絡(luò)深度相對于大型CNN模型較淺，因此對圖像的特征提取能力不足，導(dǎo)致模型的數(shù)據(jù)泛化能力差。通過引入殘差結(jié)構(gòu)對輕量化CNN模型進行優(yōu)化（圖3），可解決CNN在訓(xùn)練過程中進行信息傳遞時，由于信息丟失或損耗導(dǎo)致CNN模型無法訓(xùn)練的問題[7]。此外，殘....

圖7數(shù)據(jù)集樣本

本文采集的數(shù)據(jù)集包括未戴安全帽、正常佩戴安全帽、行車時行人、行車時不行人、無人場景5種類型的圖像，如圖7所示。通過對原始圖像進行裁切、翻轉(zhuǎn)、水平鏡像的方式形成擴展數(shù)據(jù)集，數(shù)據(jù)集樣本數(shù)量見表1。5.2訓(xùn)練平臺和參數(shù)設(shè)置

圖3基于殘差結(jié)構(gòu)的輕量化CNN模型結(jié)構(gòu)

由于煤礦井下光照弱和光照不均勻，視頻監(jiān)控圖像整體對比度低、噪聲大，該類圖像的直方圖通常呈現(xiàn)出灰度頻率分布集中的情況，使模型在識別該類圖像時的準確率低。通過CLAHE算法對圖像進行預(yù)處理，能實現(xiàn)圖像灰度均衡化，從而提高圖像的對比度和亮度，使圖像特征更加明顯。對輸入圖像進行CLAHE....

圖4CLAHE算法對井下圖像處理前后對比

運用CLAHE算法對1張圖像增強后，以式（8）統(tǒng)計圖像的直方圖分布，如圖4所示。可看出對圖像進行CLAHE處理后，圖像的對比度和亮度都得到了提升，直方圖的灰度分布也變得更加均衡。4基于輕量化CNN模型的視頻監(jiān)控終端

本文編號：3927496