礦產(chǎn)資源是人類發(fā)展和社會(huì)進(jìn)步必不可缺的物質(zhì)基礎(chǔ),隨著科技和社會(huì)經(jīng)濟(jì)的發(fā)展,礦產(chǎn)資源的需求量與開(kāi)采量也在逐年攀升,與此同時(shí)也帶來(lái)了一系列的礦井機(jī)車運(yùn)輸事故。自動(dòng)駕駛系統(tǒng)的實(shí)現(xiàn)可有效減少運(yùn)輸事故的發(fā)生,而軌道檢測(cè)是實(shí)現(xiàn)礦井自動(dòng)駕駛系統(tǒng)的一個(gè)重要內(nèi)容。傳統(tǒng)的軌道檢測(cè)算法受限于手工設(shè)計(jì)的低級(jí)特征,在檢測(cè)的精度和速度上無(wú)法達(dá)到令人滿意的程度,且極易受光照、積水、電纜等環(huán)境因素的影響而造成檢測(cè)速率過(guò)低和準(zhǔn)確率不高等問(wèn)題。近年來(lái),隨著人工智能以及深度學(xué)習(xí)技術(shù)的日新月盛,相關(guān)理論研究已經(jīng)被廣泛應(yīng)用于各個(gè)領(lǐng)域,如人臉識(shí)別、行人檢測(cè)等,但是在井下軌道檢測(cè)領(lǐng)域還未有涉及。本文針對(duì)上述問(wèn)題,立足于深度學(xué)習(xí)相關(guān)理論,開(kāi)展了基于深度學(xué)習(xí)的軌道檢測(cè)研究。在現(xiàn)有卷積神經(jīng)網(wǎng)絡(luò)相關(guān)算法模型的基礎(chǔ)上提出基于深度學(xué)習(xí)的端到端井下軌道檢測(cè)算法,不需要手工設(shè)計(jì)特征,可直接由輸入端的數(shù)據(jù)得到輸出端的結(jié)果,檢測(cè)精度和效率都遠(yuǎn)超傳統(tǒng)軌道檢測(cè)算法。下面是本文的主要研究?jī)?nèi)容:(1)開(kāi)展了深度學(xué)習(xí)、卷積神經(jīng)網(wǎng)絡(luò)以及語(yǔ)義分割等方面相關(guān)理論的研究,為第三章以及第四章網(wǎng)絡(luò)模型的改進(jìn)以及參數(shù)優(yōu)化等工作提供有力的支撐。采集井下軌道視頻并進(jìn)行標(biāo)注,構(gòu)建...

【文章頁(yè)數(shù)】：69 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 課題研究背景及意義
    1.2 軌道檢測(cè)的應(yīng)用與挑戰(zhàn)
    1.3 軌道檢測(cè)相關(guān)理論研究
        1.3.1 基于傳統(tǒng)方法的軌道檢測(cè)算法
        1.3.2 基于深度學(xué)習(xí)的相關(guān)檢測(cè)算法
    1.4 課題來(lái)源及主要工作
    1.5 本文組織結(jié)構(gòu)
第二章 深度學(xué)習(xí)相關(guān)理論研究
    2.1 深度學(xué)習(xí)研究綜述
    2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)研究
        2.2.1 簡(jiǎn)單神經(jīng)元模型
        2.2.2 誤差逆?zhèn)鞑ニ惴?br>    2.3 卷積神經(jīng)網(wǎng)絡(luò)
        2.3.1 卷積運(yùn)算
        2.3.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 語(yǔ)義分割相關(guān)理論研究
    2.5 本章小結(jié)
第三章 基于空間卷積神經(jīng)網(wǎng)絡(luò)的軌道檢測(cè)算法
    3.1 軌道數(shù)據(jù)集的建立
        3.1.1 數(shù)據(jù)集的采集
        3.1.2 數(shù)據(jù)集后處理
    3.2 軌道檢測(cè)模型
        3.2.1 基礎(chǔ)卷積層
        3.2.2 擴(kuò)張卷積的引入
        3.2.3 基于殘差信息傳遞的改進(jìn)空間卷積
    3.3 網(wǎng)絡(luò)配置與性能評(píng)價(jià)指標(biāo)
        3.3.1 網(wǎng)絡(luò)性能評(píng)價(jià)指標(biāo)
        3.3.2 網(wǎng)絡(luò)訓(xùn)練與環(huán)境配置
    3.4 實(shí)驗(yàn)結(jié)果與分析
        3.4.1 輸出結(jié)果分析
        3.4.2 檢測(cè)結(jié)果
        3.4.3 實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)BiSeNet網(wǎng)絡(luò)的實(shí)時(shí)軌道檢測(cè)算法
    4.1 問(wèn)題分析
    4.2 BiSeNet網(wǎng)絡(luò)模型
    4.3 改進(jìn)的實(shí)時(shí)軌道檢測(cè)模型
        4.3.1 基于金字塔注意力的上下文路徑模塊
        4.3.2 通道注意力融合模塊
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 網(wǎng)絡(luò)配置與參數(shù)
        4.4.2 軌道檢測(cè)結(jié)果
        4.4.3 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 研究展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3790491