基于注意力机制及滑窗检测的电网散断股识别算法

输电线路长期工作在室外环境,各种部件容易出现不同程度的破损,密切关系着电网的安全运作。随着深度学习技术在计算机视觉领域的发展应用,利用无人机巡检完成输电线路缺陷识别已成为行业热点。针对导地线散断股缺陷识别率低的问题,提出基于注意力机制及滑窗检测的散断股识别算法,通过提升输入图像的质量,以提高目标检测模型的训练效果。经实验验证,检出率较之权重迭代等其他算法平均提升3.4%,误检率平均降低3.6%。     

基于递归门控卷积和上下文注意力的煤块检测算法

针对煤矿带式输送机上煤块检测因光照不均存在的漏检与误检问题，提出一种基于门控卷积和上下文注意力机制的改进YOLOv5煤块检测算法。首先，将主干网络中残差模块替换为递归门控卷积模块，通过逐步融合特征信息，提取高阶语义特征，增强模型的特征提取能力。其次，在特征融合结构中加入GCA注意力机制，将全局上下文信息融入坐标注意力模块中，加强感兴趣区域的全局表示，增强多尺度特征融合能力，提高模型对煤块边缘特征的敏感度。最后，采用SIoU损失函数，加速网络模型的收敛。试验结果表明，改进的算法在自建煤块数据集上平均精度均值达到92.8%,召回率达到85.9%,检测速度达到38帧/s。既提高了检测精度，又满足了检测的实时性。     

基于注意力机制的矿工危险行为检测算法研究

为了有效地检测和识别煤矿井下工作人员的危险行为,防止安全事故的发生,针对煤炭井下背景复杂、尺度变化大等问题,提出了一种基于注意力机制和深度学习的矿工危险动作检测算法。在YOLOv3模型的基础上,设计一种特征提取能力更强、体积更小的轻量化特征提取网络;针对原始的YOLOv3算法在小目标的检测性能较差这一问题,提出了一种基于注意力机制的特征融合模块来优化小目标的漏检和误检问题。为了评估模型的性能,采集了10 000张煤矿井下图片用于训练和测试,所提出的算法的mAP为83.1%,优于目前常用的目标检测算法;此外,算法测试速度为769 fps,是其他轻量化目标检测算法的6.6倍。试验结果证明,提出的危险行为检测算法可以应用到实际的生产环境中。     

基于轻量化PAM-M-YOLO模型的煤矸石图像检测

针对传统煤矸石检测算法中人为提取煤矸石图像特征过程复杂、检测精度低等问题,提出了一种轻量化的PAM-M-YOLO煤矸石检测模型。首先,使用MobileNetv3特征提取网络替换原模型主干网络,采用深度可分离卷积替换传统卷积进行煤矸石图像的特征提取;其次,设计PAM并联注意力模块提升目标检测网络层拼接后特征图通道和空间信息关注度;最后,基于CAM激活限制分支给模型添加先验信息,以降低模型在非关键特征上的局部坍塌。试验结果表明,轻量化PAM-M-YOLO煤矸石检测模型准确率、召回率、mAP值分别为98.7%、97.5%、98.8%,较原M-YOLO模型分别提升了3.6, 2.3, 2.0个百分点;参数量为3.8 MB,比YOLOv5模型降低了近1/2。热力图可视化效果表明,轻量化PAM-M-YOLO模型在检测过程中所关注的信息更集中于煤矸石区域,有效解决了模型在煤矸石区域的局部坍塌问题。     

基于视频的带式输送机煤矸识别方法

煤的开采往往伴随着大量的矸石,工业用煤中参杂矸石会严重影响燃烧质量及效率。为提高煤和矸石的自动识别和分选效率,提出一种基于视频的带式输送机煤矸识别方法。利用背景差分法对视频帧图像进行煤和矸石的检测和标记,通过矩形框处理方法提取了检测标记的煤和矸石,最后利用灰度和纹理特征进行煤矸图像的识别。仿真实验结果表明,所提方法是可行的,可应用于带式输送机上的煤矸识别或煤矸分选。     

基于GCA-YOLOv5s煤矸石检测技术研究

针对目前基于图像处理的煤矸石检测方法精度低、实时性差、漏检等问题,文章提出了一种基于GCA-YOLOv5s的煤矸检测算法。引入Ghost轻量化模块代替卷积操作对网络模型进行压缩提升检测速度;采用卷积块注意力对特征图进行处理,使提取的特征更加精炼,提升模型的表现力;根据数据集中目标的大小分布特征,选择合适的Anchor尺度,提升煤矸的检测精度。实验数据表明：改进后的煤矸石检测算法在实时性方面优于默认的YOLOv5s检测算法,检测速度每秒提升了10.19帧,同时对小目标也有较好的检测效果。     

基于倒置残差的井下无人车目标检测研究

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法﹐以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度﹔颈部网络部分在 BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比 YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。     

基于HSV空间融合Retinex算法的全天候运动目标检测

提出了一种在矿山复杂情况下基于HSV色彩空间融合Retinex算法的全天候运动目标检测方法。该方法将运动目标检测转换为运动目标上特定标志物的检测,通过颜色空间转换提取目标原始灰度图像,由灰度分布直方图判断是否进行低照度图像恢复,并在场景中选取特定的标志物,将原图像进行HSV颜色空间变换,选择对应ROI区域,通过阈值获取二值化图像,进行平滑处理后使用Canny算子提取轮廓信息,从而提取标志物的特征参数。应用实例证实,通过该方法能精准获得标志物特征参数,进而解决复杂环境下机械设备间连接件脱落问题,具有一定的实际工程应用价值。     

一种基于深度学习的煤矸石检测方法

针对选煤场的煤矸分离中基于计算机视觉的煤矸石检测方法需要复杂的人工特征设计过程,在YOLOv3目标检测模型基础上,提出一种基于深度学习的端到端煤矸石检测方法。采用深度可分离卷积以及转置卷积对模型的骨干网络进行改进,以缩减模型大小并提高模型运行速度;加入空间金字塔池化模块,改善模型的特征融合能力;引入平衡L1损失函数和距离交并比损失函数,加速模型收敛并提高定位准确性。研究结果表明,所提算法能够实时精准地检测出煤与矸石混合体中的矸石,为提高煤炭质量、改进分拣效率提供有效保障。     

深度卷积神经网络目标检测算法在煤矿断层检测上的应用

断层解释技术在煤矿安全开采领域起着至关重要的作用。随着神经网络技术的发展,许多基于神经网络算法的智能化地震资料解释处理方案被提出。首先通过对比不同的深度卷积神经网络目标检测算法,选择适合于识别断层的Faster R-CNN目标检测算法;其次建立具有多种地质特征的地震正演模型,分别对AlexNet、残差网络ResNet50和ResNet101三种特征提取网络进行测试,优选得出ResNet101特征提取网络在断层检测方面具有更加优异的表现;最后基于优选的ResNet101特征提取网络和Faster R-CNN目标检测算法构建断层检测模型,对实际地震数据进行断层检测。结果表明：基于深度卷积神经网络的目标检测算法在断层检测上具有很好的泛化能力,提高了断层的解释效率,在实际应用上具有巨大潜力。     

面向煤矸分拣机器人的煤矸识别定位系统研究

随着煤炭分选行业对智能化干分选煤技术需求和煤矸图像识别方法需求的增长,研究煤矿复杂分选条件下煤矸混合特征图像的识别方法显得愈发重要.依据深度学习、图像识别和无线通信等理论,设计基于卷积神经网络的煤矸识别定位系统.根据煤矿分选过程的复杂条件,分析煤矸表面特征的5种状态类别,构建煤矸数据集.基于迁移学习的改进AlexNet...     

基于YOLOv5s改进的井下人员和安全帽检测算法研究

针对目前煤矿井下综采工作面煤尘干扰导致的人员和安全帽检测算法精确度低、漏检率高等问题,文章提出一种基于YOLOv5s改进的矿井人员和安全帽检测算法。首先引入CBAM注意力机制,更准确的提取图像关键特征;然后采用αCIOU损失函数替换原始的CIOU损失函数,二者结合提升整体目标检测的准确率。实验结果表明：改进后的检测算法精度优于YOLOv5s原始算法,检测准确率高达97.6%,在井下综采工作面复杂环境下可以实现高效准确的井下人员和安全帽检测。     

基于生成对抗网络的罐笼人数统计方法

针对目前煤矿罐笼内部人数统计方法存在成本高、实时性差的问题,提出了一种基于生成对抗网络 (GAN) 的罐笼内部人数统计模型 G-SSD。该模型以经典的 SSD 作为基础目标检测模型,利用 GAN 在数据表达方面的优势进行数据集的扩充,并在基础 SSD 模型中引入了注意力机制模块来增强特征图谱,消除背景中的噪声并稳定模型的训练过程。试验结果表明,笔者所提出的模型在人数较少、人数适中、人数较多 3 种情景下的平均精度分别达到了 98.8%、96.9%、84.8%,相比于经典 SSD 模型其平均精度提升了 10.3%。并通过与多种现有目标检测模型的对比试验,证明了所提算法可以有效提高罐笼内部人数统计的效果。     

基于目标提取与SVM的排洪隧洞裂缝视觉检测算法研究

尾矿库排洪隧洞裂缝病害会对隧洞的正常运行造成安全隐患,对其进行自动检测具有重要意义。针对排洪隧洞场景特点,研制了隧洞衬砌表面图像采集系统,设计了预处理算法与两级滤波算法完成目标提取,其中利用背景滤波减少了处理时间。通过支持向量机分类判断目标区域是否为真实的裂缝,提高了裂缝检测的精度。在真实的隧洞环境中对整套系统进行测试和验证,对于裂缝图像的识别率达到90%,证实了硬件系统与算法的有效性。     

基于煤位检测的多尺度特征匹配算法

针对煤矿企业煤仓内煤位的检测,运用计算机视觉检测识别技术,提出了一种基于双目视觉W-SIFT图像特征匹配算法的非接触式煤仓煤位深度测量方法,将小波压缩编码和尺度不变特征变换算法相结合,去除双目图像中的冗余信息后,通过基于尺度因子变化的模版进行自适应调节,并对双目视图配准的煤位图片进行处理,构建多尺度空间从而提取煤位图片的特征点,然后对比左右煤位视图,运用双目视图双向配准的策略,进行深度匹配。最后依据W-SIFT匹配算法预先标定的左右图像得出视觉传感器的内外参数,代入坐标转换公式,准确确定煤仓煤位的真实深度值。实验结果表明将这一新算法应用到煤位检测中,与传统SIFT算法相比具有较明显的优势,实时性、稳定性好,取得了满意的效果。     

基于多目标函数的认知无线电协作算法研究

提出一种基于公平性最佳的优化算法(MPF),并且结合带宽收益最佳算法(MSB),给出一种新的协作算法。算法采用性能因子方法,构建出一种多目标函数准则,兼顾公平性与带宽收益,实现快速频谱分配。仿真结果表明,新的协作算法有效地保证了系统的带宽收益和公平性。     

基于图像处理的煤矸识别方法

综合考虑煤和矸石图像的灰度特征和纹理特征,在对图像进行滤波、增强等预处理后,筛选出灰度直方图的均值、峰值,GLCM的能量、对比度和熵,Tamura纹理的对比度这6个特征组成特征向量,送入LS-SVM进行识别。研究结果表明：基于3种特征结合的LS-SVM煤矸识别有效地提高了识别率。     

改进的FCOS煤矿井下行人检测算法

针对煤矿井下对行人检测精度不足、实时性要求高、环境条件差、行人状态复杂等问题,提出一种改进的FCOS煤矿井下行人检测算法。该模型使用轻量级卷积神经网络ShuffleNet V2替换FCOS检测算法中的骨干网络ResNet-50,将原始网络中的特征金字塔结构改进为自上而下和自下而上的路径增强网络,同时利用由两组深度可分离卷积组成的轻量化检测头替换原始FCOS网络的检测头。在试验训练过程中,通过对井下行人检测数据进行尺度和颜色等数据增强来提升模型的泛化能力与鲁棒性。试验结果显示,改进的FCOS可以更好地实现检测精度与速度之间的平衡,该算法在基本不损失精度的情况下,平均精度均值(mean Average Precision)达51.9%,检测速度可以达到100帧/s。     

基于机器视觉的运动目标检测方法研究

针对复杂背景下机器视觉系统中运动目标的检测,提出一种基于差分图像的列灰度均值分布的运动目标检测方法,该方法以自适应更新法建立背景模型,根据差分图像的列灰度均值分布图来实现差分图像的二值化及二值差分图像中阴影和噪声处理。实验表明,该方法有效去除了运动目标阴影及背景噪声,可准确地检测出运动目标。