矿用输送带双目视觉检测自适应标定方法

针对煤矿输送带纵向撕裂视觉检测中,传统的摄像机标定方法复杂、精度低等问题,提出了一种高效的双目视觉检测自适应标定方法。分析了摄像机数学模型与双目视觉基本原理,在线性模型的基础上引入非线性畸变参数,将输送带图像与7×7矩阵模型融合提取出的关键特征角点坐标值代入矩阵约束方程,求解出摄像机内外参数及结构参数、畸变参数,并对其进行非线性优化,得到精确值,最后采用贝叶斯误差估计方法对计算出的参数与Faugeras自标定方法所得结果进行对比分析。实验结果表明该方法精度高,可靠性好。     

基于DT-LIF神经元与SSD的脉冲神经网络目标检测方法

相对于传统人工神经网络(ANN),脉冲神经网络(SNN)具有生物可解释性、计算效率高等优势。然而,对于目标检测任务,SNN存在训练难度大、精度低等问题。针对上述问题,该文提出一种基于动态阈值LIF神经元(DT-LIF)与单镜头多盒检测器(SSD)的SNN目标检测方法。首先,设计了一种DT-LIF神经元模型,该模型可根据累积的膜电位动态调整神经元的阈值,以驱动深层网络的脉冲活动,提高推理速度。同时,以DT-LIF神经元为基元,构建了一种基于SSD的混合SNN。该网络以脉冲视觉几何群网络(Spiking VGG)和脉冲密集连接卷积网络(Spiking DenseNet)为主干(Backbone),具有由批处理归一化(BN)层、脉冲卷积(SC)层与DT-LIF神经元构成的3个额外层和SSD预测框头(Head)。实验结果表明,相对于LIF神经元网络,DT-LIF神经元网络在Prophesee GEN1数据集上的目标检测精度提高了25.2%。对比AsyNet算法,所提方法的目标检测精度提高了17.9%。     

煤矿输送带危险源图像特征识别方法研究

针对由危险源导致的煤矿输送带纵向撕裂事故,提出了一种基于灰度行程长度纹理特征、小波变换和支持向量机的输送带危险源图像识别分类方法。首先利用灰度行程长统计分析方法和小波变换分析方法分别提取了灰度行程矩阵的行程因子参数与小波系数特征参数,进而将2种方法提取出的多个纹理特征量归一化输入分类器,最后采用支持向量机对危险源图像进行分类。实验结果表明该方法能够有效地识别出不同的危险源。