共查询到20条相似文献,搜索用时 0 毫秒
1.
2.
3.
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。 相似文献
4.
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。 相似文献
5.
煤矿井下矿工安全智能识别是防止矿工受到意外伤害的重要保护措施之一。为了提高煤矿井下光线不足等暗环境下的识别准确率,提出一种基于改进YOLOv5的目标检测算法对矿工安全穿戴进行智能识别。首先,实地采集数据构建安全穿戴数据集,将其输入到弱光增强网络Zero-DCE中,提升模型的泛化能力;其次,提出C-ASPP模块,通过对ASPP改进并加入注意力机制,将其加入主干网络之中,使模型更加高效关注安全穿戴区域的特征;然后,在主干融入Transformer算法,增强模型对不同尺度目标的动态调整能力;最后,在特征融合阶段,使用双向特征融合金字塔模型,提高模型的特征提取能力和检测性能。试验结果表明:改进后的YOLOv5算法的平均检测精度提升至90.2%,较原算法提高了3个百分点,检测速度为81.2帧/s,相较于其他算法有着较高的准确度和速度,可满足井下工作区域内矿工安全穿戴识别要求。 相似文献
6.
7.
在井工煤矿辅助运输车辆无人驾驶及安全监测领域,行人检测技术至关重要。目前已有许多工作进行了相应研究,但这些研究均需要使用大量的精确标注图片,而煤矿井下图片获取较为困难,标注难度也十分大,这些因素都极大地影响了相关模型的落地应用以及推广。为了解决这一问题,提出了一种基于半监督学习的煤矿井下行人检测模型。通过使用半监督学习框架可以有效降低煤矿井下行人检测模型对于高质量标注数据的大量需求。此外,针对煤矿井下设备运算能力较低的特点,还对YOLOv5模型进行了改进,在维持模型检测精度的条件下提升了模型的检测速度。实验表明基于半监督学习的煤矿井下行人检测模型可以使用仅相当于原数据集5%的数据训练得到较为有效的检测模型,大幅度较少了对于标注数据的依赖,对煤矿井下行人检测模型的快速应用和推广起到了帮助作用。 相似文献
8.
在煤矿发生安全事故时需要明确掌握各个区域的人员情况,合理安排营救计划。使用YOLOv5作为目标检测器,结合改进的DeepSORT跟踪算法进行矿井人员跟踪,实现煤矿矿井各个巷道区域的人员计数;首先使用轻量化的全尺度特征学习Re-ID特征提取模型OSNet对DeepSORT进行优化,替换原有的CNN特征提取模块;然后采用检测器和OSNet特征提取模型单独训练的策略,实现了矿井复杂环境下稳定的跟踪效果;在此基础上,通过在视频画面中设置ROI区域和基准线来判断人员进出的情况,从而实现计数功能。为了有效训练和评估模型的性能,采集了10 000张煤矿矿井下各个巷道不同区域的图片用于训练和测试,改进后模型的MOTA为66.7%,优于改进前的63.4%;改进后速度为28.1 FPS,优于改进前的25.3 FPS。试验结果表明:改进后的模型可以有效地实现矿井人员计数,可以用到实际的生产环境中。 相似文献
9.
为了便于对井下人员及设备进行实时监测管理,随时了解井下矿工的数量及所在位置,科研技术人员开发了井下人员跟踪监测系统。该监测系统的跟踪器由井下人员携带、或放置在车辆及仪器设备上,根据跟踪器发来的信号进行处理判断,判断来自哪个区域的活动踪迹,最终实现跟踪统一管理。它的最大优势是,利用其定位功能及时找到井下人员所处的位置。因此,如果发生煤矿事故,人员跟踪系统有助于迅速高效地寻找井下被困人员,从而最大限度地减少伤亡。 相似文献
10.
以青瓷窑煤矿为例,探讨煤矿入井人员实时跟踪监测和定位,随时掌握每个人的位置及活动轨迹.通过考察矿井结构与实际应用做出系统组网设计.井下系统采用RS-485组网,实现数据采集传输. 相似文献
11.
12.
13.
14.
基于GIS和RFID的煤矿井下人员跟踪定位与监控系统设计 总被引:2,自引:0,他引:2
煤矿井下工作环境恶劣,突发性事故时有发生,井下工作人员多、地点分散、给安全管理与事故救援带来很大的困难.基于GIS和RFID的煤矿井下人员跟踪定位与监控系统能够很好的解决并下人员的实时定位与监控管理等问题,为井下救援与管理带来极大方便,从而使我国的煤矿安全生产与事故救护更加规范与科学. 相似文献
15.
针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法(Soft-NMS)的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明:本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压... 相似文献
16.
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。 相似文献
17.
18.
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。 相似文献
19.
20.
目前煤矿水泵房排水设备的巡检工作仍需要人工完成,存在工人巡检懈怠,巡检不及时,巡检不到位,巡检结果数字化不便等问题。结合里程计定位技术、轮式移动机器人导航和避障技术,以ROS机器人开发平台为基础,研究了一种适用于井下水泵房环境的巡检机器人全局路径规划与跟踪算法,可实现巡检机器人在无人为干预,无磁轨、线缆或GPS辅助的情况下按照设定的路径自主移动完成水泵房设备的巡检工作。首先根据水泵房的平面图建立二维栅格地图,通过PRM路径规划算法在建好的二维栅格地图中规划一条经过所有检测点和行进点的无障碍路径,接着通过Pure Pursuit路径跟踪算法计算巡检机器人沿该路径行走需要的实时线速度和角速度,将其发送给巡检机器人运动控制器,然后控制器根据雷达数据实时监测机器人10 cm范围内障碍物情况,决定巡检机器人是否采用当前的线速度和角速度沿规划路径行走,最后在机器人到达检测点后对排水设备进行拍照和运行数据的采集。通过对巡检机器人的模拟实验结果分析得出:巡检机器人能够避开路径上的障碍物,准确到达巡检点,机器人实际位置平均误差为4 cm,姿态角度平均误差为0.095 rad,满足机器人巡检工作的要求。 相似文献