基于深度帧差卷积神经网络的运动目标检测方法研究

复杂场景中的运动目标检测是计算机视觉领域的重要问题,其检测准确度仍然是一大挑战.本文提出并设计了一种用于复杂场景中运动目标检测的深度帧差卷积神经网络（Deep Difference Convolutional Neural Network,DFDCNN）.DFDCNN由DifferenceNet和AppearanceNet组成,不需要后处理就可以预测分割前景像素.DifferenceNet具有孪生Encoder-Decoder结构,用于学习两个连续帧之间的变化,从输入（t帧和t+1帧）中获取时序信息;AppearanceNet用于从输入（t帧）中提取空间信息,并与时序信息融合;同时,通过多尺度特征图融合和逐步上采样来保留多尺度空间信息,以提高网络对小目标的敏感性.在公开标准数据集CDnet2014和I2R上的实验结果表明：DFDCNN不仅在动态背景、光照变化和阴影存在的复杂场景中具有更好的检测性能,而且在小目标存在的场景中也具有较好的检测效果.     

基于FCN的TFT-LCD表面缺陷快速检测算法

为克服TFT-LCD表面缺陷检测中边缘模糊、对比度低、图像中存在重复纹理背景等噪声的干扰,提出了种基于全卷积神经网络的端到端的快速检测算法.该算法能够通过感受域获取原图信息,并生成低对比度特征图,然后将低对比度特征图映射到高对比度特征图上,最后通过高对比度特征图上的感受域重构出高对比度缺陷图像,并将缺陷筛选出来.     

浅议锚杆支护工艺

实践证明,锚杆支护是一种多快好省,比较理想的矿井支护方式,采用这种支护方式,可使施工速度显著提高,大大减轻了劳动强度,提高了工程质量,确保了安全生产。     

基于深度学习的岩石薄片正交偏光图像多曝光融合算法

针对正交偏光下岩石薄片图像中动态范围较低,无法观察全部颗粒的问题,将深度学习应用于多曝光图像融合算法,通过融合多个曝光度的薄片图像来获取较高的动态范围。首先将低动态范围的多曝光图像序列输入卷积神经网络,然后网络通过优化损失函数获取较好的权重图预测结果,最后由源多曝光图像序列联合权重图加权融合得到具有较高动态范围的薄片图像。对比实验表明,该算法可以有效地提升图像中的颗粒清晰度。     

沿空掘巷无煤柱开采技术在曹庄煤矿的应用

曹庄煤矿为减少煤炭资源的损失,提高回采率,通过采用无煤柱开采技术,经过理论论证和实践,取得了较好的经济效益和社会效益。通过对超前工作面支护方式的改进,减少了围岩的变形,避免了支承压力叠加时的巷道塑性变形。