一种识别和跟踪图像目标的模拟方法

给出一种通过模拟动态环境采对多目标物体进行识别与跟踪的方法，该方法由主线程、运动线程、调度线程和识别跟踪线程4种线程协调完成的。运动线程和调度线程形成多物体的随机运动模拟平台。调度线程将新形成的画面发送给识别跟踪线程，它从画面中提取物体的当前轮廓信息，对运动物体进行匹配识别和记录其轨迹，跟踪完毕后，可将记录的跟踪轨迹显示出来本方法实验性很强，是一个很好的实验平台。     

基于视觉注意机制的感兴趣区提取方法

以精确获取图像中对象感兴趣区域为目标,提出一种基于视觉注意机制和K均值聚类相结合的感兴趣区提取方法。图像经过视觉特征提取、高斯金字塔多尺度变换后,依据多特征图合并策略生成显著图。采用K均值聚类方法分割图像的候选区域,并结合显著图提取图像感兴趣区。实验结果表明,运用该方法提取的感兴趣区更接近人类的视觉注意过程,并具有一定的抗噪能力。     

基于三维激光点云数据的岩体结构面提取方法研究

目前已有的结构面提取方法,有多点拟合、点云深度图像聚类、TIN格网的区域生长等方法。现有的提取方法对层面出露条件为平面形态的结构面有效,而对于出露条件为迹线形态的结构面无效。该文在现有算法基础上,分别对出露条件为平面和出露条件为迹线形态的结构面在三维点云空间中识别和提取方法进行研究。通过实例分析,验证了本文算法对平面状结构面和迹线状结构面提取的准确性和实用性。     

多煤层区煤体结构测井解释模型构建

煤体结构是多煤层煤层气勘探开发中主力产层优选及产层优化组合的关键约束条件,精确识别煤体结构显得尤为重要。大多数测井解释模型为针对单一厚煤层的解释,对于煤层层数多而薄的多煤层地区的研究较少。以云南雨旺区块多煤层区为例,提出了多煤层区煤体结构测井解释模型构建方法。①煤层煤体结构GSI赋值。首先通过实地取芯分析,将多煤层样品煤体结构具体分类,并分别进行地质强度因子GSI赋值,量化取芯煤体结构;②皮尔逊相关性分析。采用多条测井曲线进行纵向和横向相关性矩阵分析,筛选出相关度最高的自然伽马(GR)、补偿密度(DEN)、井径(CAL)和深侧向电阻率(RD)等曲线;③聚类验证。进一步采用嵌套K-means算法的K均值聚类方法对提取出的敏感测井曲线进行煤体结构验证并寻找相关规律;④煤体结构测井解释模型构建。完成有效性验证后,构建多煤层煤体结构识别的测井解释模型,根据模型计算获得的煤体结构指数大小进行煤体结构的精确识别。采用该计算模型对雨旺区块中北部多煤层进行了垂向和平面的煤体结构识别,垂向上,多煤层煤体结构自上而下由简单变复杂,Ⅲ类煤逐渐增多。平面上,上部主力煤层7+8号煤层煤体结构以Ⅱ类煤为主,YW-05井附近煤体结构较好,以Ⅰ类煤为主,其次为东南部,东北部煤体结构较差,接近于Ⅲ类煤;下部主力煤层19号煤层以Ⅱ类煤为主,但在西南部有少部分Ⅲ类煤,Ⅰ类煤主要集中在YW-05井附近,其余部分以Ⅱ类煤为主。识别结果准确性较高,且模型需要的测井曲线容易获得,模型简单易于计算,可满足多煤层煤层气勘探开发的实际需求。     

基于视频的煤矿安全监控行为识别系统研究

提出了基于视频的煤矿安全监控行为识别系统的应用解决方案,分析了煤矿安全监控行为识别系统实际需求,实现了目标检测、特征提取、行为分类与行为识别、监控信息管理等功能。使用GMM模型提取前景运动目标,融合LBP作为目标描述特征、结合SVM实现了特征行为分类。基于Spring MVC框架实现了煤矿安全监控行为识别系统完整框架,为煤矿智能监控管理信息化提供了解决方案,提高了煤矿智能监控管理的效率、及时有效地发现煤矿安全生产隐患,降低了煤矿安全事故发生的概率。     

基于超像素特征与SVM分类的人员安全帽分割方法

安全帽分割是实现煤矿人员智能视频监控的关键技术之一,可促进人员定位、跟踪、安全帽佩戴检测等相关技术的研究,为此,提出一种基于超像素特征提取与支持向量机(Support Vector Machines, SVM)分类的矿井人员安全帽分割方法。首先,采用简单线性迭代聚类(Simple Linear Iterative Clustering, SLIC)模型将人员图像粒化为一定数量内部像素点颜色特征相似且空间位置相近的超像素。其次,提取超像素在RGB,YCbCr, Lab, HSV空间上的颜色特征及其灰度直方图纹理特征,通过分析安全帽二维轮廓线上的斜率变化特性建立安全帽轮廓特征模型。最后,在训练集人员图像中分别提取安全帽正样本超像素和背景负样本超像素的颜色、纹理特征训练SVM分类器,采用已训练的SVM将测试集中的人员图像超像素二分类为安全帽正样本和背景负样本。进一步通过安全帽轮廓特征模型判别SVM误分类的虚假正样本并对其进行类别修正,识别同时包含正样本像素点和负样本像素点的欠分割样本超像素,并通过求取正样本区域边界掩模与Prewitt算子所提取轮廓的差集对其进行二级像素分类,分离出其中的正样本像素区域,得到安全帽的最终分割结果。文中对测试数据集中的100幅人员图像进行实验,结果表明:所提安全帽分割算法的精确度P_r(Precision)均值达到96.94%,召回率R_e(Recall)均值达到95.83%,对不同场景下的人员安全帽图像具有较好的适用性与鲁棒性。     

基于钻进参数聚类的含煤地层岩性模糊识别

通过钻进参数进行煤矿巷道围岩特征描述可为煤矿安全绿色开采提供地质信息保障。针对煤矿井下坑道钻探中随钻地层岩性识别难度大、精度低的问题,提出了一种基于钻进参数核模糊C均值聚类(Kernel Fuzzy C-means,KFCM)算法的含煤地层岩性模糊识别方法。结合钻进试验台上开展的模拟岩样钻进试验,获得了包括钻速、转速和钻压等敏感钻进参数的训练样本,利用KFCM算法对获取的钻进参数训练样本进行学习,构造钻进参数样本空间并映射到高维空间进行聚类处理。建立了以典型含煤地层分类为目标的聚类模型,采用高斯核函数分别确定了软弱夹层、煤层和泥岩层的分布结构以及对应的聚类中心。其中,对比线性核函数,高斯核函数在垂向上的分类效果符合沉积岩构造的特征,且聚类时间节约了7.2%。进一步基于钻进参数的聚类结果,将钻速作为衡量各类岩石钻进性能的关键参数,通过分析钻进参数数据集的变化规律,建立了钻速与转速、钻压幂函数表达形式的地层岩性预测模型,采用数据插值拟合方法完成了典型软弱夹层、煤层和泥岩层的空间划分。并应用模糊数学方法通过构建钻速的分段三角形隶属度函数,得出样本地层钻速对典型含煤地层钻速的隶属度公式,根据隶属度公式将地层岩性划分为5个级别,实现了对样本地层岩性的模糊识别。在实钻试验中,对提出的模糊识别方法的有效性进行了验证。结果表明,该方法能够在PDC锚杆钻头回转钻进条件下快速识别典型含煤地层岩性,识别的正确率为92%,研究结果为实现煤矿井下巷道隐蔽致灾因素动态智能探测提供了借鉴。     

昆明市生态用地信息提取技术比较研究

以Landsat8影像为数据源,采用最大似然法、CART决策树分类法对昆明市生态用地信息进行提取。比较两种分类方法对不同生态用地信息提取的分类精度,结果表明:(1) CART决策树方法更适宜于耕地、未利用地、建设用地信息提取,且总体分类精度高于最大似然法;(2)从地类的空间分布情况上看,CART决策树分类图像的结果多为面状,最大似然法分类结果地物分布细碎。总体来说不同信息提取方法具有各自的优势,在具体应用中,可根据目标地类的波谱特性,选择适宜的信息提取方法。     

全矢模糊核聚类在机械故障诊断中的应用

针对传统旋转机械单通道故障诊断的信息不完整以及传统模糊聚类方法对数据结构的严格要求,结合全矢谱技术和模糊核聚类方法,提出了一种新的旋转机械故障识别方法。该方法应用全矢谱分析为特征提取工具,以模糊核聚类方法为分类器,进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高了故障诊断的准确率。     

基于多尺度卷积神经网络和LBP算法的浮选工况识别

针对泡沫浮选加药状态检测困难、识别效率低和主观性强等问题,提出了一种结合多尺度卷积神经网络(CNN)特征及改进局部二值模式(LBP)计算方法的核随机权神经网络(K-RVFLNs)浮选工况识别方法。首先,对泡沫浮选图像进行非下采样Shearlet多尺度分解,将原始图像分解为不同频率尺度,设计多通道CNN网络对多尺度图像进行特征提取;再通过改进LBP算法提取特征作为补充,将CNN提取的图像特征与LBP特征进行融合;最后,通过核随机权神经网络映射到更高维空间进行分类决策,实现浮选加药状态的精确识别。实验结果表明,采用多尺度CNN及LBP-TOP特征融合的方法识别的精度比传统LBP算法提高了5.34%,比采用单CNN特征的方法提高了3.76%,结合K-RVFLNs实现浮选工况分类准确率高达96.38%,识别精度和稳定性较现有方法有较大提升,且减少了人工干预,有利于提高生产效率。     

基于关键区域的井下人员轨迹挖掘方法

提出了基于关键区域的井下人员轨迹挖掘框架,该框架由关键位置发现算法和移动对象轨迹挖掘算法组成。首先利用关键位置发现算法将矿井下的定位数据转化成有特定语义的关键位置序列;然后利用移动对象轨迹挖掘算法将关键位置序列聚类关键区域,从而发现井下移动对象的日常轨迹,之后利用轨迹结构相似度筛选出异常轨迹。利用矿工定位数据集进行试验表明:基于关键区域的井下人员轨迹挖掘框架解决了多密度区域的识别问题,能够准确识别出矿工日常轨迹和异常轨迹。     

基于时间平滑多特征量火灾快速识别算法

为了降低工矿企业下的火灾识别的真负率,在原有多特征量对数回归识别算法的基础上加上了时间平滑算法。根据火焰的色度特征进行图像分割,通过运动目标与参考图像差分运算获取火焰候选区域,然后提取候选区域的面积变化率、圆形度、尖角个数以及质心位移等特征量,建立火焰的快速时间平滑对数回归快速识别模型。通过已有火焰识别数据库、实验室自制火焰视频进行算法的训练和检验。测试结果表明,与其他已有方法相比,该算法的真正率(TPR)达到90%,真负率(TNR)达到97%,效果较好,为煤工矿企业下实时火灾预警提供了理论基础。     

基于匹配追踪和SVM的滚动轴承故障诊断

针对滚动轴承的噪声信号问题提出了一种基于匹配追踪(MP)的降噪算法。该算法对信号进行最佳匹配,提取特征信息实现信号降噪。在滚动轴承故障识别中,利用内禀模态奇异值分解(SVD)提取特征向量,运用支持向量机(SVM)进行分类判别。实验结果表明,所提方法可以有效提高信噪比,对滚动轴承故障进行准确的状态识别。     

煤矿视频中复杂行为识别的持续学习模型探究

为更好保障矿工井下作业安全,如何提高矿井监控视频中矿工复杂行为识别准确率已成为研究热 点。通过耦合深度网络和主动学习方法构建的矿工复杂行为持续学习模型,可自动对新增样例进行标记,并持续 从视频数据中学习人体行为,从而提高识别准确率。分析在是否为主动学习和是否固定缓冲区大小 4 种实验环境 下公共数据集 KTH 和真实煤矿监控数据集 RCV 中复杂行为的识别性能,发现随着新增样例的加入,持续学习模型 框架能够不断改进每种复杂行为模型的识别性能,且最终的识别准确率相较于传统识别模型有明显提升。结果表 明持续学习行为模型能有效解决复杂行为识别过程中的概念漂移问题,且具有良好的自学习能力和鲁棒性。     

矿山压力现象神经网络聚类研究

本文建立自组织映射无监督学习的神经网络聚类分析模型，并对回采巷道分类指标进行了聚类分析。分析表明，该方法所得到类别中的指标均以相同或相近的侧面来反映巷道的属性，具有较强的聚类识别能力，这为深入研究矿山压力问题提供了新途径。     

聚类分析在矿井水源判别中的应用

矿井水源判别实质是分类问题。文章对聚类分析在矿井水源判别中的应用方法进行了探索;并应用该法对张集矿6份水样(其中两份为待判别样)进行欧氏距离及遗传距离聚类,分别做出聚类图,成功的对两份水样进行了水源判别。     

SOM神经网络在复合材料损伤监测中的应用

总结研究了自组织特征映射(SOM)神经网络的结构及学习算法,提出了利用SOM神经网络对输入样本的"聚类"作用及MATLAB神经网络工具箱来实现对故障模式的分类,通过U矩阵图对其分类结果进行仿真与分析的新方法。结果表明:该网络对复合材料损伤监测的诊断故障能够准确识别和分类,与一般可视化界面相比,此方法可视化界面更简单直观,故障识别率高,应用于材料无损检测是有效可行的。     

基于SCM与K-means聚类算法的矿工不安全动作分类特征研究

为减少托管运营煤矿不安全行为导致的安全事故,针对此种运营模式下人员的不安全动作进行科学分类研究;现场调研了2017—2018年内蒙古、宁夏、新疆地区6个煤矿1996名煤矿从业者的“三违”行为情况,从时间、工种及SCM行为产生特点3个方面对全部“三违”行为进行统计分类;基于k-means聚类算法建立了8个指标、4个子类的数据集合,并通过PCA降维绘制了可视化聚类散点图。分析表明:采用SCM和k-means的聚类算4种不安全动作分类占比关系与人工分析均得出了相同的结论;在所有不安全动作中,违章占比最大,错误占比最小;研究结果对于减少煤矿从业人员不安全动作行为,以及分级、分类预防安全事故的发生具有一定的指导意义。     

煤矿视频中复杂行为识别的持续学习模型探究

为更好保障矿工井下作业安全，如何提高矿井监控视频中矿工复杂行为识别准确率已成为研究热 点。通过耦合深度网络和主动学习方法构建的矿工复杂行为持续学习模型，可自动对新增样例进行标记，并持续 从视频数据中学习人体行为，从而提高识别准确率。分析在是否为主动学习和是否固定缓冲区大小 4 种实验环境 下公共数据集 KTH 和真实煤矿监控数据集 RCV 中复杂行为的识别性能，发现随着新增样例的加入，持续学习模型 框架能够不断改进每种复杂行为模型的识别性能，且最终的识别准确率相较于传统识别模型有明显提升。结果表 明持续学习行为模型能有效解决复杂行为识别过程中的概念漂移问题，且具有良好的自学习能力和鲁棒性。     

矿山压力现象神经网络聚类研究

本文建立自组织映射无监督学习的神经网络聚类分析模型，并对回采巷道分类指标进行了聚类分析。分析表明，该方法所得到类别中的指标均以相同或相近的侧面来反映巷道的属性，具有较强的聚类识别能力，这为深入研究矿山压力力问题提供了新途径。