一种基于CNN迁移学习的井下烟、火智能感知预警系统
发布时间：2021-01-19 16:02
地下矿井具有相当复杂的工作环境,因此监控井下不明烟、火的产生,从而避免瓦斯爆炸等灾害的产生显得尤为重要.目前大多数煤矿井下均采用人工视频监控的方式,不仅严重浪费人力、物力,而且监控范围受到很多限制.基于此问题,提出一种基于卷积神经网络（CNN）迁移学习的井下烟、火智能感知预警系统.该系统首先在工作区域上方安装防爆摄像头,并将摄像头与井上主机通过光纤连接.其次,在主机上部署CNN迁移学习算法来识别监控区域是否有不明烟、火产生.最后,在实现判断烟、火是否产生后配合报警系统发出警报通知,通知安全巡逻人员灭火.结果表明,该技术可以有效判断井下是否有烟、火产生,大大降低了井下区域的安全隐患和人力、物力资源的浪费,实现了井下烟、火的智能感知预警.
【文章来源】：河南科学. 2020,38(03)
【文章页数】：7 页
【部分图文】：
VGG16卷积神经网络结构图
其中：f是激活函数；D是卷积神经网络的深度；F是Filter的个数，又称宽度；ωd,m,n表示Filter的第d层中第m行第n列元素的权重；xd,i,j表示图像的第d层中第i行第j列像素；ai,j是Feature Map中第i行第j列的特征值大小；ωb为偏置项.为了进一步提取Feature Map中的图像特征，采用池化层（Pooling）对Feature Map进行下采样，下采样过程中，剔除Feature Map中无用的信息，进一步减少参数个数，提取更能代表图像特征的信息.池化方法很多，本算法采用Max Pooling，即在n×n的Feature Map中取区域最大值作为池化后的值.为了简化说明，本例采用4×4的Feature Map，采样核大小为2×2，步长为2，如图4所示.首先选取Feature Map左上角粗体2×2矩阵，并选出矩阵中最大值，即6，形成Max Pooling的第一行第一列的值；然后向右移动两个单位，即步长为2，再次选取2×2矩阵，并选出矩阵中最大值，即8，形成Max Pooling的第一行第二列的值；以此类推，最后形成Max Pooling矩阵，至此已经过滤掉Feature Map中不需要的样本，完成Feature Map的进一步池化特征提取.
本系统通过在主机上部署CNN迁移学习算法，并实时对所监控区域的视频图像进行处理与特征提取，检查图像中是否有烟、火特征出现，从而识别井下是否有烟、火隐患产生.在工作区域上方安装防爆摄像头，摄像头向下倾斜角度介于0°～90°之间，调试角度使得多个摄像头相互配合，使摄像区域覆盖整个工作区域.井上主机与井下摄像头通过光纤连接，在井上主机部属CNN迁移学习算法实时对摄像视频图像处理与识别.CNN采用VGG16模型，CNN-VGG16是ILSVRC图像识别大赛上第二名的模型，第一名是Goog LeNet，但是对于图像特征提取问题上，CNN-VGG16性能更优、鲁棒性更好.该系统整体架构如图1所示.传统的图像模式识别应用场景中，需要人工对图像特征进行Label标记，然后将图像与其对应的Label输入到机器学习算法中，如图像分类问题上最常用的SVM算法.但是，这种传统的图像识别并不属于“智能”，仍需“人工”参与，且训练好的模型大多针对训练模型时的特定场景下的烟、火识别，一旦更换场景，烟、火状态发生改变，模型的识别效果大大下降，不具备模型的泛化性，且传统的机器学习图像处理与识别具有一定的局限性，效率低、识别率差、时延高，故不适合应用到井下具有严重灾害隐患的烟、火识别场景中[15-16].
【参考文献】：
期刊论文
[1]我国煤与瓦斯共采:理论、技术与工程[J]. 谢和平,周宏伟,薛东杰,高峰. 煤炭学报. 2014(08)
[2]中国煤矿瓦斯灾害现状与防治对策研究[J]. 孙庆刚. 中国煤炭. 2014(03)
[3]基于ACO-LSSVM的城市火灾预测模型仿真[J]. 陈泽恩. 计算机仿真. 2014(01)
[4]煤矿瓦斯爆炸冲击波超压峰值的预测模型[J]. 孙建华,赵景礼,魏春荣,张锦鹏,谢尚. 煤炭工程. 2011(01)
[5]基于小生境技术的火灾图像识别算法[J]. 王海珍,廉佐政,滕艳平. 计算机工程与科学. 2010(11)
[6]煤矿井下安全避险“六大系统”的作用和配置方案[J]. 孙继平. 工矿自动化. 2010(11)
[7]SVM用于基于内容的自然图像分类和检索[J]. 付岩,王耀威,王伟强,高文. 计算机学报. 2003(10)
[8]基于图像视觉特征的火灾自动识别[J]. 许维胜,田长征,方盛明. 计算机工程. 2003(18)
[9]煤矿灾害防治科技发展现状及对策分析[J]. 周心权,邬燕云,朱红青,吴兵. 煤炭科学技术. 2002(01)
[10]火灾的图像识别方法与应用[J]. 卢瑞祥,牟轩沁,纪震. 计算机应用研究. 1998(01)
本文编号：2987290
【文章来源】：河南科学. 2020,38(03)
【文章页数】：7 页
【部分图文】：
VGG16卷积神经网络结构图
其中：f是激活函数；D是卷积神经网络的深度；F是Filter的个数，又称宽度；ωd,m,n表示Filter的第d层中第m行第n列元素的权重；xd,i,j表示图像的第d层中第i行第j列像素；ai,j是Feature Map中第i行第j列的特征值大小；ωb为偏置项.为了进一步提取Feature Map中的图像特征，采用池化层（Pooling）对Feature Map进行下采样，下采样过程中，剔除Feature Map中无用的信息，进一步减少参数个数，提取更能代表图像特征的信息.池化方法很多，本算法采用Max Pooling，即在n×n的Feature Map中取区域最大值作为池化后的值.为了简化说明，本例采用4×4的Feature Map，采样核大小为2×2，步长为2，如图4所示.首先选取Feature Map左上角粗体2×2矩阵，并选出矩阵中最大值，即6，形成Max Pooling的第一行第一列的值；然后向右移动两个单位，即步长为2，再次选取2×2矩阵，并选出矩阵中最大值，即8，形成Max Pooling的第一行第二列的值；以此类推，最后形成Max Pooling矩阵，至此已经过滤掉Feature Map中不需要的样本，完成Feature Map的进一步池化特征提取.
本系统通过在主机上部署CNN迁移学习算法，并实时对所监控区域的视频图像进行处理与特征提取，检查图像中是否有烟、火特征出现，从而识别井下是否有烟、火隐患产生.在工作区域上方安装防爆摄像头，摄像头向下倾斜角度介于0°～90°之间，调试角度使得多个摄像头相互配合，使摄像区域覆盖整个工作区域.井上主机与井下摄像头通过光纤连接，在井上主机部属CNN迁移学习算法实时对摄像视频图像处理与识别.CNN采用VGG16模型，CNN-VGG16是ILSVRC图像识别大赛上第二名的模型，第一名是Goog LeNet，但是对于图像特征提取问题上，CNN-VGG16性能更优、鲁棒性更好.该系统整体架构如图1所示.传统的图像模式识别应用场景中，需要人工对图像特征进行Label标记，然后将图像与其对应的Label输入到机器学习算法中，如图像分类问题上最常用的SVM算法.但是，这种传统的图像识别并不属于“智能”，仍需“人工”参与，且训练好的模型大多针对训练模型时的特定场景下的烟、火识别，一旦更换场景，烟、火状态发生改变，模型的识别效果大大下降，不具备模型的泛化性，且传统的机器学习图像处理与识别具有一定的局限性，效率低、识别率差、时延高，故不适合应用到井下具有严重灾害隐患的烟、火识别场景中[15-16].
【参考文献】：
期刊论文
[1]我国煤与瓦斯共采:理论、技术与工程[J]. 谢和平,周宏伟,薛东杰,高峰. 煤炭学报. 2014(08)
[2]中国煤矿瓦斯灾害现状与防治对策研究[J]. 孙庆刚. 中国煤炭. 2014(03)
[3]基于ACO-LSSVM的城市火灾预测模型仿真[J]. 陈泽恩. 计算机仿真. 2014(01)
[4]煤矿瓦斯爆炸冲击波超压峰值的预测模型[J]. 孙建华,赵景礼,魏春荣,张锦鹏,谢尚. 煤炭工程. 2011(01)
[5]基于小生境技术的火灾图像识别算法[J]. 王海珍,廉佐政,滕艳平. 计算机工程与科学. 2010(11)
[6]煤矿井下安全避险“六大系统”的作用和配置方案[J]. 孙继平. 工矿自动化. 2010(11)
[7]SVM用于基于内容的自然图像分类和检索[J]. 付岩,王耀威,王伟强,高文. 计算机学报. 2003(10)
[8]基于图像视觉特征的火灾自动识别[J]. 许维胜,田长征,方盛明. 计算机工程. 2003(18)
[9]煤矿灾害防治科技发展现状及对策分析[J]. 周心权,邬燕云,朱红青,吴兵. 煤炭科学技术. 2002(01)
[10]火灾的图像识别方法与应用[J]. 卢瑞祥,牟轩沁,纪震. 计算机应用研究. 1998(01)
本文编号：2987290
本文链接：https://www.wllwen.com/kejilunwen/anquangongcheng/2987290.html
