多尺度特征融合的煤矿救援机器人目标检测模型

发布时间：2021-06-10 14:46

　　传统目标检测模型采用人工设计的目标特征,造成检测精度较差。基于深度学习的目标检测模型具有较高的检测精度,然而针对实时性和精度要求比较高的煤矿救援机器人应用场合,获取的图像信息较少且目标特征不明显,造成目标检测效果较差。为提高目标检测精度和速度,基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型。该模型主要包括特征提取和特征融合2个模块:特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息,增强目标特征表达能力,提高了目标分类精度和检测速度;特征融合模块在特征金字塔中引入空间注意力机制,对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合,弥补了高层特征图位置信息表达能力不足的缺点,提高了目标定位精度。将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验,检测精度为88.73%,检测速度为28帧/s,满足煤矿救援机器人目标检测的实时性和精度需求。 

【文章来源】：工矿自动化. 2020,46(11)北大核心

【文章页数】：5 页

【部分图文】：

初始化子模块结构

图1 初始化子模块结构(3）多尺度卷积子模块。在ResNet[14]结构的基础上，利用多尺度卷积增强网络特征提取能力，构建多尺度卷积子模块，如图3所示。首先通过1×1卷积层对上一层特征图通道进行压缩；其次均匀地将特征图分成n个特征图子集X1,X2，…，Xn，其中每个特征图子集与输入特征图具有相同的大小，但特征图通道数为1/n；然后在单个特征图子集内利用分组数为2的3×3卷积层进行特征增强，实现同一特征图子集内不同通道的信息融合，以提高目标分类精度；接着，在不同特征图子集间采用特征金字塔融合方式，即将特征图子集与上一个特征图子集求和后输入到分组数为2的3×3卷积层中进行运算，实现不同特征图子集间的信息融合；最后利用1×1卷积层对n个特征图子集输出的特征信息Y1,Y2，…，Yn进行充分融合来增强特征表达能力。

(3）多尺度卷积子模块。在ResNet[14]结构的基础上，利用多尺度卷积增强网络特征提取能力，构建多尺度卷积子模块，如图3所示。首先通过1×1卷积层对上一层特征图通道进行压缩；其次均匀地将特征图分成n个特征图子集X1,X2，…，Xn，其中每个特征图子集与输入特征图具有相同的大小，但特征图通道数为1/n；然后在单个特征图子集内利用分组数为2的3×3卷积层进行特征增强，实现同一特征图子集内不同通道的信息融合，以提高目标分类精度；接着，在不同特征图子集间采用特征金字塔融合方式，即将特征图子集与上一个特征图子集求和后输入到分组数为2的3×3卷积层中进行运算，实现不同特征图子集间的信息融合；最后利用1×1卷积层对n个特征图子集输出的特征信息Y1,Y2，…，Yn进行充分融合来增强特征表达能力。1.2 特征融合模块

【参考文献】：
期刊论文
[1]基于残差空洞卷积神经网络的网络安全实体识别方法[J]. 谢博,申国伟,郭春,周燕,于淼.  网络与信息安全学报. 2020(05)
[2]融合空间注意力机制的行车障碍预测网络[J]. 雷俊锋,贺睿,肖进胜.  光学精密工程. 2020(08)
[3]基于改进R-FCN的车辆目标检测方法[J]. 胡辉,曾琛.  计算机工程与设计. 2020(04)
[4]井下视频行人检测方法[J]. 李现国,李斌,刘宗鹏,冯欣欣,刘晓,宋金水,张磊.  工矿自动化. 2020(02)
[5]煤矿救援机器人研究现状及发展趋势[J]. 郑学召,赵炬,张铎,郭军.  工矿自动化. 2019(09)
[6]基于水下机器人的海产品智能检测与自主抓取系统[J]. 徐凤强,董鹏,王辉兵,付先平.  北京航空航天大学学报. 2019(12)
[7]基于Faster R-CNN的机器人目标检测及空间定位[J]. 郭毓,苏鹏飞,吴益飞,郭健.  华中科技大学学报(自然科学版). 2018(12)
[8]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭.  清华大学学报(自然科学版). 2019(02)
[9]基于卷积神经网络的随机梯度下降算法[J]. 王功鹏,段萌,牛常勇.  计算机工程与设计. 2018(02)
[10]危险环境下救援机器人技术发展现状与趋势[J]. 葛世荣,朱华.  煤炭科学技术. 2017(05)



本文编号：3222573