基于AlexNet和LSTM的煤矿井下视频场景分类算法研究

发布时间：2021-06-29 13:20

　　我国能源结构特点决定了煤炭是主要能源,煤炭安全生产也一直是国家强调的重大问题,将智能监控技术深入应用在煤矿生产中是预防和缓解煤矿事故的有效途径之一。对监控视频数据进行场景分类,不仅可以为视频监控工作提供有价值的参考信息,而且能够提高监控结果的准确率,为下一步场景异常情况排查提供基础。本文以矿井视频数据为研究对象,针对具有复杂背景的场景视频图像分类问题进行研究,主要工作和创新点如下:（1）由于矿井图像存在噪声多、对比度差、光照不均等问题,导致矿井视频图像质量较差,严重影响了矿井场景分类的准确性,因此提出一种基于对比度受限反馈函数的煤矿井下视频图像增强算法。该算法首先结合加权平均法和中值滤波对图像进行灰度化和去噪预处理;然后通过对比度受限反馈函数对图像对比度进行限幅增强,并调节图像的灰度级,使图像层次更丰富。实验结果表明,该算法可以有效改善煤矿井下视频图像失真情况,使图像层次丰富清晰,且具有较快的处理速度。（2）为了对矿井视频的场景进行准确分类,设计出一种基于AlexNet和LSTM相结合的煤矿井下视频场景分类算法。首先对输入的数据进行预处理,在背景差分法的基础上对矿井视频背景进行提取。该... 

【文章来源】：西安科技大学陕西省

【文章页数】：58 页

【学位级别】：硕士

【部分图文】：

深度神经网络发展图

图 2.1 卷积神经网络结构图卷积神经网络中，图像作为输入数据被看作神经元，并在被赋予一个权值个偏置量，通过对输入数据做卷积运算获得卷积层的特征图像，卷积运算相对应，而且处理过程中卷积核的选择也很重要。然后对经过卷积操作的加权，再加上一个偏置量，达到特征稀疏的效果。最后，将经过卷积和池果输入全连接层，并通过选取合适的激活函数对输入数据进行最终分类。经网络中的一些概念进行简要介绍：) 卷积(Convolution)：卷积中的处理通过选取合适的卷积核在输入图像上，卷积操作不仅对图像的维数进行了拓展，亦提高了学习所得特征的鲁棒的降低网络模型中不必要的权值连接是卷积运算的关键任务。) 池化(Pooling)：池化层主要从两个方面对图像数据进行降采样，一方面图像的尺寸来使模型的复杂度降低；另一方面通过压缩特征图中的特征信征进行提取。过池化层对卷积得到的特征进行压缩，不仅大大减少了计算量，而且特征变性也很好，从而有效抑制网络模型的过拟合问题[44-45]。在选择池化方法

最大池化

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的井下人员目标检测[J]. 唐士宇,朱艾春,张赛,曹青峰,崔冉,华钢.  工矿自动化. 2018(11)
[2]基于图像融合技术的Retinex图像增强算法[J]. 常戬,刘旺,白佳弘.  计算机工程与科学. 2018(09)
[3]基于对比度增强与小波变换相结合的红外与可见光图像融合算法[J]. 涂一枝,郭立强.  淮阴师范学院学报(自然科学版). 2018(03)
[4]一种多特征融合的场景分类方法[J]. 李志欣,李艳红,张灿龙.  小型微型计算机系统. 2018(05)
[5]自适应双边滤波的Retinex图像增强算法[J]. 李大军,杜神斌,郭丙轩,聂欣然,杨力伟.  电子技术应用. 2018(03)
[6]一种应用小波系数GSM模型的混合傅里叶-小波电缆瓷套终端红外图像去噪方法[J]. 吴炬卓,牛海清,张煌,许佳.  电测与仪表. 2018(04)
[7]图像场景识别中深度学习方法综述[J]. 宋杰,孟朝晖.  计算机测量与控制. 2018(01)
[8]一种改进煤矿内因火灾危险性评价方法[J]. 芦庆和,许猛堂,刘萍,穆静强,刘义宗.  煤矿安全. 2018(01)
[9]基于小波变换的图像增强处理算法的研究[J]. 顼聪,陶永鹏.  计算机与数字工程. 2017(08)
[10]基于小波变换的图像融合增强算法[J]. 高林,赵建辉.  火箭推进. 2017(04)

硕士论文
[1]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[2]基于Retinex的彩色图像増强算法研究[D]. 魏海锋.安徽大学 2015
[3]智能视频监控平台中运动目标分类的研究与实现[D]. 顾婷婷.南京邮电大学 2015



本文编号：3256518