RetinaNet图像识别技术在煤矿目标监测领域的应用研究

发布时间：2021-11-22 21:54

　　为了解决当前煤矿监控中存在的人工干预多、监测效率低等问题,建立基于RetinaNet的单阶段煤矿目标检测器,通过实验确定检测关键参数并验证检测效果。实验结果表明:RetinaNet目标检测器能够自动检测及提取人员等关键对象,整体性能可以满足煤矿监控的需求; RetinaNet目标检测器能够在较差的环境条件下实现对目标对象的准确检测,对于人员的辨识已经达到较为理想的水平;基于现有数据构建的图像识别模型,尚不能较好地识别各类煤矿机械设备。RetinaNet目标检测器相关功能的实现,有赖于建立专业图像数据集,并准确地训练模型进而发掘数据的深度价值。 

【文章来源】：矿业安全与环保. 2020,47(05)北大核心

【文章页数】：7 页

【部分图文】：

Retina Net检测器结构

实验平台采用GTX920m GPU，操作系统为Windows 10 Professional，检测器通过Python语言编程实现。图像识别主要流程如图2所示。由图2可见，图像识别主要分为两步:(1)图像处理，包括图像预处理、图像分割和图像特征提取;(2)图像辨识，以识别人为目标开展实验。

概率阈值参数作用于被呈现的结果，检测器会对每一个可能的对象给出一个概率值，即被检测对象有多大的可能性是检测器判定的目标，如果概率值小于概率阈值参数，则该概率值不被呈现给使用者。设定Res Net网络深度为50层，α=0.25，仅改变概率阈值参数的取值，预实验Retina Net不同概率阈值参数实验结果如图3所示。由图3可知，在概率阈值参数为0.3时，检测器的综合表现最好，因此，设定概率阈值参数为0.3。

【参考文献】：
期刊论文
[1]基于视频巡检的综采工作面无人化关键技术研究[J]. 牛剑峰.  煤炭科学技术. 2019(10)
[2]煤矿安全管理信息系统模糊综合评价模型[J]. 姚庆国,赵丽霞,张学睦.  矿业安全与环保. 2017(06)
[3]基于深度学习的盾构隧道渗漏水病害图像识别[J]. 黄宏伟,李庆桐.  岩石力学与工程学报. 2017(12)
[4]基于图像识别的建筑工人智能安全检查系统设计与实现[J]. 韩豫,张泾杰,孙昊,姚佳玥,尤少迪.  中国安全生产科学技术. 2016(10)
[5]煤矿安全生产理念研究[J]. 孙继平.  煤炭学报. 2011(02)
[6]基于ADSL的矿井远程视频监控系统的实现[J]. 陈卫.  矿业安全与环保. 2009(03)
[7]煤矿井下自燃火灾的图像识别及综合判据系统[J]. 孙继平,宋姝.  中国安全科学学报. 2005(12)



本文编号：3512503