轻量化CNN及其在煤矿智能视频监控中的应用

发布时间：2024-03-13 19:59

　　煤矿井下海量的监控视频通过以太网传输至云计算中心进行集中处理,存在高延迟、高成本、高网络带宽占用等问题。针对上述问题,以深度可分离卷积为核心构建了轻量化卷积神经网络(CNN)模型,并通过引入残差结构对轻量化CNN模型进行优化,以提升模型对图像的特征提取能力。针对煤矿井下复杂的光照环境导致监控视频图像对比度低、影响模型识别准确率的问题,采用限制对比度直方图均衡化(CLAHE)算法提高图像的亮度和对比度,以提升模型的识别效果。将轻量化CNN模型经STM32Cube AI压缩后部署在嵌入式平台上,设计了基于轻量化CNN模型的视频监控终端,对煤矿井下监控视频在本地进行实时智能处理,实现井下违章行为实时识别和报警。实验结果表明,通过引入残差结构对轻量化CNN模型进行优化,以及采用CLAHE算法进行图像增强后,模型对煤矿井下各种违章行为的识别准确率能够达到95%以上,提升了对违章行为响应的实时性。

【文章页数】：7 页

【部分图文】：

图2基于深度可分离卷积的轻量化CNN模型结构

在嵌入式平台上部署的轻量化CNN模型网络深度相对于大型CNN模型较浅，因此对图像的特征提取能力不足，导致模型的数据泛化能力差。通过引入残差结构对轻量化CNN模型进行优化（图3），可解决CNN在训练过程中进行信息传递时，由于信息丢失或损耗导致CNN模型无法训练的问题[7]。此外，残....

图7数据集样本

本文采集的数据集包括未戴安全帽、正常佩戴安全帽、行车时行人、行车时不行人、无人场景5种类型的图像，如图7所示。通过对原始图像进行裁切、翻转、水平镜像的方式形成扩展数据集，数据集样本数量见表1。5.2训练平台和参数设置

图3基于残差结构的轻量化CNN模型结构

由于煤矿井下光照弱和光照不均匀，视频监控图像整体对比度低、噪声大，该类图像的直方图通常呈现出灰度频率分布集中的情况，使模型在识别该类图像时的准确率低。通过CLAHE算法对图像进行预处理，能实现图像灰度均衡化，从而提高图像的对比度和亮度，使图像特征更加明显。对输入图像进行CLAHE....

图4CLAHE算法对井下图像处理前后对比

运用CLAHE算法对1张图像增强后，以式（8）统计图像的直方图分布，如图4所示。可看出对图像进行CLAHE处理后，图像的对比度和亮度都得到了提升，直方图的灰度分布也变得更加均衡。4基于轻量化CNN模型的视频监控终端

本文编号：3927496