基于反馈残差网络的矿井图像超分辨率重建算法研究

发布时间：2021-06-25 03:29

　　随着以“智能、安全”为核心的煤炭精准开采理念的提出,煤炭工业正在由体力劳动者的自动化向知识工作者的自动化转变。高清晰度和低时延的井下场景重现已成为煤炭精准开采所要解决的重要问题之一。由于粉尘、光照等特殊环境因素以及视频硬件设备的限制,井下图像普遍存在分辨率低、视觉效果差等问题,严重影响井下场景细节信息的获取与利用。超分辨率重建技术能够提高矿井图像分辨率,恢复丢失信息,在煤矿智能开采、无人巡检等任务中发挥重要作用。本文主要针对矿井图像的超分辨率重建问题进行研究,在研究基于卷积神经网络的超分辨率重建算法的基础上,结合残差网络结构及图像不同频率分量的重建过程构建反馈残差网络模块,提出两种基于反馈残差网络的矿井图像超分辨率重建模型,主要工作和创新如下:（1）针对基于卷积神经网络的超分辨率重建算法存在的参数数量大,在重建模糊和边缘特征较弱的矿井图像时边缘细节信息丢失的问题,提出一种基于边缘指导的双通道反馈残差网络重建算法。该算法结合矿井图像的特点,将采用相位一致性方法提取的低分辨率边缘特征与原始低分辨率图像共同作为网络的输入,指导矿井图像边缘细节的重建;通过局部和全局残差学习相结合的方式,减轻网... 

【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

中国煤炭资源按深度分布的储量图

thm based on Convolutional Neural Net先对卷积神经网络的结构及特性进行研究，详细推导卷积然后重点研究现阶段基于卷积神经网络的经典超分辨率重模型存在的问题与不足进行详细分析，为下一章节的研究工神经网络基本原理（The Basic Principle oetworks）经网络既是机器学习（Machine Learning, ML）领域的经经网络的基础，其能够模拟人脑神经元结构，依据一定的中的某种特征。由于神经网络具有自适应能力、泛化能力力等特点，使得神经网络几乎能够拟合任何连续函数。经元络由大量神经元相互连接而成，神经元也被称作 Logistic构如下图 3-1 所示：

图 3-2 Sigmoid 函数Figure 3-2 Sigmoid function定义域，纵轴表示值域。从图中可以看出，sigm[0,1]之间。但 sigmoid 函数容易饱和并且没有进易出现梯度消失的问题。 函数数由双曲正弦和双曲余弦构成，是 sigmoid 函数其公式如(3-3)所示，对应函数图像为图 3-3。2 22 2sinh( ) 1 1tanh( )cosh( ) 1 1x x x xx x x xx e e e exx e e e e


本文编号：3248401