基于嵌入式终端的井下场景视觉识别系统研究

发布时间：2021-08-25 04:53

　　要实现井下机车的无人化、自动化,保障机车安全有序的运行,对作为机车眼睛的图像识别器的研究是矿井安全生产监控的关键一步。图像识别器主要用于识别井下场景的各类物体目标,为机车提供场景的分析,是矿井安全高效生产的关键保障,也是减少井下运输事故的发生,减少人员伤亡及财产损失的有力保障。深度学习技术的不断发展与逐渐成熟使得图像识别效果越来越好,目前涌现出许多表现优秀的目标检测与识别网络。然而大多数的网络模型是基于路面上的,鲜少有可以直接用于井下场景识别的网络,并且大多数网络对于实际的移动端应用来说模型太大难以移植,目前也没有一款成型的用于井下场景识别的硬件设备。因此,研究一种基于嵌入式终端的井下场景视觉识别系统具有很大的研究价值和现实意义。本文针对上述现状,做出了理论和工程应用两部分的研究工作:1、研究并改进了基于VGG（Visual Geometry Group）的SSD（Single Shot MultiBox Detector）网络模型,使其可以更多的识别到小目标物体,使得小目标的平均识别精度在公共数据集上提高了近3个百分点,在井下数据集上提高了近5个百分点;研究了紧凑型单目标分类网络模型... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：84 页

【学位级别】：硕士

【部分图文】：

生物神经元结构

图 2.2 M-P 模型Fig 2.2 M-P model 2.2 中可以看出，对于一个神经元，他可以有多个输入，这里我根据生物神经元不同的突触性质和强度对神经元的不同影响的ijw 来表示，正代表兴奋，负代表抑制，大小则代表了不同的连特性，输入信号累加整合之后的值为：1' ( ) ( )nj ij iinet t w X t 激活神经元在于上式结果是否超过阈值jT ，只有 ' ( )jnet t 大于阈激活而发放脉冲，反之则无输出信号。这个过程可表示为：1( 1) (t)nj ij i jio t f w X T 我们可以总结出 M-P 模型的 6 个特点：

合肥工业大学专业硕士研究生学位论文 ' ( ) 0j jnet t T 时，神经元才能被激活；为了简 )t 并没有考虑时间整合，只考虑了空间整合，即只权重进行累加整合，而没有考虑输入输出间的突 1，0 j jw T，则有j 0 0j T X w。和（2.2）可以简化成公式（2.3）和（2.4）的形'Tj jnet W X( ) ( )Tj j Jo f net f W X国心理学家弗兰克罗森布拉特提出了一种具有单知器。其拓扑结构如图 2.3 所示。1ojomo

【参考文献】：
期刊论文
[1]基于域与样例平衡的多源迁移学习方法[J]. 季鼎承,蒋亦樟,王士同.  电子学报. 2019(03)
[2]基于改进CNN特征的场景识别[J]. 薄康虎,李菲菲,陈虬.  计算机系统应用. 2018(12)
[3]基于卷积神经网络的交通场景语义分割方法研究[J]. 李琳辉,钱波,连静,郑伟娜,周雅夫.  通信学报. 2018(04)
[4]结合金字塔池化模块的YOLOv2的井下行人检测[J]. 王琳,卫晨,李伟山,张钰良.  计算机工程与应用. 2019(03)
[5]多层融合深度局部PCA子空间稀疏优化特征提取模型[J]. 胡正平,陈俊岭.  电子学报. 2017(10)
[6]基于图像处理的井下机车行人检测技术[J]. 李晓明,郎文辉,马忠磊,卫星.  煤矿机械. 2017(04)
[7]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)



本文编号：3361437