机器视觉在煤矿泵房智能监控系统的应用研究
发布时间：2021-02-19 23:52
井下排水系统的运行状况直接影响煤炭开采的稳定与安全。作为排水系统的核心部门,矿井泵房属于煤矿井下高级别限制区域。为保障矿井泵房的安全运行,需及时获取水泵的异常工作状态,并具备警示技术员的危险区域操作及无关人员的进入等能力。而目前,矿井泵房内监控系统只提供现场工况环境的视频监测、存储等简单功能,无法实现智能在线预警功能。鉴于此,本文在已有矿井泵房监控系统的基础上,利用机器视觉、深度学习等智能算法,实现对现场工况的智能在线监控,主要包括以下内容:针对井下泵房的漏水检测问题,提出了一种结合运动目标检测以及卷积神经网络分类算法的检测策略:首先,利用漏水区域的运动特性,采用三帧差分法,确定包含运动目标的区域;其次,将运动目标定义为疑似漏水区域;最后,搭建基于卷积神经网络的判别模型,对疑似漏水区域进行判定。实验表明基于ResNet-50的分类模型在漏水区域判别的准确率可达到96.8%。为获取井下泵房人员进入的情况,基于Deepsort模型,研究对泵房内人员实现多目标跟踪的方法:首先,分别采用YOLOv3、YOLOv3-tiny以及YOLOv3-MobileNet 3种网络,作为Deepsort模型...
【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】：79 页
【学位级别】：硕士
【部分图文】：
煤矿安全事故类型分布图
硕士学位论文6（a）离线跟踪基本原理示意图（b）在线跟踪基本原理示意图图1-3多目标跟踪基本原理示意图Figure1-3Schematicdiagramofmulti-targettracking1.2.3动作识别研究现状动作识别相关课题研究最早发展于1970年左右，由Johansson提出的基于12点人体结构描述方法进行动作识别，该方法对后续人员动作识别算法具有十分重要的借鉴意义[52]。目前的行为识别算法可以分为两大类，基于手工提取特征的分类算法以及基于深度学习模型的分类算法。前者需要人工选取特征，然后利用合适的分类器进行分类，后者通过网络自动学习数据的特征并进行分类[53-55]。常见的用于动作识别的特征有梯度直方图（HOG）、稠密光流直方图（MotionBoundaryHistogram，MBH）、光流信息直方图（HistogramofOrientedGradients，HOF）、密集轨迹特征（DenseTrajectory,DT）以及改进的密集轨迹特征（ImprovedDenseTrajectory,IDT）[56-58]等。其中最常用的手工特征为DT以及IDT，这两类方法都是综合上述其他三种特征作为基础所得到的。其中，DT算法首先将视频图片划分为多个不同的尺度，通常采用8个尺度。随后在不同尺度大小的图像上采用网格划分的方法，进行稠密的采集特征点，从而得到不同尺度不同位置的多类采样点。接着依据这些采样点计算目标轨迹特征，即通过计算所有特征点的轨迹描述子以及运动描述子，对目标进行跟踪并预测下一时刻的位置，将所有得到的特征采用BOF（BagofFeatures）的方式编码，最后将编码的特征采用支持向量机进行分类识别。IDT的方法是在DT的基础上，采用背景消除的算法，减少了摄像头移动或者其他背景变化所产生的干扰，从而提高算法稳定性。而且IDT算法采用FisherVector编码方法，对视频描述子以及高斯混合模型一阶导以及二阶导进行编码，并
2相关基础理论与知识13通过匈牙利匹配算法可以得到最优的目标与路径匹配结果，如图2-3表示路径与目标匹配之后的结果示意图。其中实线为初始化的匹配，红色的线表示匹配错误，黑线代表最终经过匈牙利匹配算法得到的最优匹配，左边黄色未匹配路径的点表示消失或者被遮挡的目标，而右边未匹配的点代表出现误检或者新的目标。通过观察该图可以发现，采用匈牙利匹配算法能够很好的实现轨迹与检测目标的匹配，避免出现一对多的匹配情况发生。图2-3匈牙利匹配算法多目标跟踪匹配示意图Figure2-3Hungarianmatchingalgorithmformultipletargettrackingmatching2.3卷积神经网络相关理论基础研究（RelatedBasicTheoryfortheConvolutionNetwork）近年来，深度学习发展迅速，被广泛应用于交通，军事，农业，工业等多个方面[73-75]。卷积神经网络属于深度学习中的一个重要分支，在计算机视觉相关问题的研究上取得一系列十分瞩目的成就。本节将针对卷积神经网络相关基础理论知识进行介绍。2.3.1卷积层卷积层（Convolutionslayer）作为卷积神经网络的基本核心结构，与全连接神经元针对所有输入进行计算不同，其每次计算只针对输入图像上的某个区域。卷积神经网络通过采用若干卷积核，针对输入图像以滑动窗口的形式对每个区域进行特征提取，每次得到的特征只代表当前滑动窗口所覆盖的区域。在卷积层中，低层特征图主要用于一些形态、颜色这类表征信息的提取，而在得到这类表征信息之后会继续采用卷积层对其进行卷积操作，以获得具有抽象含义的高层语义特征。卷积层正是依靠着层层卷积的方法，使得图像的特征以及信息能够更充分的表达。其中卷积的基本运算过程数学定义如下：
本文编号：3041888
【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】：79 页
【学位级别】：硕士
【部分图文】：
煤矿安全事故类型分布图
硕士学位论文6（a）离线跟踪基本原理示意图（b）在线跟踪基本原理示意图图1-3多目标跟踪基本原理示意图Figure1-3Schematicdiagramofmulti-targettracking1.2.3动作识别研究现状动作识别相关课题研究最早发展于1970年左右，由Johansson提出的基于12点人体结构描述方法进行动作识别，该方法对后续人员动作识别算法具有十分重要的借鉴意义[52]。目前的行为识别算法可以分为两大类，基于手工提取特征的分类算法以及基于深度学习模型的分类算法。前者需要人工选取特征，然后利用合适的分类器进行分类，后者通过网络自动学习数据的特征并进行分类[53-55]。常见的用于动作识别的特征有梯度直方图（HOG）、稠密光流直方图（MotionBoundaryHistogram，MBH）、光流信息直方图（HistogramofOrientedGradients，HOF）、密集轨迹特征（DenseTrajectory,DT）以及改进的密集轨迹特征（ImprovedDenseTrajectory,IDT）[56-58]等。其中最常用的手工特征为DT以及IDT，这两类方法都是综合上述其他三种特征作为基础所得到的。其中，DT算法首先将视频图片划分为多个不同的尺度，通常采用8个尺度。随后在不同尺度大小的图像上采用网格划分的方法，进行稠密的采集特征点，从而得到不同尺度不同位置的多类采样点。接着依据这些采样点计算目标轨迹特征，即通过计算所有特征点的轨迹描述子以及运动描述子，对目标进行跟踪并预测下一时刻的位置，将所有得到的特征采用BOF（BagofFeatures）的方式编码，最后将编码的特征采用支持向量机进行分类识别。IDT的方法是在DT的基础上，采用背景消除的算法，减少了摄像头移动或者其他背景变化所产生的干扰，从而提高算法稳定性。而且IDT算法采用FisherVector编码方法，对视频描述子以及高斯混合模型一阶导以及二阶导进行编码，并
2相关基础理论与知识13通过匈牙利匹配算法可以得到最优的目标与路径匹配结果，如图2-3表示路径与目标匹配之后的结果示意图。其中实线为初始化的匹配，红色的线表示匹配错误，黑线代表最终经过匈牙利匹配算法得到的最优匹配，左边黄色未匹配路径的点表示消失或者被遮挡的目标，而右边未匹配的点代表出现误检或者新的目标。通过观察该图可以发现，采用匈牙利匹配算法能够很好的实现轨迹与检测目标的匹配，避免出现一对多的匹配情况发生。图2-3匈牙利匹配算法多目标跟踪匹配示意图Figure2-3Hungarianmatchingalgorithmformultipletargettrackingmatching2.3卷积神经网络相关理论基础研究（RelatedBasicTheoryfortheConvolutionNetwork）近年来，深度学习发展迅速，被广泛应用于交通，军事，农业，工业等多个方面[73-75]。卷积神经网络属于深度学习中的一个重要分支，在计算机视觉相关问题的研究上取得一系列十分瞩目的成就。本节将针对卷积神经网络相关基础理论知识进行介绍。2.3.1卷积层卷积层（Convolutionslayer）作为卷积神经网络的基本核心结构，与全连接神经元针对所有输入进行计算不同，其每次计算只针对输入图像上的某个区域。卷积神经网络通过采用若干卷积核，针对输入图像以滑动窗口的形式对每个区域进行特征提取，每次得到的特征只代表当前滑动窗口所覆盖的区域。在卷积层中，低层特征图主要用于一些形态、颜色这类表征信息的提取，而在得到这类表征信息之后会继续采用卷积层对其进行卷积操作，以获得具有抽象含义的高层语义特征。卷积层正是依靠着层层卷积的方法，使得图像的特征以及信息能够更充分的表达。其中卷积的基本运算过程数学定义如下：
本文编号：3041888
本文链接：https://www.wllwen.com/shoufeilunwen/boshibiyelunwen/3041888.html
