《電子技術應用》
您所在的位置:首頁 > 測試測量 > 設計應用 > 基于邊窗濾波和擴張卷積的礦井行人檢測
基于邊窗濾波和擴張卷積的礦井行人檢測
2020年電子技術應用第10期
劉 欣,李衛龍,張燦明
安徽省煤炭科學研究院,安徽 合肥230001
摘要: 在數字化礦山中,行人檢測系統能夠大幅減少事故傷亡,是保護工人安全的重要手段。為了構建高性能的行人檢測系統,提出了一種基于邊窗濾波和擴張卷積的礦井行人檢測模型。具體來說,針對復雜惡劣的礦井環境,采用邊窗濾波抑制視頻圖像中的干擾信號,提升圖像質量。此外,考慮到行人目標的多尺度特性,在模型中引入擴張卷積增加特征的感受野,進而提升檢測性能。大量的對比實驗證明了邊窗濾波和擴張卷積的有效性,模型在礦井數據集上獲得94.3 mAP和99.1%檢測率的優異性能。
中圖分類號: TN919.8;TP919.8;TP391.41
文獻標識碼: A
DOI:10.16157/j.issn.0258-7998.200363
中文引用格式: 劉欣,李衛龍,張燦明. 基于邊窗濾波和擴張卷積的礦井行人檢測[J].電子技術應用,2020,46(10):42-46,50.
英文引用格式: Liu Xin,Li Weilong,Zhang Canming. Mine pedestrian detection based on side-window filter and dilated convolution[J]. Application of Electronic Technique,2020,46(10):42-46,50.
Mine pedestrian detection based on side-window filter and dilated convolution
Liu Xin,Li Weilong,Zhang Canming
Anhui Academy of Coal Science,Hefei 230001,China
Abstract: In digitalized mines, pedestrian detection system is able to greatly reduce accident casualties, which is an essential strategy for guaranteeing workers′ well-being. In order to establish mine pedestrian detection system with high performance, a mine pedestrian detection based on side-window filter and dilated convolution is proposed. Specifically, in terms of mines environment with complicated and hostile conditions, side-window filter is adopted to suppress disturbing signals in surveillance pictures, improving image quality. In addition, considering the multi-scale characteristic of pedestrian objects, dilated convolution is introduced into model to increase receptive field of features, thus enhancing detection performance. A number of comparison experiments are conducted to illustrate the effectiveness of side-window filter and dilated convolution, and the model achieves excellent performance of 94.3 mAP and 99.1% of detection accuracy on the mine dataset.
Key words : pedestrian detection;side-window filter;dilated convolution;deep learning

0 引言

    數字化礦山是實現智能化、現代化煤炭生產的重要基礎,對于煤炭產業的可持續發展有著極為重要的意義。采礦自動化、運輸智能化、管理信息化是實現數字化礦山的三項關鍵技術[1]。實現這些技術的前提是構建智能感知系統,而礦井行人檢測系統是實現井下智能調度、安全監測等技術的先決條件[2]

    近些年來,深度學習技術在多個計算機視覺領域迅猛發展[3],并在多個任務上獲得了優異的性能,例如人臉檢測[4]、物體分揀[5]、缺陷檢測[6]。具體到行人檢測任務上,R-CNN[7]率先將深度學習技術應用在目標檢測任務。在此基礎上,Faster R-CNN[8]改進候選框選擇機制,完備端對端檢測框架。2019年,來自Google Brain的TAN M等研究人員[9]提出了基于自動網絡尋優技術的EfficientNet,該模型通過動態調整網絡的深度、寬度和分辨率,尋找最優的模型設計,在圖像分類、目標檢測等多個領域獲得先進表現。

    圖像在構建和傳輸過程中,常因為外界干擾而導致質量退化。常見的解決方案是采用濾波方法對圖像做去噪處理[10]。濾波算法可分成兩類:線性濾波和非線性濾波。常見的線性濾波包括盒子濾波、高斯濾波;非線性濾波包括中值濾波、雙邊濾波等。在深度學習算法中,濾波算法常用于圖像預處理、特征提取、邊緣獲取等。尤其是對于邊緣檢測,濾波算法基于研究人員對于圖像的先驗知識,充分地提取圖像的邊緣信息,實現對興趣區域的精準定位分割[11]。傳統濾波算法受限于濾波核結構和運算機理,雖然可以抑制噪聲,但同時會造成邊緣信息丟失,對檢測模型產生負面影響。近些年來,大量的保邊濾波算法被提出,用于保留的更多的邊緣信息,例如全變分濾波算法[12]、加權最小二乘濾波[13]和導向濾波[14]等。

    對于礦井環境,構建行人檢測模型需要考慮多個特定的環境因素,包括監控設備所處環境光線不足、粉塵點多,且捕獲圖像存在較多干擾信號等硬件設備上的不利因素,又要考慮對多目標、不同尺度的行人目標實現準確檢測的要求。針對這些難點,本文從視頻圖像的處理和檢測模型的改進兩個角度出發,采用邊窗濾波抑制視頻圖像的干擾信號,在模型網絡中引入擴張卷積處理多尺度目標。實驗證明模型在礦井數據集上取得了優異的檢測性能。本文的主要貢獻如下:針對礦井環境存在的多樣不利因素,采用邊窗濾波抑制視頻圖像的干擾信號,為行人檢測模型提供優質的輸入圖像;采用先進的EfficientNet作為網絡主干,用于提取輸入圖像的特征,并在網絡主干中引入擴張卷積,增大特征的感受野,促使網絡在多尺度目標上獲得更為優異的檢測性能。




本文詳細內容請下載:http://m.viuna.cn/resource/share/2000003018




作者信息:

劉  欣,李衛龍,張燦明

(安徽省煤炭科學研究院,安徽 合肥230001)

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产在线视频第一页 | 羞羞网站视频 | 视频日韩| 国产精品欧美亚洲 | 国产免费人成在线视频视频 | 精品久久久久国产免费 | 一级床上爽高清播放 | www.视频 | 2020国产精品视频 | 欧美中文字幕视频 | 国产精品欧美一区二区三区不卡 | 国产成a人片在线观看视频 国产成人91 | 成年网站在线观看 | 日韩国产欧美一区二区三区 | 中国性成熟xxxxhd | 黄色免费高清视频 | 最近资源中文字幕4 | 欧美在线一级视频 | 日韩在线一区二区三区免费视频 | 欧美成人视屏 | 99精品视频在线免费观看 | 在线观看国产一区二三区 | 成年黄网站在线观看免费 | 99热综合在线 | 中文字幕日韩在线观看 | 日本一区高清视频 | 日日干夜夜骑 | 男女性潮高片无遮挡禁18 | 日韩专区亚洲国产精品 | 午夜影院免费在线观看 | 欧美人与性另类 | 日本国产在线视频 | 全黄一级裸片视频免费 | 婷婷久久综合九色综合九七 | 免费看欧美一级特黄a大片 免费看欧美一级特黄α大片 | 日韩专区中文字幕 | 久久午夜视频 | 521a久久九九久久精品 | 国产亚洲精品国产福利在线观看 | 亚洲欧美另类日本久久影院 | 免费视频色 |