典型文献
基于深度神经网络的综采工作面视频目标检测
文献摘要：
综采工作面环境较复杂,地形狭长,多目标多设备经常出现在同一场景当中,使得目标检测难度加大.目前应用于煤矿井下的目标检测方法存在特征提取难度较大、泛化能力较差、检测目标类别较为单一等问题,且主要应用于巷道、井底车场等较为空旷场景,较少应用于综采工作面场景.针对上述问题,提出了 一种基于深度神经网络的综采工作面视频目标检测方法.首先,针对综采工作面环境复杂多变、光照不均、煤尘大等不利条件,针对性挑选包含各角度、各环境条件下的综采工作面关键设备和人员的监控视频,并进行剪辑、删选,制作尽可能涵盖工作面现场各类场景的目标检测数据集.然后,通过对YOLOv4模型进行轻量化改进,构建了 LiYOLO目标检测模型.该模型利用CSPDarknet、SPP、PANet等加强特征提取模块对视频特征进行充分提取,使用6分类YoloHead进行目标检测,对综采工作面环境动态变化、煤尘干扰等具有较好的鲁棒性.最后,将LiYOLO目标检测模型部署到综采工作面,应用Gstreamer对视频流进行管理,同时使用TensorRT对模型进行推理加速,实现了多路视频流的实时检测.与YOLOv3、YOLOv4模型相比,LiYOLO目标检测模型具有良好的检测能力,能够满足综采工作面视频目标检测的实时性和精度要求,在综采工作面数据集上的平均准确率均值为96.48％,召回率为95％,同时视频检测帧率达67帧/s.工程应用效果表明,LiYOLO目标检测模型可同时检测、展示6路视频,且对于不同场景下的检测目标都有较好的检测效果.
文献关键词：
智能开采;综采工作面;目标检测;人员检测;视频流;卷积神经网络
中图分类号：
作者姓名：
杨艺;付泽峰;高有进;崔科飞;王科平
作者机构：
河南理工大学 电气工程与自动化学院,河南 焦作 454003;河南理工大学河南省煤矿装备智能检测与控制重点实验室,河南焦作 454003;郑州煤矿机械集团股份有限公司,河南 郑州 450000;郑州煤机液压电控有限公司,河南 郑州 450013
文献出处：
引用格式：
[1]杨艺;付泽峰;高有进;崔科飞;王科平-.基于深度神经网络的综采工作面视频目标检测)[J].工矿自动化,2022(08):33-42
A类：
LiYOLO,YoloHead,Gstreamer
B类：
深度神经网络,综采工作面,视频目标检测,狭长,多设备,经常出现,煤矿井下,目标检测方法,存在特征,泛化能力,主要应用,巷道,井底车场,空旷,旷场,环境复杂,光照不均,煤尘,不利条件,关键设备,监控视频,剪辑,检测数据集,YOLOv4,目标检测模型,CSPDarknet,SPP,PANet,取模,对视,分提,模型部署,视频流,流进,TensorRT,推理加速,多路视频,实时检测,YOLOv3,检测能力,精度要求,平均准确率,召回率,视频检测,帧率,同时检测,同场,检测效果,智能开采,人员检测
AB值：
0.303155
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
