多尺度特征融合的煤矿救援机器人目标检测模型
翟国栋1
任聪1
王帅2
岳中文3
潘涛4
季如佳1
1.中国矿业大学(北京)机电与信息工程学院,北京 1000832.湖北工业大学电气与电子工程学院,湖北武汉4300683.中国矿业大学(北京)力学与建筑工程学院,北京 1000834.神华信息技术有限公司,北京100011;智能矿山(煤炭行业)工程研究中心,北京100011;闽江学院福建省信息处理与智能控制重点实验室,福建福州 350121
摘要：传统目标检测模型采用人工设计的目标特征,造成检测精度较差.基于深度学习的目标检测模型具有较高的检测精度,然而针对实时性和精度要求比较高的煤矿救援机器人应用场合,获取的图像信息较少且目标特征不明显,造成目标检测效果较差.为提高目标检测精度和速度,基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型.该模型主要包括特征提取和特征融合2个模块:特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息,增强目标特征表达能力,提高了目标分类精度和检测速度;特征融合模块在特征金字塔中引入空间注意力机制,对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合,弥补了高层特征图位置信息表达能力不足的缺点,提高了目标定位精度.将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验,检测精度为88.73％,检测速度为28帧/s,满足煤矿救援机器人目标检测的实时性和精度需求.
关键词：煤矿救援机器人目标检测多尺度特征融合YOLO V3深度学习
分类号：TD67(矿山电工)
资助基金：国家重点研发计划(2017YFC0804307)中央高校基本科研业务费专项(2020YJSJD06)福建省信息处理与智能控制重点实验室(闽江学院)开放基金(MJUKF-IPIC201905)
论文发表日期：2020-11-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 54-58 )
英文信息