轻量化CNN及其在煤矿智能视频监控中的应用
许志1
李敬兆1
张传江2
姚磊2
王继伟2
1.安徽理工大学电气与信息工程学院,安徽淮南2320012.淮北矿业股份有限公司机电装备部,安徽淮北235000
摘要：煤矿井下海量的监控视频通过以太网传输至云计算中心进行集中处理,存在高延迟、高成本、高网络带宽占用等问题.针对上述问题,以深度可分离卷积为核心构建了轻量化卷积神经网络(CNN)模型,并通过引入残差结构对轻量化CNN模型进行优化,以提升模型对图像的特征提取能力.针对煤矿井下复杂的光照环境导致监控视频图像对比度低、影响模型识别准确率的问题,采用限制对比度直方图均衡化(CLAHE)算法提高图像的亮度和对比度,以提升模型的识别效果.将轻量化CNN模型经STM32Cube AI压缩后部署在嵌入式平台上,设计了基于轻量化CNN模型的视频监控终端,对煤矿井下监控视频在本地进行实时智能处理,实现井下违章行为实时识别和报警.实验结果表明,通过引入残差结构对轻量化CNN模型进行优化,以及采用CLAHE算法进行图像增强后,模型对煤矿井下各种违章行为的识别准确率能够达到95％以上,提升了对违章行为响应的实时性.
关键词：煤矿智能视频监控轻量神经网络卷积神经网络深度可分离卷积残差结构限制对比度直方图均衡化嵌入式平台
分类号：TD67(矿山电工)
资助基金：国家自然科学基金(51874010)物联网关键技术创新团队项目(201950ZX003)淮北矿业集团国家级技术中心计划项目(2020ZDYF013)
论文发表日期：2020-12-10
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：7( 13-19 )
英文信息