井下无人驾驶电机车行驶场景中多目标检测研究
郭永存1
童佳乐2
王爽3
1.安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南 232001;安徽理工大学矿山智能装备与技术安徽省重点实验室,安徽淮南 232001;矿山智能技术与装备省部共建协同创新中心,安徽淮南 232001;安徽理工大学机械工程学院,安徽淮南 2320012.安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南 232001;安徽理工大学机械工程学院,安徽淮南 2320013.安徽理工大学深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南 232001;矿山智能技术与装备省部共建协同创新中心,安徽淮南 232001;安徽理工大学机械工程学院,安徽淮南 232001
摘要：目前煤矿井下无人驾驶有轨电机车在行驶过程中,对轨道中的石块及其他小型障碍物的识别存在检测速度慢、检测精度低,且对于重叠目标,易造成漏检、错检等问题.针对上述问题,提出了一种井下电机车多目标检测模型——SE-HDC-Mask R-CNN模型.该模型基于Mask R-CNN进行改进,通过在主干特征提取网络ResNet的残差块中嵌入压缩-激励(SE)模块,学习各个通道的重要程度和相互联系,增强网络对特征的选择和捕获能力;将残差块中卷积核大小为3×3的标准卷积替换成混合空洞卷积(HDC),在不改变特征图大小、不增加参数计算量的前提下,通过增加卷积核处理数据时各值之间的距离达到增大感受野的目的.实验结果表明:SE-HDC-Mask R-CNN模型可有效提取轨道、电机车、信号灯、行人和石块目标,在井下电机车多场景运行数据集上的平均准确率均值为95.4％,平均掩码分割精度为88.1％,平均边界框交并比为91.7％,相较于Mask R-CNN模型均提升了 0.5％,对信号灯、石块(小目标)的检测精度分别提升了 0.7％和4.1％;SE-HDC-Mask R-CNN模型的综合性能优于YOLOV2,YOLOV3-Tiny,SSD,Faster R-CNN等模型,可有效解决小目标漏检问题;SE-HDC-Mask R-CNN模型在煤巷直轨、弯轨、黑暗环境、多目标重叠等场景下均可有效实现目标检测,具有一定泛化能力及较高鲁棒性,基本满足无人驾驶电机车障碍物检测需求.
关键词：井下无人驾驶煤矿电机车目标检测Mask R-CNN实例分割压缩-激励模块混合空洞卷积
分类号：TD64(矿山电工)
资助基金：国家自然科学基金(51904007)安徽省科技重大专项资助项目(202003a05020021)安徽高校协同创新资助项目(GXXT-2020-60)
论文发表日期：2022-06-10
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：8( 56-63 )
英文信息