基于深度神经网络的综采工作面视频目标检测
杨艺1
付泽峰2
高有进3
崔科飞3
王科平2
1.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 4500002.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 4540033.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
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.
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
分类号：TD67(矿山电工)
资助基金：河南省科技攻关计划项目(212102210390)河南省煤矿智能开采技术创新中心支撑项目(2021YD01)
论文发表日期：2022-08-10
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：10( 33-42 )
英文信息