基于改进Mask R-CNN的刮板输送机铁质异物多目标检测
史凌凯1
耿毅德2
王宏伟3
王洪利4
1.太原理工大学安全与应急管理工程学院,山西太原 030024;太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 0300242.太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024;山西焦煤集团有限责任公司 博士后工作站,山西 太原 0300243.太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024;山西焦煤集团有限责任公司 博士后工作站,山西 太原 030024;太原理工大学机械与运载工程学院,山西太原 0300244.太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024
摘要：刮板输送机是煤矿井下的关键运输设备,铁质异物进入刮板输送机会引发磨损、断链等,甚至会造成停产、伤人等严重事故.现有刮板输送机异物识别方法存在对井下图像的适应性较差、无法区分异物类别与数量等问题.针对上述问题,提出了一种基于改进掩码区域卷积神经网络(Mask R-CNN)的刮板输送机铁质异物多目标检测方法.采用基于Laplace算子的图像增强算法对井下低照度、高粉尘环境下采集的图像进行预处理,对增强后的图像进行标注,制作数据集.采用Mask R-CNN模型的ResNet-50特征提取器获取铁质异物图像特征;采用特征金字塔网络进行特征融合,保证同时拥有高层的语义特征(如类别、属性等)和低层的轮廓特征(如颜色、轮廓、纹理等),以提高小尺度铁质异物识别精度;针对Mask R-CNN模型生成的锚点与待检测的铁质异物尺寸不对应的问题,对Mask R-CNN模型进行改进,采用k-means Ⅱ聚类算法代替原来的锚点生成方案,通过遍历数据集中标注框的长宽信息得到聚类中心 点,实现刮板输送机铁质异物多 目标检测.实验结果表明,改进Mask R-CNN模型对单张图像的平均检测时间为0.732 s,与Mask R-CNN,YOLOv5相比,分别缩短0.093,0.002 s;平均精度为 91.7％,与 Mask R-CNN,YOLOv5 相比,分别提高 11.4％,2.9％.
关键词：刮板输送机铁质异物多目标检测深度学习MaskR-CNNk-meansⅡ聚类算法
分类号：TD634.2(矿山电工)
资助基金：山西省基础研究计划项目(202103021223123)山西省揭榜招标项目(20201101005)
论文发表日期：2022-10-10
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( 55-61 )
英文信息