矿用无人驾驶车辆行人检测技术研究
周李兵1
于政乾2
卫健健2
蒋雪利2
叶柏松2
赵叶鑫2
杨斯亮2
1.天地(常州)自动化股份有限公司,江苏 常州 213015;中煤科工集团常州研究院有限公司,江苏 常州 213015;南京航空航天大学 机电学院,江苏 南京 2100162.天地(常州)自动化股份有限公司,江苏 常州 213015;中煤科工集团常州研究院有限公司,江苏 常州 213015
摘要：矿用无人驾驶车辆的工作环境光照条件复杂,行人检测经常出现漏检现象,导致矿用无人驾驶车辆可靠性及安全性不足.针对巷道光照条件复杂的问题,提出了一种弱光图像增强算法:将弱光图像由RGB图像空间分解为HSV图像空间,通过Logarithm函数对亮度分量先进行光照,再通过双边滤波器去除噪声;采用形态学对饱和度分量进行闭操作,再通过高斯滤波器滤除噪声;将图像转换回RGB图像空间,通过半隐式ROF去噪模型对图像再次进行去噪,得到增强图像.针对行人检测存在漏检、精度低的问题,提出了一种基于改进YOLOv3的矿用无人驾驶车辆行人检测算法:采用密集连接块取代YOLOv3中的Residual连接,提高特征图利用率;采用Slim-neck结构优化YOLOv3的特征融合结构,使得特征图之间能够进行高效的信息融合,进一步提高对小目标行人的检测精度,并利用其内部特殊的轻量化卷积结构,提高检测速度;加入轻量级的卷积注意力模块(CBAM)增强算法对目标类别和位置的注意程度,提高行人检测精度.实验结果表明:①提出的弱光图像增强算法能够有效提高图像可见度,图像中行人的纹理更加清晰,并具有更好的噪声抑制效果.②基于增强后图像的矿用无人驾驶车辆行人检测算法的平均精度达 95.68%,相较于基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法、YOLOv5、YOLOv3算法分别提高了2.53%,6.42%,11.77%,且运行时间为29.31 ms.③基于增强后图像,YOLOv3和基于改进YOLOv7和ByteTrack的煤矿关键岗位人员不安全行为识别算法出现了漏检和误检的问题,而矿用无人驾驶车辆行人检测算法有效改善了该问题.
关键词：矿用无人驾驶车辆井下行人检测YOLOv3弱光图像增强半隐式ROF去噪密集连接模块Slim-neck卷积注意力模块
分类号：TD67(矿山电工)
资助基金：江苏省科技成果转化专项项目(BA2022040)天地科技股份有限公司科技创新创业资金专项项目(2023-TD-ZD005-003)天地(常州)自动化股份有限公司科研项目(2022TY1003)
论文发表日期：2024-10-10
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：9( 29-37 )
英文信息