-
题名基于边缘智能的煤矿外因火灾感知方法
被引量：6
- 1
-
-
作者
赵端
李涛
董彦强
王志强
刘春
-
机构
中国矿业大学矿山互联网应用技术国家地方联合工程实验室
中国矿业大学信息与控制工程学院
国家电投集团内蒙古白音华煤电有限公司
-
出处
《工矿自动化》
北大核心
2022年第12期108-115,共8页
-
基金
中央高校基本科研业务费专项资金项目(XJ2021005101)。
-
文摘
对煤矿外因火灾隐患进行检测,实现对初期火灾的可靠判识,对于提升煤矿火灾检测水平有重要意义,也是未来智能矿山建设的重要方向。为了提高煤矿外因火灾检测速度、精度和实时性,提出一种基于边缘智能的煤矿外因火灾感知方法。对YOLOv5s模型主干网络特征尺度进行改进,使模型能够充分学习浅层特征,改善小目标检测性能,同时在原有的特征金字塔网络(FPN)基础上添加自适应注意模块,提高模型检测精度。为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题,采用多传感器辅助检测,通过动态加权算法对视频检测信息和多传感器检测信息进行加权融合判识,构建了YOLOv5s−as模型。将YOLOv5s−as模型移植到智能边缘处理器上,并进行轻量化处理,实现边缘智能设备部署。实验结果表明:与未加入传感器信息融合推理的YOLOv5s−a模型相比,YOLOv5s−as模型推理时间略长,但交并比为0.5时的平均精度均值(mAP@0.5)提高了7.24%;与移植前的YOLOv5s模型相比,移植到智能边缘处理器上并进行轻量化处理的YOLOv5s−as模型mAP@0.5提高15.04%;SSD 300,SSD 512及YOLOv5s模型无法识别小目标火源,YOLOv5s−a,YOLOv5s−as模型能够检测出小目标火源,适应性较好;使用边缘处理方式时,YOLOv5s−as模型的响应周期为238 ms,比集中式处理方法缩短了38.66%。
-
关键词
外因火灾检测
YOLOv5s
深度学习
自适应注意机制
多源信息融合
边缘计算
-
Keywords
external fire detection
YOLOv5s
deep learning
adaptive attention mechanism
multi source information fusion
edge computing
-
分类号
TD752.3
[矿业工程—矿井通风与安全]
-
