-
题名基于深度卷积神经网络的井下人员目标检测
被引量：9
- 1
-
-
作者
唐士宇
朱艾春
张赛
曹青峰
崔冉
华钢
-
机构
中国矿业大学信息与控制工程学院
南京工业大学计算机科学与技术学院
-
出处
《工矿自动化》
北大核心
2018年第11期32-36,共5页
-
基金
国家自然科学基金项目(51574232)
-
文摘
针对以人为中心的井下视频监控模式存在持续时间受限、多场景同时监视困难、人工监视结果处理不及时等问题,提出了基于深度卷积神经网络的井下人员目标检测方法。首先将输入图片缩放为固定尺寸,通过深度卷积神经网络操作后形成特征图;然后,通过区域建议网络在特征图上形成建议区域,并将建议区域池化为统一大小,送入全连接层进行运算;最后,根据概率分数高低选择最好的建议区域,自动生成需要的目标检测框。测试结果表明,该方法可以成功检测出矿井工作人员的头部目标,准确率达到87.6%。
-
关键词
煤矿安全
井下人员目标检测
头部检测
深度学习
卷积神经网络
FASTER
R-CNN
-
Keywords
coal mine safety
target detection of underground personnel
head detection
deep learning
convolutional neural network
Faster R-CNN
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于改进YOLOv8n的井下人员多目标检测
- 2
-
-
作者
问永忠
贾澎涛
夏敏高
张龙刚
王伟峰
-
机构
陕西陕煤蒲白矿业有限公司
西安科技大学计算机科学与技术学院
西安科技大学安全科学与工程学院
-
出处
《工矿自动化》
北大核心
2025年第1期31-37,77,共8页
-
基金
陕西省重点研发计划(2022QCY−LL−70)
陕西省秦创原“科学家+工程师”队伍建设项目(2023KXJ−052)。
-
文摘
针对井下危险区域人员监测视频存在光照不均匀、目标尺度不一致、遮挡等复杂情况,基于YOLOv8n网络结构,提出一种改进的井下人员多目标检测算法—YOLOv8n-MSMLAS。该算法对YOLOv8n的Neck层进行改进,添加多尺度空间增强注意力机制(MultiSEAM),以增强对遮挡目标的检测性能;在C2f模块中引入混合局部通道注意力(MLCA)机制,构建C2f-MLCA模块,以融合局部和全局特征信息,提高特征表达能力;在Head层检测头中嵌入自适应空间特征融合(ASFF)模块,以增强对小尺度目标的检测性能。实验结果表明:(1)与Faster R-CNN,SSD,RT-DETR,YOLOv5s,YOLOv7等主流模型相比,YOLOv8n-MSMLAS综合性能表现最佳,mAP@0.5和mAP@0.5:0.95分别达到93.4%和60.1%,FPS为80.0帧/s,参数量为5.80×106个,较好平衡了模型的检测精度和复杂度。(2)YOLOv8n-MSMLAS在光照不均、目标尺度不一致、遮挡等条件下表现出较好的检测性能,适用于现场检测。
-
关键词
煤矿井下危险区域
井下人员多目标检测
YOLOv8n
多尺度空间增强注意力机制
自适应空间特征融合
轻量化混合局部通道注意力机制
-
Keywords
underground hazardous areas in coal mines
multi-target detection of underground personnel
YOLOv8n
multi-scale spatially enhanced attention mechanism
adaptive spatial feature fusion
lightweight hybrid local channel attention mechanism
-
分类号
TD323
[矿业工程—矿井建设]
-
