期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到7篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLOv5的煤矿井下目标检测研究 被引量：17
1
作者 寇发荣 肖伟 +1 位作者 何海洋 陈若晨 《电子与信息学报》 EI CSCD 北大核心 2023年第7期2642-2649,共8页
针对煤矿井下环境多利用红外相机感知周边环境温度成像,但形成的图像存在纹理信息少、噪声多、图像模糊等问题,该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进,首先使用PP-LC... 针对煤矿井下环境多利用红外相机感知周边环境温度成像,但形成的图像存在纹理信息少、噪声多、图像模糊等问题,该文提出一种可用于煤矿井下实时检测的多尺度卷积神经网络(Ucm-YOLOv5)。该网络是在YOLOv5的基础上进行改进,首先使用PP-LCNet作为主干网络,用于加强CPU端的推理速度;其次取消Focus模块,使用shuffle_block模块替代C3模块,在去除冗余操作的同时减少了计算量;最后优化Anchor同时引入Hswish作为激活函数。实验结果表明,Ucm-YOLOv5比YOLOv5的模型参数量减少了41%,模型缩小了86%,该算法在煤矿井下具有更高的检测精度,同时在CPU端的检测速度达到实时检测标准,满足煤矿井下目标检测的工作要求。 展开更多
关键词 煤矿井下目标检测 深度学习 YOLOv5
在线阅读 下载PDF
基于改进混合高斯模型的井下目标检测算法 被引量：9
2
作者 张小艳 郭海涛 《工矿自动化》 北大核心 2021年第4期67-72,共6页
煤矿井下监控视频图像质量差、噪点多、光照易突变,采用传统混合高斯模型进行目标检测存在运行速度慢、算法复杂度高、易受光照影响等问题。针对该问题,提出了一种基于改进混合高斯模型的井下目标检测算法。使用改进的暗通道去雾算法对... 煤矿井下监控视频图像质量差、噪点多、光照易突变,采用传统混合高斯模型进行目标检测存在运行速度慢、算法复杂度高、易受光照影响等问题。针对该问题,提出了一种基于改进混合高斯模型的井下目标检测算法。使用改进的暗通道去雾算法对井下图像进行预处理,对井下雾图的缩略图求暗通道图,并采用双线性插值得到去雾图像;在混合高斯模型的基础上,使用改进的块建模策略降低建模复杂度,提高算法运行速度;结合三帧差分法,根据图像前景所占比例对高斯建模前期和建模后期设定不同的学习率,以抑制光照对目标检测的影响,提高建模速度和准确度。实验结果表明,当光照发生突变时,该算法能较好地描述检测对象,对光照变化有明显抑制作用;与三帧差分法、传统混合高斯模型相比,该算法可有效提高处理速度。 展开更多
关键词 煤矿井下视频监控 井下目标检测 混合高斯模型 块建模 自适应学习率 三帧差分法
在线阅读 下载PDF
基于改进YOLOv8n的井下人员多目标检测 被引量：2
3
作者 问永忠 贾澎涛 +2 位作者 夏敏高 张龙刚 王伟峰 《工矿自动化》 北大核心 2025年第1期31-37,77,共8页
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(MultiSE... 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。 展开更多
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
在线阅读 下载PDF
基于图像增强和改进YOLOv8的煤矿低光照目标检测
4
作者 王宏伟 刘学刚 +4 位作者 王浩然 曹文艳 付翔 刘泽平 李建忠 《工矿自动化》 北大核心 2025年第9期33-42,65,共11页
目前煤矿井下图像增强技术在实际应用中存在稳定性不足和生成图像质量波动较大的问题,影响后续目标检测的精度;而目前基于YOLOv8的煤矿井下目标检测技术在低光照环境下应用时,由于图像特征弱化和信息丢失,YOLOv8的性能仍然存在一定局限... 目前煤矿井下图像增强技术在实际应用中存在稳定性不足和生成图像质量波动较大的问题,影响后续目标检测的精度;而目前基于YOLOv8的煤矿井下目标检测技术在低光照环境下应用时,由于图像特征弱化和信息丢失,YOLOv8的性能仍然存在一定局限性。针对上述问题,提出一种基于图像增强和改进YOLOv8的煤矿低光照目标检测算法。采用去噪概率扩散模型(DDPM)对原始图像进行去噪和增强处理,恢复图像的光照及细节信息;在YOLOv8基础上进行改进,通过引入低频滤波增强模块(LEF)和特征增强模块(FEM)提高低光照图像的特征提取性能,并将YOLOv8模型原有的CIoU回归损失更换为MPDIoU,得到YOLOv8-DLFM;使用YOLOv8-DLFM进行目标检测,提高目标检测准确性和鲁棒性。实验结果表明:(1)与目前主流的图像增强方法进行对比,DDPM的峰值信噪比为28.379 dB,结构相似性为0.886,感知相似性为0.104,表现出优越的图像重建质量和结构相似性。(2) YOLOv8-DLFM在综合性能上表现优异,准确率、召回率和mAP@0.5分别达到0.878,0.791和0.896,帧率达到88.6帧/s,相较于原始YOLOv8n模型,YOLOv8-DLFM的准确率、召回率与m AP@0.5分别提升了8.13%,6.6%和8.74%。(3)与目前主流目标检测模型相比,YOLOv8-DLFM在复杂低光照环境下具有更强的鲁棒性和更高的检测精度;在目标遮挡、光照干扰、目标稀疏和目标密集等典型工况下,YOLOv8-DLFM展现出较高的鲁棒性和适应性。 展开更多
关键词 井下目标检测 低光照 图像增强 YOLOv8n 去噪概率扩散模型 低频滤波 特征增强
在线阅读 下载PDF
融合特征增强与上下文感知的井下安全帽佩戴检测方法
5
作者 杜岗 《工矿自动化》 北大核心 2025年第9期43-49,59,共8页
安全帽在井下场景中随人员移动,远距离拍摄时目标尺寸较小,检测难度显著增加;井下环境复杂,光照不足、粉尘干扰、遮挡严重和背景杂乱等因素会干扰特征提取过程,降低检测的准确性和稳定性;现有轻量化和加速策略在提升速度的同时,往往损... 安全帽在井下场景中随人员移动,远距离拍摄时目标尺寸较小,检测难度显著增加;井下环境复杂,光照不足、粉尘干扰、遮挡严重和背景杂乱等因素会干扰特征提取过程,降低检测的准确性和稳定性;现有轻量化和加速策略在提升速度的同时,往往损害了模型对细节和小目标的刻画能力,使得检测精度不足。针对上述问题,提出了一种融合特征增强与上下文感知的井下安全帽佩戴检测方法。首先,引入特征增强模块(NFEM),通过多分支卷积与空洞卷积结构提高小目标的语义特征提取能力,使模型能够在弱光、遮挡或粉尘环境下获得更具判别性的特征表达。然后,引入空间特征融合模块(NFFM),在多尺度特征融合过程中利用通道加权策略对特征进行自适应调整,在不显著增加计算量的前提下提高检测精度。最后,引入改进空间上下文感知模块(ISCAM),采用位置敏感的全局上下文建模机制,强化特征间的空间与通道依赖关系,有效提升模型对弱纹理小目标的检测能力,并增强对复杂背景的抑制效果。实验结果表明:(1)所提方法在CUMT-HelmeT数据集上的mAP@0.5达到0.86,单帧检测时间仅为10.4 ms;在SHWD数据集上的m AP@0.5达到0.88,单帧检测时间为12.2 ms。(2)在强光干扰、远距离小目标、安全帽相互遮挡等复杂场景中,所提方法较YOLOv12s目标检测方法表现出更高的检测置信度和更低的漏检率。(3)所提方法能够有效引导模型关注关键目标,抑制背景干扰,从而提升检测精度和可靠性。 展开更多
关键词 安全帽佩戴检测 井下目标检测 特征增强 上下文感知 空间特征融合
在线阅读 下载PDF
一种煤矿井下多目标检测算法 被引量：1
6
作者 范守俊 陈希琳 +4 位作者 魏良跃 王青玉 张世源 董飞 雷少华 《工矿自动化》 CSCD 北大核心 2024年第12期173-182,共10页
目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形... 目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。 展开更多
关键词 煤矿井下多目标检测 YOLOv8n 动态蛇形卷积 CA注意力机制 特征提取 特征融合
在线阅读 下载PDF
基于深度卷积神经网络的井下人员目标检测 被引量：9
7
作者 唐士宇 朱艾春 +3 位作者 张赛 曹青峰 崔冉 华钢 《工矿自动化》 北大核心 2018年第11期32-36,共5页
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... 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%。 展开更多
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
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部