-
题名基于参数轻量化的井下人体实时检测算法
被引量：6
- 1
-
-
作者
董昕宇
师杰
张国英
-
机构
中国矿业大学(北京)机电与信息工程学院
-
出处
《工矿自动化》
北大核心
2021年第6期71-78,共8页
-
基金
国家自然科学基金项目(U1704242)。
-
文摘
针对现有井下人员目标检测方法因网络较深、计算量庞大而不能达到实时检测效果的问题,提出了一种基于参数轻量化的井下人体实时检测算法。采用深度可分离卷积模块和倒置残差模块构建轻量级特征提取网络:通过深度可分离卷积压缩参数量和运算量,提升特征提取网络的运算速度;倒置残差模块通过更高维度的张量来提取足够多的信息,保证特征提取网络的精确度。结合轻量级特征提取网络和SSD多尺度检测方法建立井下人体实时检测模型,该模型在轻量级倒置残差特征提取网络的基本结构上增添传统卷积层至27层进行卷积操作,其中6层特征图被抽取进行多尺度预测,测试结果表明,该模型的大小为18 MB,帧率约为35帧/s,性能优于常用的VGG16+Faster R-CNN模型和VGG16+多尺度检测模型。为适应井下特定环境的目标检测需求,设计了基于Faster R-CNN的人体数据半自动标注方法,可显著减少人工工作量,提高井下人体检测精度。利用矿工服装颜色信息对检测结果框进行二次筛选,剔除将背景检测为人体的误检框。测试结果表明,该算法实现了采煤工作面人员实时定位检测及框选,精度达92.86%,召回率为98.11%,有效解决了井下人员漏检及误检问题。
-
关键词
采煤工作面
井下人体实时检测
深度可分离卷积模块
倒置残差模块
参数轻量化
多尺度检测
半自动标注
-
Keywords
coal mine working face
underground human body real-time detection
depth separable convolution module
inverted residual module
parameter lightweight
multi-scale characteristic detection
semi-automatic annotation
-
分类号
TD76
[矿业工程—矿井通风与安全]
-
-
题名轻量级网络算法对输电线路上异物目标的识别
被引量：2
- 2
-
-
作者
唐政
张会林
马立新
刘金芝
王昊
-
机构
上海理工大学机械工程学院
-
出处
《电子科技》
2023年第4期71-77,共7页
-
基金
国家自然科学基金(61205076)。
-
文摘
针对输电线路上多种异物所引起的电力巡检问题,可以采用深度学习图像识别方法进行检测。文中提出了一种改进型轻量级网络检测算法模型,通过将YOLOv4的主干特征提取网络替换为轻量级神经网络GhostNet,减少图片输入时计算所产生的特征图冗余;对YOLOv4的PANet模块进行修改,采用深度可分离卷积模块替换其中的普通卷积模块,可减轻参数计算量。结果表明,相比于原YOLOv4检测算法,该改进型算法在IOU阈值取0.5时,平均精准度下降2.1%,但检测速度达到了原算法的2.21倍,参数计算量仅为原算法的17.84%。与其他几种算法的对比表明新算法的参数指标表现满足需求。在维持较高精确度的情况下,文中所提算法的检测速度得到提升,计算量减少,证明了其在目标检测时的有效性与可行性。
-
关键词
输电线路
深度学习
YOLOv4
图像识别
GhostNet
深度可分离卷积模块
轻量级网络
-
Keywords
transmission line
deep learning
YOLOv4
image recognition
GhostNet
deep separable convolution module
lightweight network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
