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3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：
矿用无人驾驶车辆行人检测技术研究 被引量：2
1
作者 周李兵 于政乾 +4 位作者 卫健健 蒋雪利 叶柏松 赵叶鑫 杨斯亮 《工矿自动化》 CSCD 北大核心 2024年第10期29-37,共9页
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... 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。 展开更多
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
在线阅读 下载PDF
矿用无人驾驶车辆车载计算单元硬件在环仿真测试研究 被引量：7
2
作者 倪浩原 徐国艳 +2 位作者 王京伟 张海福 丁红 《中国煤炭》 2022年第1期53-62,共10页
矿用车辆无人驾驶技术是实现智能矿山无人化运输的关键技术,车载计算单元又是矿用无人驾驶车辆的核心,接入传感器及控制器后,车载计算单元通过无人驾驶算法输出控制指令控制车辆行驶。针对车载计算单元进行实车测试验证存在的成本高、... 矿用车辆无人驾驶技术是实现智能矿山无人化运输的关键技术,车载计算单元又是矿用无人驾驶车辆的核心,接入传感器及控制器后,车载计算单元通过无人驾驶算法输出控制指令控制车辆行驶。针对车载计算单元进行实车测试验证存在的成本高、难度大、效率低、安全无保障等问题,研究了一种硬件在环仿真系统。介绍了该仿真系统的结构及其功能,详细阐述了对车载计算单元主要接入的GPS、激光雷达、毫米波雷达、视觉传感器等硬件设备以及矿车线控系统进行的仿真测试,并对自动/人工驾驶切换与仿真报告生成进行了说明。通过在白云鄂博矿区场景下对矿用无人驾驶车辆进行装载运输卸载过程的仿真测试,验证了车载计算单元的命令执行、车辆行驶决策规划、控制逻辑等的正确性与稳定性,同时也验证了仿真系统的有效性与可应用性。 展开更多
关键词 智能矿山 矿用无人驾驶车辆 车载计算单元 硬件在环仿真系统 算法性能测试
在线阅读 下载PDF
基于GCDB-YOLOv8的矿用无人车井下运输巷道工作人员检测方法
3
作者 张传伟 张天乐 +5 位作者 周李兵 秦沛霖 杨佳佳 赵瑞祺 赵聪 许婧 《煤炭学报》 2025年第10期4553-4568,共16页
针对煤矿井下辅助运输巷道中环境复杂,存在低光照、多粉尘等干扰因素,且工作人员检测时存在反射光干扰,导致使用车载摄像头的矿用无人驾驶车辆对巷道内工作人员检测精度低、实时性差,并且现有基于深度学习的目标检测器存在参数量大、模... 针对煤矿井下辅助运输巷道中环境复杂,存在低光照、多粉尘等干扰因素,且工作人员检测时存在反射光干扰,导致使用车载摄像头的矿用无人驾驶车辆对巷道内工作人员检测精度低、实时性差,并且现有基于深度学习的目标检测器存在参数量大、模型计算复杂度高的问题,提出了一种基于YOLOv8的矿用无人驾驶车辆井下辅助运输巷道内工作人员检测模型,即GCDBYOLOv8。首先,在特征提取网络中引入轻量级模块幻影卷积(GhostConv和GhostC2f),以实现网络轻量化设计,降低模型参数量和计算复杂度。其次,设计C2f-EMA模块并使用其替换颈部的C2f模型,增强对低光照、复杂背景中重点区域注意程度,使模型高效利用工作人员的特征信息;同时,设计DicPSA模块并使用其替换主干网络中的空间金字塔池化模块(SPPF),增强模型对关键特征信息的捕获、提取、利用能力;最后,设计改进了加权双向特征金字塔机制(BiFPN)并使用其替换原始的FPN+PAN结构以降低特征信息丢失问题,实现深层特征图目标语义信息和浅层特征图目标位置信息的充分融合和利用,提高检测精度。实验结果表明,在井下运输巷道工作人员检测数据集上,相较于基线模型YOLOv8n,GCDB-YOLOv8模型的检测精度达到80.64%,提高了6.06%;检测速度达到112 f/s,比基线模型更快,满足检测实时性要求;模型参数数量为2.70 M,计算复杂度为7.50 GFLOPs,分别较基线模型减少0.31 M和0.70 GFLOPs。与Faster RCNN、SSD、YOLOv3-tiny、YOLOv5s、YOLOv7-tiny、YOLOv8s、YOLOv9s、IAT-YOLO、RTDETR、MLFE-YOLOX、CDD-YOLO、YOLO_GD检测模型比较,GCDB-YOLOv8在检测精度、检测速度、参数数量和计算复杂度方面均优于其他对比模型。在煤矿工人动作数据集上,GCDBYOLOv8的mAP@0.5和mAP@0.5~0.95分别达到87.69%和64.77%,较基线模型YOLOv8n分别提高3.43%和2.26%。GCDB-YOLOv8模型提高井下运输巷道内工作人员检测精度的同时,兼顾模型轻量化和实时性,便于部署在矿用无人驾驶车辆上,能够满足矿用无人驾驶车辆对巷道中工作人员的检测需求,降低安全隐患。此外,GCDB-YOLOv8对井下运输巷道内工作人员的精确实时检测能够为矿用无人车后续自主避障、路径规划、决策控制等任务提供安全保障,促进无人驾驶技术在智慧煤矿领域的应用。 展开更多
关键词 矿用无人驾驶车辆 井下人员检测 模型轻量化 YOLOv8 深度学习
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