针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场...针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。展开更多
在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且...在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。展开更多
文摘针对现有基于深度学习的安全帽佩戴状态检测算法在化工园区复杂场景下小目标检测效果差等问题,提出了一种基于YOLOv5s改进的安全帽佩戴状态检测算法SEE-YOLOv5s。通过增加小目标检测头,以更好地捕捉和定位小目标,从而提高模型对复杂场景小目标的识别和检测能力;将YOLOv5s所有的C3模块融合轻量ECA(efficient channel attention)注意力机制,有效整合全局特征信息,提升小目标检测能力,并降低模型复杂度;引入EIoU(efficient intersection over union)损失函数,提升模型训练效果。在自建的SHWD-HG数据集上进行实验,实验结果表明,改进后YOLOv5s比原始模型的P(precision)、R(recall)、mAP0.5(mean average precision 0.5)和mAP0.5:0.95分别提高了0.5、6.5、5.9和3.2个百分点,且模型大小降低了0.7 MB。
文摘在露天煤矿开采中,开采环境存在复杂多变等特点,矿山整体结构的改变导致的矿山边坡形变给安全生产带来重大隐患,也会给生态环境带来一定的破坏。当前对于矿山的变形监测虽逐渐趋向于自动化,但整个过程仍需依赖于人工或各种监测设备,且设备的维护比较困难,有的设备操作较为复杂、成本较高。为了更为简便直观地监测矿井边坡的形变信息,结合基于学习的点云配准方法实现了一种基于激光点云配准的矿井边坡变形监测方法。该方法首先提出了一种深度学习模型SA-RPE(Self-Attention with Relative Position Encoding)(相对位置编码的自注意力模型)在矿山数据集上实现了点云配准,并通过实验数据进行了验证;然后,根据配准的结果对矿井边坡进行了形变分析,并通过截取矿井边坡点云不同方向的断面进一步分析了各个断面的形变程度,结合二维断面图与三维点云渲染图的实验结果,表明深度学习模型SA-RPE能够比较准确地实现矿山激光点云的配准任务。通过分析深度学习模型预测的配准结果中旋转矩阵与平移向量的误差能够很好地掌握矿山的整体形变信息,而矿井边坡点云在不同方向上的断面图直观地展现了每一处形变的程度,计算不同时期断面点云对应点之间的平均距离能定量地描述各个断面的形变程度,通过阈值检测出来的异常值反映了断面上发生了较大形变的区域。实验结果体现了所提方法能够在满足实时性的基础上准确直观地表现出矿山边坡变形的信息。
