吴守鹏:基于机器视觉的运煤皮带异物识别方法研究论文

吴守鹏:基于机器视觉的运煤皮带异物识别方法研究论文

本文主要研究内容

作者吴守鹏(2019)在《基于机器视觉的运煤皮带异物识别方法研究》一文中研究指出:皮带运输机是煤炭井下运输的关键设备,大块矸石、铁器(锚杆、角钢)等非煤异物进入运煤皮带系统容易引发输送带划伤、撕裂等严重事故,不仅会影响煤矿的安全生产,而且会造成十分惨重的经济损失。针对这个问题,本文主要研究基于机器视觉的运煤皮带异物识别方法,分析总结图像增强方法和深度学习目标检测框架Faster-RCNN的运算过程,结合矿井皮带监控图像特性,研究基于Retinex的井下图像的增强方法并改进Faster-RCNN中相关处理过程。首先,了解Retinex图像增强算法理论背景和基本思想,从实现方式和算法性能等方面分析总结经典的基于路径的Retinex算法和基于中心/环绕的Retinex算法,分析研究井下皮带运输机监控图像的特性,提出基于Retinex算法的井下图像增强方法,使用引导滤波获取图像的照度分量和反射分量,引入一种S型曲线模型均匀化图像照度分布,并对图像对比度进行CLAHE自适应均衡,融合调整后的照度分量和反射分量获取最终增强图像。实验验证,本文提出的基于Retinex算法的井下图像增强方法能较好的平衡图像亮度,改善图像细节显示,提升图像质量。图像增强算法给异物检测模型提供了良好的数据基础。分析深度学习目标检测框架Faster-RCNN中图像特征利用、RPN候选框生成和候选框筛选等处理过程,针对多尺度目标检测的问题,在分析现有图像特征利用框架的基础上,提出双向特征金字塔网络(DSFPN),利用自顶向下和自底向上两个过程实现一种新的图像特征多尺度融合方式。Faster-RCNN中图像特征图经RPN时约生成20K个anchor候选框,如何筛选出目标表征性强的候选框对目标检测的效率和精准度有着较大的影响,针对这个问题,分析总结原始Faster-RCNN中非极大值抑制和硬阈值的候选框筛选方法,提出联合IoU和特征差异性分析的候选框筛选方法(PSIF),经多组实验分析验证,本文提出的FRCNN+DSFPN+PSIF目标检测框架能有效提升目标检测的精准度,在运煤皮带异物识别中有一定的适用性和应用价值。

Abstract

pi dai yun shu ji shi mei tan jing xia yun shu de guan jian she bei ,da kuai gan dan 、tie qi (mao gan 、jiao gang )deng fei mei yi wu jin ru yun mei pi dai ji tong rong yi yin fa shu song dai hua shang 、si lie deng yan chong shi gu ,bu jin hui ying xiang mei kuang de an quan sheng chan ,er ju hui zao cheng shi fen can chong de jing ji sun shi 。zhen dui zhe ge wen ti ,ben wen zhu yao yan jiu ji yu ji qi shi jiao de yun mei pi dai yi wu shi bie fang fa ,fen xi zong jie tu xiang zeng jiang fang fa he shen du xue xi mu biao jian ce kuang jia Faster-RCNNde yun suan guo cheng ,jie ge kuang jing pi dai jian kong tu xiang te xing ,yan jiu ji yu Retinexde jing xia tu xiang de zeng jiang fang fa bing gai jin Faster-RCNNzhong xiang guan chu li guo cheng 。shou xian ,le jie Retinextu xiang zeng jiang suan fa li lun bei jing he ji ben sai xiang ,cong shi xian fang shi he suan fa xing neng deng fang mian fen xi zong jie jing dian de ji yu lu jing de Retinexsuan fa he ji yu zhong xin /huan rao de Retinexsuan fa ,fen xi yan jiu jing xia pi dai yun shu ji jian kong tu xiang de te xing ,di chu ji yu Retinexsuan fa de jing xia tu xiang zeng jiang fang fa ,shi yong yin dao lv bo huo qu tu xiang de zhao du fen liang he fan she fen liang ,yin ru yi chong Sxing qu xian mo xing jun yun hua tu xiang zhao du fen bu ,bing dui tu xiang dui bi du jin hang CLAHEzi kuo ying jun heng ,rong ge diao zheng hou de zhao du fen liang he fan she fen liang huo qu zui zhong zeng jiang tu xiang 。shi yan yan zheng ,ben wen di chu de ji yu Retinexsuan fa de jing xia tu xiang zeng jiang fang fa neng jiao hao de ping heng tu xiang liang du ,gai shan tu xiang xi jie xian shi ,di sheng tu xiang zhi liang 。tu xiang zeng jiang suan fa gei yi wu jian ce mo xing di gong le liang hao de shu ju ji chu 。fen xi shen du xue xi mu biao jian ce kuang jia Faster-RCNNzhong tu xiang te zheng li yong 、RPNhou shua kuang sheng cheng he hou shua kuang shai shua deng chu li guo cheng ,zhen dui duo che du mu biao jian ce de wen ti ,zai fen xi xian you tu xiang te zheng li yong kuang jia de ji chu shang ,di chu shuang xiang te zheng jin zi da wang lao (DSFPN),li yong zi ding xiang xia he zi de xiang shang liang ge guo cheng shi xian yi chong xin de tu xiang te zheng duo che du rong ge fang shi 。Faster-RCNNzhong tu xiang te zheng tu jing RPNshi yao sheng cheng 20Kge anchorhou shua kuang ,ru he shai shua chu mu biao biao zheng xing jiang de hou shua kuang dui mu biao jian ce de xiao lv he jing zhun du you zhao jiao da de ying xiang ,zhen dui zhe ge wen ti ,fen xi zong jie yuan shi Faster-RCNNzhong fei ji da zhi yi zhi he ying yu zhi de hou shua kuang shai shua fang fa ,di chu lian ge IoUhe te zheng cha yi xing fen xi de hou shua kuang shai shua fang fa (PSIF),jing duo zu shi yan fen xi yan zheng ,ben wen di chu de FRCNN+DSFPN+PSIFmu biao jian ce kuang jia neng you xiao di sheng mu biao jian ce de jing zhun du ,zai yun mei pi dai yi wu shi bie zhong you yi ding de kuo yong xing he ying yong jia zhi 。

论文参考文献

  • [1].煤矿井皮带运输状态监测与事故预警系统研究[D]. 范丽娅.河北科技大学2019
  • [2].五家沟煤矿皮带运输系统火灾时期应急风流控制技术研究[D]. 张师一.辽宁工程技术大学2013
  • [3].煤矿皮带运输集控系统的设计[D]. 冯世刚.重庆大学2013
  • [4].基于总线技术和模糊控制理论的井下皮带运输监控系统研究[D]. 赵彦斌.河北工程大学2012
  • [5].矿井皮带运输状态监测与事故预警系统[D]. 卢玉强.青岛科技大学2012
  • [6].煤矿井下皮带运输系统优化控制研究[D]. 林冬.辽宁工程技术大学2017
  • [7].灵泉煤矿主运皮带集中控制和变频驱动的实现研究[D]. 马云.辽宁工程技术大学2017
  • [8].矿料皮带运输能力与爬坡能力数值模拟研究[D]. 姜鑫.武汉理工大学2013
  • 读者推荐
  • [1].基于Faster-Rcnn的离线数学公式识别切割技术的研究与实现[D]. 杨明雄.电子科技大学2019
  • [2].SSD算法及其在铁路场景异常目标检测中的应用研究[D]. 张雪艳.北方工业大学2019
  • [3].基于深度学习的焊缝缺陷自动检测研究与实现[D]. 渠慧帆.北京邮电大学2019
  • [4].基于Faster RCNN的目标检测系统[D]. 陈怡佳.哈尔滨理工大学2019
  • [5].面向工业现场的安全帽检测算法研究[D]. 闫蓉蓉.西安理工大学2019
  • [6].矿井皮带区域矿工不安全行为识别方法的研究[D]. 陈庆峰.中国矿业大学2019
  • [7].选煤厂煤炭输送带自动巡检系统研究[D]. 李雨涵.中国矿业大学2019
  • [8].基于多源信息融合的井下皮带机驱动电机状态识别方法研究[D]. 范春旸.中国矿业大学2019
  • [9].煤矿视频监控系统中人员目标跟踪算法的研究与实现[D]. 徐桂涛.中国矿业大学2019
  • [10].基于深度学习的煤矿复杂场景人员检测与统计分析方法研究[D]. 周晨晖.中国矿业大学2019
  • 论文详细介绍

    论文作者分别是来自中国矿业大学的吴守鹏,发表于刊物中国矿业大学2019-07-18论文,是一篇关于皮带运输机论文,目标检测论文,非极大值抑制论文,中国矿业大学2019-07-18论文的文章。本文可供学术参考使用,各位学者可以免费参考阅读下载,文章观点不代表本站观点,资料来自中国矿业大学2019-07-18论文网站,若本站收录的文献无意侵犯了您的著作版权,请联系我们删除。

    标签:;  ;  ;  ;  

    吴守鹏:基于机器视觉的运煤皮带异物识别方法研究论文
    下载Doc文档

    猜你喜欢