CN112288726A - 一种井下带式输送机带面异物检测方法 - Google Patents
一种井下带式输送机带面异物检测方法 Download PDFInfo
- Publication number
- CN112288726A CN112288726A CN202011198208.0A CN202011198208A CN112288726A CN 112288726 A CN112288726 A CN 112288726A CN 202011198208 A CN202011198208 A CN 202011198208A CN 112288726 A CN112288726 A CN 112288726A
- Authority
- CN
- China
- Prior art keywords
- belt conveyor
- underground
- image
- foreign matter
- belt surface
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 10
- 230000002708 enhancing effect Effects 0.000 claims abstract description 10
- 238000001914 filtration Methods 0.000 claims description 31
- 238000005286 illumination Methods 0.000 claims description 21
- 230000001965 increasing effect Effects 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000002146 bilateral effect Effects 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 239000003245 coal Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 239000002023 wood Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 125000001475 halogen functional group Chemical group 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- -1 anchor rods Substances 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种井下带式输送机带面异物检测方法,包括步骤一、对井下带式输送机带面异物进行图像采集,并构建异物数据集;二、对井下带式输送机运行过程中的带面进行图像采集,并对采集到的图像进行增强与去噪处理;三、采用基于卷积神经网络的目标检测算法分析带面异物。本发明方法步骤简单,实现方便,能够有效应用在井下带式输送机带面异物检测中,检测准确率和效率高,效果显著,便于推广。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种井下带式输送机带面异物检测方法。
背景技术
井下带式输送机是煤炭运输的关键设备,但在煤炭运输过程中,大块煤、锚杆、木杆、木块等异物经常造成带式输送机的损伤,致使煤矿单位停产,造成巨大的经济损失。带式输送机异物检测的本质就是识别煤与非煤异物,在长期的研究发展进程中,比较有代表性的方法有人工巡检法、射线法和图像识别法。人工巡检法就是井下工作人员来回走动,观察带式输送机上是否有异物,该方法要求工作人员长时间使用肉眼对带式输送机进行观察,易造成工作人员的视觉疲劳,造成井下安全隐患。射线法的检测原理是利用射线经过不同物质后,反射的能量不同而进行间接的识别煤与非煤异物。在实际应用中,基于射线法的井下带式输送机异物检测***价格昂贵,而且维护困难。
图像识别法是从机器视觉角度出发,分析井下大块煤、锚杆、木块等威胁皮带安全的异物,由于井下光照条件差、粉尘、雾气较大,拍摄所得图像照度低,噪声大,需要对井下图像进行增强,基于机器视觉的井下图像增强算法主要分为两类,分别为基于空间域的井下图像增强算法和基于频率域的井下图像增强算法。基于空间域的井下图像增强算法将图像中的像素点按照某种规则进行处理,从而增强图像。其常用的方法有直方图均衡化法、对数变化法以及对比度拉伸法。该类算法运算简单、效果明显,但该类算法对图像中的信息不加选择,使得兴趣区域对比度减弱,某些细节信息丢失。基于频率域的井下图像增强算法通过某种规则将图像中的像素变换到其他空间中,并对各个像素点进行计算。其常用方法就是基于小波变换的图像增强算法,但该方法往往无法有效地提高图像的整体亮度。仅靠单一的方法难以满足实际需求,增强效果往往较差。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足,提供一种井下带式输送机带面异物检测方法,其步骤简单,实现方便,能够有效应用在井下带式输送机带面异物检测中,检测准确率和效率高,效果显著,便于推广。
为解决上述技术问题,本发明采用的技术方案是:一种井下带式输送机带面异物检测方法,包括以下步骤:
步骤一、对井下带式输送机带面异物进行图像采集,并构建异物数据集;
步骤二、对井下带式输送机运行过程中的带面进行图像采集,并对采集到的图像进行增强与去噪处理;
步骤三、采用基于卷积神经网络的目标检测算法分析带面异物。
上述的一种井下带式输送机带面异物检测方法,步骤一中所述对井下带式输送机带面异物进行图像采集,并构建异物数据集的具体过程包括:
步骤101、数据集的初步选取;
步骤102、数据集的扩充;
步骤103、井下带式输送机带面异物数据集的标注;
步骤104、井下带式输送机异物训练数据集与测试数据集构建。
上述的一种井下带式输送机带面异物检测方法,步骤二中所述对采集到的图像进行增强与去噪处理的具体过程包括:
步骤201、把采集到的低照度图像从RGB颜色空间转换到HSV颜色空间;
步骤202、采用改进Retinex增强方法对HSV颜色空间中的低照度图像进行增强;
步骤203、将增强后的图像从HSV颜色空间转换到RGB颜色空间中;
步骤204、将增强后的RGB颜色空间中的图像转换成灰度图,并对灰度图采用改进的自适应中值滤波方法进行滤波。
上述的一种井下带式输送机带面异物检测方法,步骤202中所述改进Retinex增强方法的具体过程包括:
步骤A1、采用双边滤波估计原低照度图像的照射分量;
步骤A2、对亮度分量进行单尺度Retinex算法增强,对饱和度分量进行自适应非线性拉伸,得到边缘保持较好的反射分量和提高饱和度的增强图像;
步骤A3、反射分量取指数得到增强后的亮度分量;
步骤A4、采用全局自适应对数增强算法进行对比度修正处理,得到最终的增强图像。
上述的一种井下带式输送机带面异物检测方法,步骤202中所述改进的自适应中值滤波方法的具体过程包括:
步骤B1、初始化滤波窗口Sxy=3,最大滤波窗口尺寸Smax=13;
步骤B2、计算Sxy中像素值为0和255的像素点,并作为噪声点去除,当Sxy中所有像素点全部被去除时,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,执行步骤B3;
步骤B3、再次计算Sxy中像素最小值Zmin、最大值Zmax和中值Zmed;
步骤B4、当Zmin<Zmed<Zmax时,执行步骤B5;否则,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,输出Zxy;
步骤B5、当Zmin<Zxy<Zmax时,输出Zxy;否则,输出Zmed。
上述的一种井下带式输送机带面异物检测方法,步骤三中所述基于卷积神经网络的目标检测算法以SSD算法框架为基础,采用深度可分离卷积DSC和GIOU对SSD算法进行优化,并优化SSD网络中特征图的提取层和default boxes。
上述的一种井下带式输送机带面异物检测方法,所述采用深度可分离卷积DSC对SSD算法进行优化的具体过程包括:以深度可分离卷积DSC简化SSD算法模型中用于图像特征提取的主干网络VGG16,降低网络参数量。
上述的一种井下带式输送机带面异物检测方法,所述采用GIOU对SSD算法进行优化的具体过程包括:以GIOU替代SSD算法中损失函数中的位置损失函数。
上述的一种井下带式输送机带面异物检测方法,所述优化SSD网络中特征图的提取层和default boxes的具体过程包括:采用Conv11、Conv13、Conv14、Conv15、Conv16、Conv17层抽取特征图,在生成default boxes时,添加长宽比为1”的正方形default boxes。
本发明与现有技术相比具有以下优点:
1、本发明方法步骤简单,实现方便。
2、本发明根据带式输送机异物检测的实际需求,进行了数据采集、扩充、标记等工作,完成了井下带式输送机异物数据集的构建,方便后续检测的进行。
3、本发明采用双边滤波估计照射分量,有效避免了传统算法产生的光晕现象,防止了边缘模糊,并根据图像对比度提升不足问题,利用对数函数的特征,采用全局自适应对数增强算法修正,提升同时并不会对高照度图像产生影响。降低了光照强度的估计误差,提升对比度对低照度图像的暗区起到明显增强的作用,取得了良好的视觉效果。
4、本发明通过改进的自适应中值滤波方法,在进行滤波前先进行噪声点检测,能同时兼顾去噪作用和保护细节的效果。
5、本发明在SSD算法基础上,通过优化SSD网络结构,引入深度可分离卷积以及GIOU损失函数,提高了检测准确率和检测速率。
6、本发明能够有效应用在井下带式输送机带面异物检测中,检测准确率和效率高,效果显著,便于推广。
综上所述,本发明方法步骤简单,实现方便,能够有效应用在井下带式输送机带面异物检测中,检测准确率和效率高,效果显著,便于推广。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图;
图2为本发明改进Retinex增强方法的方法流程图;
图3为本发明检测方法的检测试验效果图。
具体实施方式
如图1所示,本发明的井下带式输送机带面异物检测方法,包括以下步骤:
步骤一、对井下带式输送机带面异物进行图像采集,并构建异物数据集;
步骤二、对井下带式输送机运行过程中的带面进行图像采集,并对采集到的图像进行增强与去噪处理;
步骤三、采用基于卷积神经网络的目标检测算法分析带面异物。
本实施例中,步骤一中所述对井下带式输送机带面异物进行图像采集,并构建异物数据集的具体过程包括:
步骤101、数据集的初步选取;
具体实施时,在煤矿井下,异物种类较多,不可能对所有可能出现的异物图像进行采集,选取经常出现的、易使带式输送机受损的锚杆、大块煤、木杆、木块为代表,进行数据采集,为了满足后续基于卷积神经网络的目标检测效果,在设计数据采集方案时,需按照卷积神经网络对数据集的要求进行数据采集,包括异物的摆放位置、相机的拍摄角度、异物的不同种类、相机曝光强度、带面有无物料。
步骤102、数据集的扩充;
具体实施时,煤矿井下经常会发生不同程度的抖动,从而使相机的拍摄角度发生变化,因此在制作数据集的时候使用裁剪、旋转、镜像等方法来模拟镜头的抖动对数据集进行扩充,同时,利用扩充后的数据集训练卷积神经网络可有效的提高网络的鲁棒性。
步骤103、井下带式输送机带面异物数据集的标注;
具体实施时,为了满足训练时位置回归的需要,需要对数据集中每张图片中目标物体的位置进行标注。
步骤104、井下带式输送机异物训练数据集与测试数据集构建。
具体实施时,按照8:2的比例对训练集和测试集进行划分。
本实施例中,步骤二中所述对采集到的图像进行增强与去噪处理的具体过程包括:
步骤201、把采集到的低照度图像从RGB颜色空间转换到HSV颜色空间;
步骤202、采用改进Retinex增强方法对HSV颜色空间中的低照度图像进行增强;
步骤203、将增强后的图像从HSV颜色空间转换到RGB颜色空间中;
步骤204、将增强后的RGB颜色空间中的图像转换成灰度图,并对灰度图采用改进的自适应中值滤波方法进行滤波。
本实施例中,如图2所示,步骤202中所述改进Retinex增强方法的具体过程包括:
步骤A1、采用双边滤波估计原低照度图像的照射分量;
具体实施时,将低照度图像从RGB颜色空间转换到HSV颜色空间,可以避免RGB颜色空间的高分散性和高相关性问题,用双边滤波代替高斯滤波作为滤波函数,能有效地保持图像边缘性,且可以避免传统Retinex算法产生的光晕现象,双边滤波采用了高斯加权平均的方法,分为高斯空间权重和高斯相似权重,其中高斯空间权重与像素点的位置有关,为像素的欧式距离;高斯相似权重与像素值大小有关,为像素值的相似度。
在图像平坦区域,图像像素值变化小,空间权重起主要作用,相当于进行高斯模糊,而在图像的边缘区域,像素值变化范围大,相似权重相继变大,从而保持了边缘的信息。因此,双边滤波可以自适应估计低照度图像边缘差异大的地方,在保持图像边缘信息的同时有效避免了光晕现象。
步骤A2、对亮度分量进行单尺度Retinex算法增强,对饱和度分量进行自适应非线性拉伸,得到边缘保持较好的反射分量和提高饱和度的增强图像;
步骤A3、反射分量取指数得到增强后的亮度分量;
步骤A4、采用全局自适应对数增强算法进行对比度修正处理,得到最终的增强图像。
具体实施时,全局自适应对数增强算法利用了对数特性和对数映射关系,引入了对数的平均亮度,当场景的动态范围发生变化,无论图像是过暗还是过强,平均亮度值都始终小于或等于最大亮度值,显示亮度值都能映射到0~1,保证了其他显示亮度值能平滑的递增且图像不会出现失真现象,对于低照度图像,对数特性增强有明显作用,且利用对数映射关系还能防止过增强现象不会对高照度图像产生影响。
本实施例中,步骤202中所述改进的自适应中值滤波方法的具体过程包括:
步骤B1、初始化滤波窗口Sxy=3,最大滤波窗口尺寸Smax=13;
步骤B2、计算Sxy中像素值为0和255的像素点,并作为噪声点去除,当Sxy中所有像素点全部被去除时,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,执行步骤B3;
步骤B3、再次计算Sxy中像素最小值Zmin、最大值Zmax和中值Zmed;
步骤B4、当Zmin<Zmed<Zmax时,执行步骤B5;否则,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,输出Zxy;
步骤B5、当Zmin<Zxy<Zmax时,输出Zxy;否则,输出Zmed。
本实施例中,步骤三中所述基于卷积神经网络的目标检测算法以SSD算法框架为基础,采用深度可分离卷积DSC和GIOU对SSD算法进行优化,并优化SSD网络中特征图的提取层和default boxes。
本实施例中,所述采用深度可分离卷积DSC对SSD算法进行优化的具体过程包括:以深度可分离卷积DSC简化SSD算法模型中用于图像特征提取的主干网络VGG16,降低网络参数量。
具体实施时,在SSD算法模型的主干网络为VGG16,其主要作用是用于图像的特征提取,但该网络参数量较大,在提取图像特征时,耗时较长,本实施例中,采用深度可分离卷积DSC简化特征提取网络,降低网络参数量,提升网络运行速度。
本实施例中,所述采用GIOU对SSD算法进行优化的具体过程包括:以GIOU替代SSD算法中损失函数中的位置损失函数。
具体实施时,在SSD算法的位置损失函数中,只能通过边界框与GT图像的欧式距离来判断两者误差,而忽视了重叠区域的大小。本实施例中,采用GIOU来替代原损失函数中的位置损失函数,提高网络检测准确率。
本实施例中,所述优化SSD网络中特征图的提取层和default boxes 的具体过程包括:采用Conv11、Conv13、Conv14、Conv15、Conv16、Conv17层抽取特征图,在生成defaultboxes时,添加长宽比为1”的正方形default boxes。
具体实施时,在SSD网络中,为了检测到各种不同大小的目标物体,从Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2层抽取了不同大小的特征图,其中,大特征图用于检测小物体,小特征图用于检测大物体,同时,在每张特征图的每个中心点上设置了不同长宽比的default boxes用于检测。在实施例中,大块煤、锚杆、木条、木块在图像中的面积占比较大,因此在提取特征图时,可提取较小的特征图,用于检测试验中锚杆、大块煤等目标物体,同时,在生成default boxes时,添加长宽比为1”的正方形default boxes,提高网络检测准确率。
为了验证本发明方法的效果,将本发明目标检测算法与其他深度学习检测算法在检测准确率和检测速率上进行了试验对比。训练时,batch_size取值32,lr取值0.001,epoch取值30000,并将大块煤、锚杆、木杆、木块的种类分别设置为数字“1”,“2”,“3”,“4”,训练完毕后,带面异物的检测准确率和检测速率的对比结果如表1所示。
表1本发明目标检测算法与其他深度学习检测算法结果对比
从表1中可以看出,本发明目标检测算法相比其他深度学习检测算法在检测准确率以及检测速率上均占有优势,且其相比于原SSD算法,本发明目标检测算法的检测速率更高,从原来每秒处理32帧,提高到了每秒41帧,大大提升了算法的检测效率;同时,检测准确率也从87.1%提升到了90.2%,大大提升了带式输送机带面上的异物检测能力。
采用本发明的检测方法进行检测试验的效果图如图3所示。
以上所述,仅是本发明的较佳实施例,并非对本发明作任何限制,凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化,均仍属于本发明技术方案的保护范围内。
Claims (9)
1.一种井下带式输送机带面异物检测方法,其特征在于,包括以下步骤:
步骤一、对井下带式输送机带面异物进行图像采集,并构建异物数据集;
步骤二、对井下带式输送机运行过程中的带面进行图像采集,并对采集到的图像进行增强与去噪处理;
步骤三、采用基于卷积神经网络的目标检测算法分析带面异物。
2.按照权利要求1所述的一种井下带式输送机带面异物检测方法,其特征在于,步骤一中所述对井下带式输送机带面异物进行图像采集,并构建异物数据集的具体过程包括:
步骤101、数据集的初步选取;
步骤102、数据集的扩充;
步骤103、井下带式输送机带面异物数据集的标注;
步骤104、井下带式输送机异物训练数据集与测试数据集构建。
3.按照权利要求1所述的一种井下带式输送机带面异物检测方法,其特征在于,步骤二中所述对采集到的图像进行增强与去噪处理的具体过程包括:
步骤201、把采集到的低照度图像从RGB颜色空间转换到HSV颜色空间;
步骤202、采用改进Retinex增强方法对HSV颜色空间中的低照度图像进行增强;
步骤203、将增强后的图像从HSV颜色空间转换到RGB颜色空间中;
步骤204、将增强后的RGB颜色空间中的图像转换成灰度图,并对灰度图采用改进的自适应中值滤波方法进行滤波。
4.按照权利要求3所述的一种井下带式输送机带面异物检测方法,其特征在于,步骤202中所述改进Retinex增强方法的具体过程包括:
步骤A1、采用双边滤波估计原低照度图像的照射分量;
步骤A2、对亮度分量进行单尺度Retinex算法增强,对饱和度分量进行自适应非线性拉伸,得到边缘保持较好的反射分量和提高饱和度的增强图像;
步骤A3、反射分量取指数得到增强后的亮度分量;
步骤A4、采用全局自适应对数增强算法进行对比度修正处理,得到最终的增强图像。
5.按照权利要求3所述的一种井下带式输送机带面异物检测方法,其特征在于,步骤202中所述改进的自适应中值滤波方法的具体过程包括:
步骤B1、初始化滤波窗口Sxy=3,最大滤波窗口尺寸Smax=13;
步骤B2、计算sxy中像素值为0和255的像素点,并作为噪声点去除,当Sxy中所有像素点全部被去除时,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,执行步骤B3;
步骤B3、再次计算Sxy中像素最小值Zmin、最大值Zmax和中值Zmed;
步骤B4、当Zmin<Zmed<Zmax时,执行步骤B5;否则,增大滤波窗口的尺寸,当增大后的滤波窗口小于Smax时,执行步骤B2;当增大后的滤波窗口不小于Smax时,输出Zxy;
步骤B5、当Zmin<Zxy<Zmax时,输出Zxy;否则,输出Zmed。
6.按照权利要求1所述的一种井下带式输送机带面异物检测方法,其特征在于,步骤三中所述基于卷积神经网络的目标检测算法以SSD算法框架为基础,采用深度可分离卷积DSC和GIOU对SSD算法进行优化,并优化SSD网络中特征图的提取层和default boxes。
7.按照权利要求6所述的一种井下带式输送机带面异物检测方法,其特征在于,所述采用深度可分离卷积DSC对SSD算法进行优化的具体过程包括:以深度可分离卷积DSC简化SSD算法模型中用于图像特征提取的主干网络VGG16,降低网络参数量。
8.按照权利要求6所述的一种井下带式输送机带面异物检测方法,其特征在于,所述采用GIOU对SSD算法进行优化的具体过程包括:以GIOU替代SSD算法中损失函数中的位置损失函数。
9.按照权利要求6所述的一种井下带式输送机带面异物检测方法,其特征在于,所述优化SSD网络中特征图的提取层和default boxes的具体过程包括:采用Conv11、Conv13、Conv14、Conv15、Conv16、Conv17层抽取特征图,在生成default boxes时,添加长宽比为1”的正方形default boxes。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198208.0A CN112288726B (zh) | 2020-10-30 | 2020-10-30 | 一种井下带式输送机带面异物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011198208.0A CN112288726B (zh) | 2020-10-30 | 2020-10-30 | 一种井下带式输送机带面异物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112288726A true CN112288726A (zh) | 2021-01-29 |
CN112288726B CN112288726B (zh) | 2023-12-29 |
Family
ID=74353522
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011198208.0A Active CN112288726B (zh) | 2020-10-30 | 2020-10-30 | 一种井下带式输送机带面异物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288726B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022178833A1 (zh) * | 2021-02-26 | 2022-09-01 | 京东方科技集团股份有限公司 | 目标检测网络的训练方法、目标检测方法及装置 |
CN117292212A (zh) * | 2023-11-27 | 2023-12-26 | 太原理工大学 | 一种刮板输送机的异物识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101719A1 (en) * | 2006-10-30 | 2008-05-01 | Samsung Electronics Co., Ltd. | Image enhancement method and system |
RU2622095C1 (ru) * | 2016-02-05 | 2017-06-09 | Акционерное общество "Государственный Рязанский приборный завод" | Способ улучшения цифровых цветных изображений |
CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
CN111429370A (zh) * | 2020-03-23 | 2020-07-17 | 煤炭科学技术研究院有限公司 | 一种煤矿井下的图像增强方法、***及计算机存储介质 |
CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
-
2020
- 2020-10-30 CN CN202011198208.0A patent/CN112288726B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080101719A1 (en) * | 2006-10-30 | 2008-05-01 | Samsung Electronics Co., Ltd. | Image enhancement method and system |
RU2622095C1 (ru) * | 2016-02-05 | 2017-06-09 | Акционерное общество "Государственный Рязанский приборный завод" | Способ улучшения цифровых цветных изображений |
CN110675343A (zh) * | 2019-09-24 | 2020-01-10 | 西安科技大学 | 一种井下输煤图像的图像增强方法 |
CN111429370A (zh) * | 2020-03-23 | 2020-07-17 | 煤炭科学技术研究院有限公司 | 一种煤矿井下的图像增强方法、***及计算机存储介质 |
CN111612758A (zh) * | 2020-05-19 | 2020-09-01 | 南京航空航天大学 | 一种基于卷积神经网络的隧道表面缺陷检测方法 |
CN111833366A (zh) * | 2020-06-03 | 2020-10-27 | 佛山科学技术学院 | 一种基于Canny算法的边缘检测方法 |
Non-Patent Citations (6)
Title |
---|
YUANBIN WANG等: "Video detection of foreign objects on the surface of belt conveyor underground coal mine based on improved SSD", 《JOURNAL OF AMBIENT INTELLIGENCE AND HUMANIZED COMPUTING》 * |
付燕等: "一种煤矿井下视频图像增强算法", 《工矿自动化》 * |
刘松等: "基于单尺度Retinex雾天降质图像增强算法", 《微电子学与计算机》 * |
吴守鹏等: "基于改进FPN的输送带异物识别方法", 《煤矿安全》 * |
董静薇等: "基于同态滤波及多尺度Retinex的低照度图像增强算法", 《科学技术与工程》 * |
钱伟新等: "一种改进的自适应中值滤波算法", 《光学与光电技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022178833A1 (zh) * | 2021-02-26 | 2022-09-01 | 京东方科技集团股份有限公司 | 目标检测网络的训练方法、目标检测方法及装置 |
US12002254B2 (en) | 2021-02-26 | 2024-06-04 | Boe Technology Group Co., Ltd. | Method and apparatus of training object detection network and object detection method and apparatus |
CN117292212A (zh) * | 2023-11-27 | 2023-12-26 | 太原理工大学 | 一种刮板输送机的异物识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112288726B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110349126B (zh) | 一种基于卷积神经网络带标记的钢板表面缺陷检测方法 | |
CN110490914B (zh) | 一种基于亮度自适应和显著性检测的图像融合方法 | |
CN108876743B (zh) | 一种图像快速去雾方法、***、终端及存储介质 | |
CN107230202B (zh) | 路面病害图像的自动识别方法和*** | |
CN112819772B (zh) | 一种高精度快速图形检测识别方法 | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
CN107038416B (zh) | 一种基于二值图像改进型hog特征的行人检测方法 | |
CN111062293B (zh) | 一种基于深度学习的无人机森林火焰识别方法 | |
CN109447917B (zh) | 基于内容和特征及多尺度模型的遥感图像雾霾消除方法 | |
Saini et al. | Object detection in underwater image by detecting edges using adaptive thresholding | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN114926407A (zh) | 一种基于深度学习的钢材表面缺陷检测*** | |
CN110889837A (zh) | 一种具有瑕疵分级功能的布匹瑕疵检测方法 | |
CN111709888B (zh) | 一种基于改进的生成对抗网络的航拍图像去雾方法 | |
CN108664939A (zh) | 一种基于hog特征与深度学习的遥感图像飞机识别方法 | |
CN111754538B (zh) | Usb表面缺陷检测的阈值分割方法 | |
CN110969620A (zh) | 一种磁瓦波纹类缺陷的检测方法及装置 | |
CN112288726B (zh) | 一种井下带式输送机带面异物检测方法 | |
CN117274113B (zh) | 基于图像增强的碎硅片清洗效果视觉检测方法 | |
CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及*** | |
CN109726660A (zh) | 一种遥感图像船舶识别方法 | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN117333359A (zh) | 基于可分离卷积网络的山水画图像超分辨率重建方法 | |
CN104102911A (zh) | 一种基于aoi的子弹表观缺陷检测***的图像处理算法 | |
CN114758139B (zh) | 基坑积水检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231127 Address after: Room 1106, Building 2, Rongmin Central International, No. 99 Weiyang Road, Lianhu District, Xi'an City, Shaanxi Province, 710000 Applicant after: Xi'an zhicaiquan Technology Transfer Center Co.,Ltd. Address before: 710054 No. 58, middle section, Yanta Road, Shaanxi, Xi'an Applicant before: XI'AN University OF SCIENCE AND TECHNOLOGY |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |