在复杂灾变的矿井环境中,利用井下图像可以清晰地掌握井下状况,提升救援效率。以二维井下图像处理技术为行文脉络,介绍并分析了几种针对矿井复杂环境的二维图像处理技术及研究现状,指出了各种图像处理技术在我国矿井救援中存在的问题:...在复杂灾变的矿井环境中,利用井下图像可以清晰地掌握井下状况,提升救援效率。以二维井下图像处理技术为行文脉络,介绍并分析了几种针对矿井复杂环境的二维图像处理技术及研究现状,指出了各种图像处理技术在我国矿井救援中存在的问题:在矿井复杂环境下,现有图像增强算法(如Retinex、CLAHE)存在光晕效应、颜色失真、噪声敏感等问题,且缺乏动态调整能力;现有降噪技术(如空间域滤波、小波变换、深度学习方法)对混合噪声抑制不足,存在细节模糊、计算效率较低的局限性;算法实用化面临数据与模型瓶颈,包括真实数据集缺乏、深度学习模型计算资源需求高、多任务联合优化框架不足。未来矿井图像处理应聚焦于:开发自适应矿井场景的增强算法,结合深度强化学习与物理模型(如光照物理方程)进行物理引导的联合训练,优化多尺度光照分离与边缘细节增强;构建多模态噪声联合抑制框架,利用自监督学习(如Noise2Void:Learning Denoising from Single Noisy Images)与小波-卷积神经网络混合架构多模态特征对齐,提升降噪效率与精度;推动数据-算法-硬件协同优化,通过多视角矿井图像数据集、多任务学习框架和边缘计算技术,实现端到端场景适应与分布式实时处理。通过对现有井下二维图像处理技术的分析和展望,为矿山智能监控提供理论支持和技术指导,旨在推动矿山可视化监测技术的革新和安全生产水平的提升。展开更多
为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升...为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升目标检测阶段的实时性;然后,通过在Neck中引入CBAM注意力机制,提升模型在复杂场景下的特征感知能力;接着,在目标检测的解码阶段引入Soft-NMS,优化模型在人员交叠场景下的检测精度;最后,在目标跟踪阶段,针对人员重叠和遮挡导致的目标ID翻转问题,设计了一种融合GRU和卡尔曼滤波的多目标运动特征预测机制,有效提升了煤矿人员跟踪的准确性。实验结果表明:YOLOFasterNet在煤矿人员数据集上相对于YOLOv7的平均精度提高了3.6%,检测速度提升了8.2FPS;在自定义跟踪数据集GBMOT上,所提目标跟踪算法相对于ByteTrack,MOTA值提升了1.7%,IDSW减少了149次。展开更多
文摘在复杂灾变的矿井环境中,利用井下图像可以清晰地掌握井下状况,提升救援效率。以二维井下图像处理技术为行文脉络,介绍并分析了几种针对矿井复杂环境的二维图像处理技术及研究现状,指出了各种图像处理技术在我国矿井救援中存在的问题:在矿井复杂环境下,现有图像增强算法(如Retinex、CLAHE)存在光晕效应、颜色失真、噪声敏感等问题,且缺乏动态调整能力;现有降噪技术(如空间域滤波、小波变换、深度学习方法)对混合噪声抑制不足,存在细节模糊、计算效率较低的局限性;算法实用化面临数据与模型瓶颈,包括真实数据集缺乏、深度学习模型计算资源需求高、多任务联合优化框架不足。未来矿井图像处理应聚焦于:开发自适应矿井场景的增强算法,结合深度强化学习与物理模型(如光照物理方程)进行物理引导的联合训练,优化多尺度光照分离与边缘细节增强;构建多模态噪声联合抑制框架,利用自监督学习(如Noise2Void:Learning Denoising from Single Noisy Images)与小波-卷积神经网络混合架构多模态特征对齐,提升降噪效率与精度;推动数据-算法-硬件协同优化,通过多视角矿井图像数据集、多任务学习框架和边缘计算技术,实现端到端场景适应与分布式实时处理。通过对现有井下二维图像处理技术的分析和展望,为矿山智能监控提供理论支持和技术指导,旨在推动矿山可视化监测技术的革新和安全生产水平的提升。
文摘为了解决现有的目标跟踪算法在煤矿复杂环境下存在精度低和实时性差的问题,基于Tracking by Detection(TBD)范式,提出了YOLO-FasterNet+ByteTrack的煤矿人员跟踪算法。首先,构建FasterNet-Block特征提取模块改进YOLOv7的Backbone,提升目标检测阶段的实时性;然后,通过在Neck中引入CBAM注意力机制,提升模型在复杂场景下的特征感知能力;接着,在目标检测的解码阶段引入Soft-NMS,优化模型在人员交叠场景下的检测精度;最后,在目标跟踪阶段,针对人员重叠和遮挡导致的目标ID翻转问题,设计了一种融合GRU和卡尔曼滤波的多目标运动特征预测机制,有效提升了煤矿人员跟踪的准确性。实验结果表明:YOLOFasterNet在煤矿人员数据集上相对于YOLOv7的平均精度提高了3.6%,检测速度提升了8.2FPS;在自定义跟踪数据集GBMOT上,所提目标跟踪算法相对于ByteTrack,MOTA值提升了1.7%,IDSW减少了149次。
