多尺度特征融合的煤矿救援机器人目标检测模型

摘要：

传统目标检测模型采用人工设计的目标特征,造成检测精度较差.基于深度学习的目标检测模型具有较高的检测精度,然而针对实时性和精度要求比较高的煤矿救援机器人应用场合,获取的图像信息较少且目标特征不明显,造成目标检测效果较差.为提高目标检测精度和速度,基于YOLO V3模型提出了一种多尺度特征融合的煤矿救援机器人目标检测模型.该模型主要包括特征提取和特征融合2个模块:特征提取模块采用空洞瓶颈和多尺度卷积获得更加丰富的图像特征信息,增强目标特征表达能力,提高了目标分类精度和检测速度;特征融合模块在特征金字塔中引入空间注意力机制,对含有丰富语义信息的高层特征图和含有丰富位置信息的低层特征图进行有效融合,弥补了高层特征图位置信息表达能力不足的缺点,提高了目标定位精度.将该模型部署在煤矿救援机器人嵌入式NVIDIA Jetson TX2平台上进行灾后环境目标检测实验,检测精度为88.73％,检测速度为28帧/s,满足煤矿救援机器人目标检测的实时性和精度需求.

关键词：煤矿救援机器人、目标检测、多尺度特征融合、YOLO V3、深度学习

所属期刊栏目：46

分类号：TD67(矿山电工)

资助基金：国家重点研发计划项目;中央高校基本科研业务费专项资金资助项目;福建省信息处理与智能控制重点实验室闽江学院开放基金项目

在线出版日期：2020-12-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：54-58