10.13272/j.issn.1671-251x.2022030001
井下无人驾驶电机车行驶场景中多目标检测研究
目前煤矿井下无人驾驶有轨电机车在行驶过程中,对轨道中的石块及其他小型障碍物的识别存在检测速度慢、检测精度低,且对于重叠目标,易造成漏检、错检等问题.针对上述问题,提出了一种井下电机车多目标检测模型——SE-HDC-Mask R-CNN模型.该模型基于Mask R-CNN进行改进,通过在主干特征提取网络ResNet的残差块中嵌入压缩-激励(SE)模块,学习各个通道的重要程度和相互联系,增强网络对特征的选择和捕获能力;将残差块中卷积核大小为3×3的标准卷积替换成混合空洞卷积(HDC),在不改变特征图大小、不增加参数计算量的前提下,通过增加卷积核处理数据时各值之间的距离达到增大感受野的目的.实验结果表明:SE-HDC-Mask R-CNN模型可有效提取轨道、电机车、信号灯、行人和石块目标,在井下电机车多场景运行数据集上的平均准确率均值为95.4%,平均掩码分割精度为88.1%,平均边界框交并比为91.7%,相较于Mask R-CNN模型均提升了 0.5%,对信号灯、石块(小目标)的检测精度分别提升了 0.7%和4.1%;SE-HDC-Mask R-CNN模型的综合性能优于YOLOV2,YOLOV3-Tiny,SSD,Faster R-CNN等模型,可有效解决小目标漏检问题;SE-HDC-Mask R-CNN模型在煤巷直轨、弯轨、黑暗环境、多目标重叠等场景下均可有效实现目标检测,具有一定泛化能力及较高鲁棒性,基本满足无人驾驶电机车障碍物检测需求.
井下无人驾驶、煤矿电机车、目标检测、Mask R-CNN、实例分割、压缩-激励模块、混合空洞卷积
48
TD64(矿山电工)
国家自然科学基金;安徽省科技重大专项资助项目;安徽高校协同创新资助项目
2022-07-11(万方平台首次上网日期,不代表论文的发表时间)
共8页
56-63