基于改進(jìn)YOLOv3算法的挖掘機(jī)檢測(cè)方法

周 斌,蘇 鵬,高 鵬

(武漢理工大學(xué) 機(jī)電工程學(xué)院，湖北 武漢 430070)

近年來(lái)，西氣東輸工程中積極采用自動(dòng)化的管理措施，以降低工人的工作強(qiáng)度，并及時(shí)發(fā)現(xiàn)西氣東輸管道系統(tǒng)存在的安全隱患[1]。在西氣東輸油氣場(chǎng)站的管道沿線存在第三方施工，其中最大的威脅就是施工方的工程挖掘機(jī)非正常施工時(shí)對(duì)油氣管道的誤破壞。因此，在這種環(huán)境下對(duì)具有自動(dòng)識(shí)別檢測(cè)工程挖掘機(jī)功能的智能監(jiān)控系統(tǒng)有著迫切的需求。

在智能監(jiān)控的發(fā)展中，對(duì)目標(biāo)物體的檢測(cè)是研究重點(diǎn)。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)的快速發(fā)展，尤其以卷積神經(jīng)網(wǎng)絡(luò)為代表，將深度學(xué)習(xí)和計(jì)算機(jī)視覺(jué)相結(jié)合，使得目標(biāo)檢測(cè)的準(zhǔn)確性和實(shí)時(shí)性不斷提升。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架利用卷積神經(jīng)網(wǎng)絡(luò)從大量的圖像數(shù)據(jù)中學(xué)習(xí)特征，從而能更好地刻畫(huà)數(shù)據(jù)內(nèi)在的豐富信息，并且此類網(wǎng)絡(luò)在一個(gè)模型中融合了特征提取、特征選擇和特征分類，提高了對(duì)圖像特征的辨識(shí)力，使其在定位和分類的準(zhǔn)確度上明顯優(yōu)于基于傳統(tǒng)圖像處理的目標(biāo)檢測(cè)方法，成為目前處理目標(biāo)檢測(cè)任務(wù)的研究熱點(diǎn)[2]。其中應(yīng)用較為廣泛的目標(biāo)檢測(cè)方法主要可以分為兩類：一類是基于候選框的目標(biāo)檢測(cè)算法，如R-CNN(region convolutional neural networks)[3]、Fast R-CNN(fast region convolutional neural networks)、Faster R-CNN(faster region convolutional neural networks)[4]等，這類算法首先獲取圖像中可能存在目標(biāo)的子區(qū)域，接著將所有的子區(qū)域作為輸入，并通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)特征,最后進(jìn)行類別檢測(cè)和邊框修正；另一類是基于回歸……