基于深度神經(jīng)網(wǎng)絡(luò)的綜采工作面視頻目標檢測

楊藝， 付澤峰， 高有進， 崔科飛， 王科平

（1. 河南理工大學(xué) 電氣工程與自動化學(xué)院，河南 焦作 454003；2. 河南理工大學(xué) 河南省煤礦裝備智能檢測與控制重點實驗室，河南 焦作 454003；3. 鄭州煤礦機械集團股份有限公司，河南 鄭州 450000；4. 鄭州煤機液壓電控有限公司，河南 鄭州 450013）

0 引言

煤炭是我國重要的戰(zhàn)略能源，智能化開采是煤炭工業(yè)發(fā)展的重點方向[1-2]。隨著人工智能技術(shù)的不斷進步和煤礦智能化的持續(xù)發(fā)展，計算機視覺在保障煤礦安全生產(chǎn)、提高煤炭開采效率和煤礦智能化水平等方面的作用愈加突出[3-5]。視頻目標檢測是計算機視覺的重要分支。針對工作面關(guān)鍵設(shè)備及行人的目標檢測及跟蹤，是煤礦智能化開采信息感知的重點內(nèi)容，也是工作面“三機”智能控制的基礎(chǔ)信息[6]。

目前，應(yīng)用于煤礦井下的目標檢測方法主要分為傳統(tǒng)目標檢測和基于深度學(xué)習的目標檢測兩大類。傳統(tǒng)目標檢測方法大部分是通過人工提取特征并確定視頻幀中目標的位置。特征提取方法主要有方向梯度直方圖[7]、尺度不變特征變換[8]和可變形組件模型[9]等。針對礦井視頻圖像人員跟蹤中目標尺度變化頻繁的問題，孫繼平等[10]提出了一種礦井視頻圖像中人員目標匹配與跟蹤方法，基于壓縮感知和歸一化矩形特征，得到尺度不變壓縮特征，提高了目標位置跟蹤的準確度。針對行人檢測系統(tǒng)中存在的難以同時具有較高檢測率和較快檢測速度的問題，徐美華等[11]提出了一種自適應(yīng)由粗到精的可變形 組 件 模 型（Coarse-to-Fine Deformable Part Model，CtF DPM），用于提取井下行人特征，該模型能夠在保證檢測性能的同時,顯著提高檢測速度。……