煤塵檢測是實現(xiàn)自動化灑水降塵的關鍵步驟,本文主要研究的目的是通過攝像頭采集到的煤炭作業(yè)廠區(qū)尤其是露天煤炭堆場的圖像,判斷圖像中是否包含煤塵并用矩形框標注。在檢測出煤塵后可通過智能控制灑水降塵系統(tǒng)啟停的方法來實現(xiàn)自動化灑水,從而及時有效治理煤塵并能夠節(jié)約水資源。首先,由實地采集和網(wǎng)上爬取的數(shù)據(jù)構(gòu)建數(shù)據(jù)集,由于采集過程中受環(huán)境及相機本身的影響,需要對圖像進行預處理以及數(shù)據(jù)增強,為了避免過多的預處理丟失煤塵本身的信息,重點放在圖像增強。使用鏡像變換、旋轉(zhuǎn)變換和對比度亮度調(diào)整來增強圖像,模擬不同環(huán)境光照下的煤塵圖像來豐富數(shù)據(jù)集,未使用加噪處理是因為加噪后的圖像易和煤塵圖像發(fā)生混淆,影響最終的分類識別精度。然后,對預處理增強后的數(shù)據(jù)集進行傳統(tǒng)的特征提取和分類。選取局部二值模式特征描述子來描述煤塵的紋理特征,并分別使用了圓形局部二值模式、旋轉(zhuǎn)不變性局部二值模式、等價局部二值模式、對比度結(jié)合的局部二值模式做特征提取操作,將特征向量輸入到支持向量機中進行分類并比較結(jié)果,選取結(jié)果最優(yōu)的方法后又使用遺傳算法對支持向量機進行了參數(shù)尋優(yōu),進一步提升了分類正確率。最后,用深度學習的方法,省去了人工選取特征,避免... 

【文章來源】：燕山大學河北省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

人工神經(jīng)元示意圖

圖 2-2 基本神經(jīng)網(wǎng)絡示意圖權(quán)重值雖然沒有標出，但其位于每條連線上，參與著整個的運算。輸入層中的每個神經(jīng)元，都要和隱藏層中的每個神經(jīng)元做點對點的計算，計算的方法是加權(quán)求和并激活，利用隱藏層計算出的每個值，緊接著用相同的方法，和輸出層進行計算數(shù)值在該網(wǎng)絡中的傳遞是從前往后進行的，即由輸入層到隱藏層再到輸出層，最后將輸出值和真實的樣本值進行比較，并計算出誤差，這個過程叫前向傳播。神經(jīng)網(wǎng)絡在具體工作過程中，數(shù)據(jù)由輸入層輸入，其主要目的是為了縮小最后輸出層輸出的值與真實值間的誤差，繼而不斷更新其權(quán)值和偏置值，其中隱藏層尤為重要，這也是神經(jīng)網(wǎng)絡可以實現(xiàn)非線性的關鍵。對于一些復雜問題的解決，在設計網(wǎng)絡結(jié)構(gòu)時，需要考慮神經(jīng)元個數(shù)和隱藏層的層數(shù)，一般來說，層數(shù)越多，對數(shù)據(jù)擬合得越好，但如果一味增加層數(shù)的話，會增加參數(shù)量和計算量，容易產(chǎn)生過擬合，使網(wǎng)絡的泛化性差，需根據(jù)具體問題設計合理的網(wǎng)絡結(jié)構(gòu)。

圖 2-3 反向傳播算法執(zhí)行流程像識別連接神經(jīng)網(wǎng)絡的改進。由于練和實際使用，并且極易過理一小塊區(qū)域的視覺圖像。著 CNN 的真正面世，主要用的一段時間并未能火起來，而且其他的算法例如 SVM，的進步，其運算時間縮短，上面的手寫數(shù)字的。絡模型，則需要讀取整幅圖尺寸越大時，其連接的參數(shù)

【參考文獻】：
期刊論文
[1]1950—2016年我國煤礦特大事故統(tǒng)計分析[J]. 朱云飛,王德明,戚緒堯,李德利,邵振魯.  煤礦安全. 2018(10)
[2]高斯支持向量機在家具板材分類識別中的應用[J]. 何金彬,傅惠南,黃辰陽,潘奕創(chuàng).  自動化與儀表. 2018(06)
[3]時空背景模型下結(jié)合多種紋理特征的煙霧檢測[J]. 趙敏,張為,王鑫,劉艷艷.  西安交通大學學報. 2018(08)
[4]2017年世界煤炭市場形勢回顧及發(fā)展趨勢展望[J]. 梁敦仕.  煤炭經(jīng)濟研究. 2018(03)
[5]基于高斯局部二值模式的紋理特征分類方法[J]. 黃辰,費繼友,劉曉東.  電子技術(shù)應用. 2018(01)
[6]基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學學報. 2017(11)
[7]基于深度遷移學習的煙霧識別方法[J]. 王文朋,毛文濤,何建樑,竇智.  計算機應用. 2017(11)
[8]基于LBP和SVM的人臉檢測[J]. 翟社平,李煬,馬蒙雨,高山.  計算機技術(shù)與發(fā)展. 2017(09)
[9]“一帶一路”戰(zhàn)略視野下的煤炭開發(fā)投資國別研究[J]. 馬寶清.  煤炭工程. 2017(04)
[10]一種改進的支持向量機參數(shù)優(yōu)化方法[J]. 趙朝賀.  地理空間信息. 2017(01)
[1]基于機器視覺的煤塵在線檢測系統(tǒng)關鍵技術(shù)研究[D]. 劉偉華.山東大學 2011
[2]基于圖像處理的井下煤塵在線檢測技術(shù)的研究[D]. 張偉.山東大學 2010

博士論文
[1]1950—2016年我國煤礦特大事故統(tǒng)計分析[J]. 朱云飛,王德明,戚緒堯,李德利,邵振魯.  煤礦安全. 2018(10)
[2]高斯支持向量機在家具板材分類識別中的應用[J]. 何金彬,傅惠南,黃辰陽,潘奕創(chuàng).  自動化與儀表. 2018(06)
[3]時空背景模型下結(jié)合多種紋理特征的煙霧檢測[J]. 趙敏,張為,王鑫,劉艷艷.  西安交通大學學報. 2018(08)
[4]2017年世界煤炭市場形勢回顧及發(fā)展趨勢展望[J]. 梁敦仕.  煤炭經(jīng)濟研究. 2018(03)
[5]基于高斯局部二值模式的紋理特征分類方法[J]. 黃辰,費繼友,劉曉東.  電子技術(shù)應用. 2018(01)
[6]基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學學報. 2017(11)
[7]基于深度遷移學習的煙霧識別方法[J]. 王文朋,毛文濤,何建樑,竇智.  計算機應用. 2017(11)
[8]基于LBP和SVM的人臉檢測[J]. 翟社平,李煬,馬蒙雨,高山.  計算機技術(shù)與發(fā)展. 2017(09)
[9]“一帶一路”戰(zhàn)略視野下的煤炭開發(fā)投資國別研究[J]. 馬寶清.  煤炭工程. 2017(04)
[10]一種改進的支持向量機參數(shù)優(yōu)化方法[J]. 趙朝賀.  地理空間信息. 2017(01)
[1]基于機器視覺的煤塵在線檢測系統(tǒng)關鍵技術(shù)研究[D]. 劉偉華.山東大學 2011
[2]基于圖像處理的井下煤塵在線檢測技術(shù)的研究[D]. 張偉.山東大學 2010

碩士論文
[1]基于菲涅爾透鏡濃度測試的基礎技術(shù)研究[D]. 張珊珊.西安工業(yè)大學 2016
[2]基于加權(quán)多特征融合和SVM的圖像分類研究[D]. 翟莉.華中師范大學 2016



本文編號：2894982