地下礦井具有相當(dāng)復(fù)雜的工作環(huán)境,因此監(jiān)控井下不明煙、火的產(chǎn)生,從而避免瓦斯爆炸等災(zāi)害的產(chǎn)生顯得尤為重要.目前大多數(shù)煤礦井下均采用人工視頻監(jiān)控的方式,不僅嚴(yán)重浪費人力、物力,而且監(jiān)控范圍受到很多限制.基于此問題,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）遷移學(xué)習(xí)的井下煙、火智能感知預(yù)警系統(tǒng).該系統(tǒng)首先在工作區(qū)域上方安裝防爆攝像頭,并將攝像頭與井上主機(jī)通過光纖連接.其次,在主機(jī)上部署CNN遷移學(xué)習(xí)算法來識別監(jiān)控區(qū)域是否有不明煙、火產(chǎn)生.最后,在實現(xiàn)判斷煙、火是否產(chǎn)生后配合報警系統(tǒng)發(fā)出警報通知,通知安全巡邏人員滅火.結(jié)果表明,該技術(shù)可以有效判斷井下是否有煙、火產(chǎn)生,大大降低了井下區(qū)域的安全隱患和人力、物力資源的浪費,實現(xiàn)了井下煙、火的智能感知預(yù)警. 

【文章來源】：河南科學(xué). 2020,38(03)

【文章頁數(shù)】：7 頁

【部分圖文】：

VGG16卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

其中：f是激活函數(shù)；D是卷積神經(jīng)網(wǎng)絡(luò)的深度；F是Filter的個數(shù)，又稱寬度；ωd,m,n表示Filter的第d層中第m行第n列元素的權(quán)重；xd,i,j表示圖像的第d層中第i行第j列像素；ai,j是Feature Map中第i行第j列的特征值大�。沪豣為偏置項.為了進(jìn)一步提取Feature Map中的圖像特征，采用池化層（Pooling）對Feature Map進(jìn)行下采樣，下采樣過程中，剔除Feature Map中無用的信息，進(jìn)一步減少參數(shù)個數(shù)，提取更能代表圖像特征的信息.池化方法很多，本算法采用Max Pooling，即在n×n的Feature Map中取區(qū)域最大值作為池化后的值.為了簡化說明，本例采用4×4的Feature Map，采樣核大小為2×2，步長為2，如圖4所示.首先選取Feature Map左上角粗體2×2矩陣，并選出矩陣中最大值，即6，形成Max Pooling的第一行第一列的值；然后向右移動兩個單位，即步長為2，再次選取2×2矩陣，并選出矩陣中最大值，即8，形成Max Pooling的第一行第二列的值；以此類推，最后形成Max Pooling矩陣，至此已經(jīng)過濾掉Feature Map中不需要的樣本，完成Feature Map的進(jìn)一步池化特征提取.

本系統(tǒng)通過在主機(jī)上部署CNN遷移學(xué)習(xí)算法，并實時對所監(jiān)控區(qū)域的視頻圖像進(jìn)行處理與特征提取，檢查圖像中是否有煙、火特征出現(xiàn)，從而識別井下是否有煙、火隱患產(chǎn)生.在工作區(qū)域上方安裝防爆攝像頭，攝像頭向下傾斜角度介于0°～90°之間，調(diào)試角度使得多個攝像頭相互配合，使攝像區(qū)域覆蓋整個工作區(qū)域.井上主機(jī)與井下攝像頭通過光纖連接，在井上主機(jī)部屬CNN遷移學(xué)習(xí)算法實時對攝像視頻圖像處理與識別.CNN采用VGG16模型，CNN-VGG16是ILSVRC圖像識別大賽上第二名的模型，第一名是Goog LeNet，但是對于圖像特征提取問題上，CNN-VGG16性能更優(yōu)、魯棒性更好.該系統(tǒng)整體架構(gòu)如圖1所示.傳統(tǒng)的圖像模式識別應(yīng)用場景中，需要人工對圖像特征進(jìn)行Label標(biāo)記，然后將圖像與其對應(yīng)的Label輸入到機(jī)器學(xué)習(xí)算法中，如圖像分類問題上最常用的SVM算法.但是，這種傳統(tǒng)的圖像識別并不屬于“智能”，仍需“人工”參與，且訓(xùn)練好的模型大多針對訓(xùn)練模型時的特定場景下的煙、火識別，一旦更換場景，煙、火狀態(tài)發(fā)生改變，模型的識別效果大大下降，不具備模型的泛化性，且傳統(tǒng)的機(jī)器學(xué)習(xí)圖像處理與識別具有一定的局限性，效率低、識別率差、時延高，故不適合應(yīng)用到井下具有嚴(yán)重災(zāi)害隱患的煙、火識別場景中[15-16].

【參考文獻(xiàn)】：
期刊論文
[1]我國煤與瓦斯共采:理論、技術(shù)與工程[J]. 謝和平,周宏偉,薛東杰,高峰.  煤炭學(xué)報. 2014(08)
[2]中國煤礦瓦斯災(zāi)害現(xiàn)狀與防治對策研究[J]. 孫慶剛.  中國煤炭. 2014(03)
[3]基于ACO-LSSVM的城市火災(zāi)預(yù)測模型仿真[J]. 陳澤恩.  計算機(jī)仿真. 2014(01)
[4]煤礦瓦斯爆炸沖擊波超壓峰值的預(yù)測模型[J]. 孫建華,趙景禮,魏春榮,張錦鵬,謝尚.  煤炭工程. 2011(01)
[5]基于小生境技術(shù)的火災(zāi)圖像識別算法[J]. 王海珍,廉佐政,滕艷平.  計算機(jī)工程與科學(xué). 2010(11)
[6]煤礦井下安全避險“六大系統(tǒng)”的作用和配置方案[J]. 孫繼平.  工礦自動化. 2010(11)
[7]SVM用于基于內(nèi)容的自然圖像分類和檢索[J]. 付巖,王耀威,王偉強(qiáng),高文.  計算機(jī)學(xué)報. 2003(10)
[8]基于圖像視覺特征的火災(zāi)自動識別[J]. 許維勝,田長征,方盛明.  計算機(jī)工程. 2003(18)
[9]煤礦災(zāi)害防治科技發(fā)展現(xiàn)狀及對策分析[J]. 周心權(quán),鄔燕云,朱紅青,吳兵.  煤炭科學(xué)技術(shù). 2002(01)
[10]火災(zāi)的圖像識別方法與應(yīng)用[J]. 盧瑞祥,牟軒沁,紀(jì)震.  計算機(jī)應(yīng)用研究. 1998(01)



本文編號：2987290