發(fā)布時(shí)間：2021-02-01 12:12

　　針對煤礦井下探水作業(yè)監(jiān)工人員通過觀看視頻來監(jiān)控卸桿作業(yè)的方式存在效率低下且極易出錯(cuò)的問題,提出利用三維卷積神經(jīng)網(wǎng)絡(luò)（3DCNN）模型對探水作業(yè)中的卸桿動(dòng)作進(jìn)行識(shí)別。3DCNN模型使用3D卷積層自動(dòng)完成動(dòng)作特征提取,通過3D池化層對運(yùn)動(dòng)特征進(jìn)行降維,通過Softmax分類處理來識(shí)別卸桿動(dòng)作,并使用批量歸一化層提高模型的收斂速度和識(shí)別準(zhǔn)確率。采用3DCNN模型對卸桿動(dòng)作進(jìn)行識(shí)別時(shí),首先對數(shù)據(jù)集進(jìn)行預(yù)處理,從每段視頻中均勻抽取幾幀圖像作為某動(dòng)作的代表,并降低分辨率;然后采用訓(xùn)練集對3DCNN模型進(jìn)行訓(xùn)練,并保存訓(xùn)練好的權(quán)重文件;最后采用訓(xùn)練好的3DCNN模型對測試集進(jìn)行測試,得出分類結(jié)果。實(shí)驗(yàn)結(jié)果表明,設(shè)置采樣幀數(shù)為10幀、分辨率為32×32、學(xué)習(xí)率為0.000 1,3DCNN模型對卸桿動(dòng)作的識(shí)別準(zhǔn)確率最高可達(dá)98.86%。 

【文章來源】：工礦自動(dòng)化. 2020,46(07)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

卸桿動(dòng)作分解

BN層主要用于降低梯度對網(wǎng)絡(luò)中參數(shù)值的依賴性，可使網(wǎng)絡(luò)以較大的學(xué)習(xí)率進(jìn)行訓(xùn)練，還可對每層的輸出進(jìn)行歸一化[14]，并減少Dropout層的使用。主要思路是對每個(gè)神經(jīng)元引入2個(gè)可學(xué)習(xí)參數(shù)，其前向傳導(dǎo)過程如圖2所示。其中d和d^分別為變換前后的輸入數(shù)據(jù)；μB為小批次（mini-batch）的均值；σB為mini-batch的標(biāo)準(zhǔn)差；ε為保證分母大于零引入的一個(gè)非常小的常數(shù)；γ，β為需要學(xué)習(xí)的參數(shù)。BN層實(shí)現(xiàn)方法是在每層輸入時(shí)，插入歸一化層，將輸入數(shù)據(jù)歸一化為均值是0、方差是1的標(biāo)準(zhǔn)正態(tài)分布。圖2中階段(1)實(shí)現(xiàn)輸入數(shù)據(jù)的歸一化，由于層與層之間進(jìn)行歸一化處理后會(huì)改變數(shù)據(jù)分布，破壞學(xué)習(xí)特征，所以，利用階段(2)實(shí)現(xiàn)變換重構(gòu)，以恢復(fù)該層學(xué)習(xí)特征。

為對比學(xué)習(xí)率對準(zhǔn)確率和收斂速度的影響，從每個(gè)視頻中均勻抽取10幀圖像，并將這些圖像尺寸處理為32×32。在訓(xùn)練時(shí)，設(shè)置batch-size為20，學(xué)習(xí)率為0.000 1,0.000 5,0.001，模型迭代訓(xùn)練500次，結(jié)果如圖4所示。從圖4可看出，學(xué)習(xí)率對迭代次數(shù)的影響可以忽略不計(jì)；學(xué)習(xí)率為0.000 1時(shí)，模型準(zhǔn)確率更為穩(wěn)定，最高準(zhǔn)確率為98.86%。

【參考文獻(xiàn)】：
期刊論文
[1]基于HOG特征提取與SVM駕駛員注意力分散行為檢測方法研究[J]. 卜慶志,裘君,胡超.  集成技術(shù). 2019(04)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢動(dòng)作雷達(dá)識(shí)別方法[J]. 王俊,鄭彤,雷鵬,張?jiān)?樵明朗.  北京航空航天大學(xué)學(xué)報(bào). 2018(06)
[3]煤礦事故分析與煤礦大數(shù)據(jù)和物聯(lián)網(wǎng)[J]. 孫繼平.  工礦自動(dòng)化. 2015(03)
[4]基于多時(shí)空特征的人體動(dòng)作識(shí)別算法[J]. 宋健明,張樺,高贊,張燕,薛彥兵,徐光平.  光電子.激光. 2014(10)
[5]一種基于SIFT的圖像特征匹配方法[J]. 楊世沛,陳杰,周莉,劉健,劉海洋.  電子測量技術(shù). 2014(06)
[6]一種基于WPT和LVQ神經(jīng)網(wǎng)絡(luò)的手部動(dòng)作識(shí)別方法[J]. 羅志增,熊靜,劉志宏.  模式識(shí)別與人工智能. 2010(05)
[7]動(dòng)作識(shí)別與行為理解綜述[J]. 徐光祐,曹媛媛.  中國圖象圖形學(xué)報(bào). 2009(02)

碩士論文
[1]基于改進(jìn)稠密軌跡的人體行為識(shí)別方法研究[D]. 孫玉玲.天津工業(yè)大學(xué) 2017



本文編號：3012756