隨著以“智能、安全”為核心的煤炭精準(zhǔn)開(kāi)采理念的提出,煤炭工業(yè)正在由體力勞動(dòng)者的自動(dòng)化向知識(shí)工作者的自動(dòng)化轉(zhuǎn)變。高清晰度和低時(shí)延的井下場(chǎng)景重現(xiàn)已成為煤炭精準(zhǔn)開(kāi)采所要解決的重要問(wèn)題之一。由于粉塵、光照等特殊環(huán)境因素以及視頻硬件設(shè)備的限制,井下圖像普遍存在分辨率低、視覺(jué)效果差等問(wèn)題,嚴(yán)重影響井下場(chǎng)景細(xì)節(jié)信息的獲取與利用。超分辨率重建技術(shù)能夠提高礦井圖像分辨率,恢復(fù)丟失信息,在煤礦智能開(kāi)采、無(wú)人巡檢等任務(wù)中發(fā)揮重要作用。本文主要針對(duì)礦井圖像的超分辨率重建問(wèn)題進(jìn)行研究,在研究基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率重建算法的基礎(chǔ)上,結(jié)合殘差網(wǎng)絡(luò)結(jié)構(gòu)及圖像不同頻率分量的重建過(guò)程構(gòu)建反饋殘差網(wǎng)絡(luò)模塊,提出兩種基于反饋殘差網(wǎng)絡(luò)的礦井圖像超分辨率重建模型,主要工作和創(chuàng)新如下:（1）針對(duì)基于卷積神經(jīng)網(wǎng)絡(luò)的超分辨率重建算法存在的參數(shù)數(shù)量大,在重建模糊和邊緣特征較弱的礦井圖像時(shí)邊緣細(xì)節(jié)信息丟失的問(wèn)題,提出一種基于邊緣指導(dǎo)的雙通道反饋殘差網(wǎng)絡(luò)重建算法。該算法結(jié)合礦井圖像的特點(diǎn),將采用相位一致性方法提取的低分辨率邊緣特征與原始低分辨率圖像共同作為網(wǎng)絡(luò)的輸入,指導(dǎo)礦井圖像邊緣細(xì)節(jié)的重建;通過(guò)局部和全局殘差學(xué)習(xí)相結(jié)合的方式,減輕網(wǎng)... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：91 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

中國(guó)煤炭資源按深度分布的儲(chǔ)量圖

thm based on Convolutional Neural Net先對(duì)卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及特性進(jìn)行研究，詳細(xì)推導(dǎo)卷積然后重點(diǎn)研究現(xiàn)階段基于卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典超分辨率重模型存在的問(wèn)題與不足進(jìn)行詳細(xì)分析，為下一章節(jié)的研究工神經(jīng)網(wǎng)絡(luò)基本原理（The Basic Principle oetworks）經(jīng)網(wǎng)絡(luò)既是機(jī)器學(xué)習(xí)（Machine Learning, ML）領(lǐng)域的經(jīng)經(jīng)網(wǎng)絡(luò)的基礎(chǔ)，其能夠模擬人腦神經(jīng)元結(jié)構(gòu)，依據(jù)一定的中的某種特征。由于神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)能力、泛化能力力等特點(diǎn)，使得神經(jīng)網(wǎng)絡(luò)幾乎能夠擬合任何連續(xù)函數(shù)。經(jīng)元絡(luò)由大量神經(jīng)元相互連接而成，神經(jīng)元也被稱(chēng)作 Logistic構(gòu)如下圖 3-1 所示：

圖 3-2 Sigmoid 函數(shù)Figure 3-2 Sigmoid function定義域，縱軸表示值域。從圖中可以看出，sigm[0,1]之間。但 sigmoid 函數(shù)容易飽和并且沒(méi)有進(jìn)易出現(xiàn)梯度消失的問(wèn)題。 函數(shù)數(shù)由雙曲正弦和雙曲余弦構(gòu)成，是 sigmoid 函數(shù)其公式如(3-3)所示，對(duì)應(yīng)函數(shù)圖像為圖 3-3。2 22 2sinh( ) 1 1tanh( )cosh( ) 1 1x x x xx x x xx e e e exx e e e e


本文編號(hào)：3248401