井下排水系統(tǒng)的運(yùn)行狀況直接影響煤炭開采的穩(wěn)定與安全。作為排水系統(tǒng)的核心部門,礦井泵房屬于煤礦井下高級(jí)別限制區(qū)域。為保障礦井泵房的安全運(yùn)行,需及時(shí)獲取水泵的異常工作狀態(tài),并具備警示技術(shù)員的危險(xiǎn)區(qū)域操作及無關(guān)人員的進(jìn)入等能力。而目前,礦井泵房內(nèi)監(jiān)控系統(tǒng)只提供現(xiàn)場工況環(huán)境的視頻監(jiān)測、存儲(chǔ)等簡單功能,無法實(shí)現(xiàn)智能在線預(yù)警功能。鑒于此,本文在已有礦井泵房監(jiān)控系統(tǒng)的基礎(chǔ)上,利用機(jī)器視覺、深度學(xué)習(xí)等智能算法,實(shí)現(xiàn)對(duì)現(xiàn)場工況的智能在線監(jiān)控,主要包括以下內(nèi)容:針對(duì)井下泵房的漏水檢測問題,提出了一種結(jié)合運(yùn)動(dòng)目標(biāo)檢測以及卷積神經(jīng)網(wǎng)絡(luò)分類算法的檢測策略:首先,利用漏水區(qū)域的運(yùn)動(dòng)特性,采用三幀差分法,確定包含運(yùn)動(dòng)目標(biāo)的區(qū)域;其次,將運(yùn)動(dòng)目標(biāo)定義為疑似漏水區(qū)域;最后,搭建基于卷積神經(jīng)網(wǎng)絡(luò)的判別模型,對(duì)疑似漏水區(qū)域進(jìn)行判定。實(shí)驗(yàn)表明基于ResNet-50的分類模型在漏水區(qū)域判別的準(zhǔn)確率可達(dá)到96.8%。為獲取井下泵房人員進(jìn)入的情況,基于Deepsort模型,研究對(duì)泵房內(nèi)人員實(shí)現(xiàn)多目標(biāo)跟蹤的方法:首先,分別采用YOLOv3、YOLOv3-tiny以及YOLOv3-MobileNet 3種網(wǎng)絡(luò),作為Deepsort模型... 

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

【文章頁數(shù)】：79 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

煤礦安全事故類型分布圖

碩士學(xué)位論文6（a）離線跟蹤基本原理示意圖（b）在線跟蹤基本原理示意圖圖1-3多目標(biāo)跟蹤基本原理示意圖Figure1-3Schematicdiagramofmulti-targettracking1.2.3動(dòng)作識(shí)別研究現(xiàn)狀動(dòng)作識(shí)別相關(guān)課題研究最早發(fā)展于1970年左右，由Johansson提出的基于12點(diǎn)人體結(jié)構(gòu)描述方法進(jìn)行動(dòng)作識(shí)別，該方法對(duì)后續(xù)人員動(dòng)作識(shí)別算法具有十分重要的借鑒意義[52]。目前的行為識(shí)別算法可以分為兩大類，基于手工提取特征的分類算法以及基于深度學(xué)習(xí)模型的分類算法。前者需要人工選取特征，然后利用合適的分類器進(jìn)行分類，后者通過網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)數(shù)據(jù)的特征并進(jìn)行分類[53-55]。常見的用于動(dòng)作識(shí)別的特征有梯度直方圖（HOG）、稠密光流直方圖（MotionBoundaryHistogram，MBH）、光流信息直方圖（HistogramofOrientedGradients，HOF）、密集軌跡特征（DenseTrajectory,DT）以及改進(jìn)的密集軌跡特征（ImprovedDenseTrajectory,IDT）[56-58]等。其中最常用的手工特征為DT以及IDT，這兩類方法都是綜合上述其他三種特征作為基礎(chǔ)所得到的。其中，DT算法首先將視頻圖片劃分為多個(gè)不同的尺度，通常采用8個(gè)尺度。隨后在不同尺度大小的圖像上采用網(wǎng)格劃分的方法，進(jìn)行稠密的采集特征點(diǎn)，從而得到不同尺度不同位置的多類采樣點(diǎn)。接著依據(jù)這些采樣點(diǎn)計(jì)算目標(biāo)軌跡特征，即通過計(jì)算所有特征點(diǎn)的軌跡描述子以及運(yùn)動(dòng)描述子，對(duì)目標(biāo)進(jìn)行跟蹤并預(yù)測下一時(shí)刻的位置，將所有得到的特征采用BOF（BagofFeatures）的方式編碼，最后將編碼的特征采用支持向量機(jī)進(jìn)行分類識(shí)別。IDT的方法是在DT的基礎(chǔ)上，采用背景消除的算法，減少了攝像頭移動(dòng)或者其他背景變化所產(chǎn)生的干擾，從而提高算法穩(wěn)定性。而且IDT算法采用FisherVector編碼方法，對(duì)視頻描述子以及高斯混合模型一階導(dǎo)以及二階導(dǎo)進(jìn)行編碼，并

2相關(guān)基礎(chǔ)理論與知識(shí)13通過匈牙利匹配算法可以得到最優(yōu)的目標(biāo)與路徑匹配結(jié)果，如圖2-3表示路徑與目標(biāo)匹配之后的結(jié)果示意圖。其中實(shí)線為初始化的匹配，紅色的線表示匹配錯(cuò)誤，黑線代表最終經(jīng)過匈牙利匹配算法得到的最優(yōu)匹配，左邊黃色未匹配路徑的點(diǎn)表示消失或者被遮擋的目標(biāo)，而右邊未匹配的點(diǎn)代表出現(xiàn)誤檢或者新的目標(biāo)。通過觀察該圖可以發(fā)現(xiàn)，采用匈牙利匹配算法能夠很好的實(shí)現(xiàn)軌跡與檢測目標(biāo)的匹配，避免出現(xiàn)一對(duì)多的匹配情況發(fā)生。圖2-3匈牙利匹配算法多目標(biāo)跟蹤匹配示意圖Figure2-3Hungarianmatchingalgorithmformultipletargettrackingmatching2.3卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論基礎(chǔ)研究（RelatedBasicTheoryfortheConvolutionNetwork）近年來，深度學(xué)習(xí)發(fā)展迅速，被廣泛應(yīng)用于交通，軍事，農(nóng)業(yè)，工業(yè)等多個(gè)方面[73-75]。卷積神經(jīng)網(wǎng)絡(luò)屬于深度學(xué)習(xí)中的一個(gè)重要分支，在計(jì)算機(jī)視覺相關(guān)問題的研究上取得一系列十分矚目的成就。本節(jié)將針對(duì)卷積神經(jīng)網(wǎng)絡(luò)相關(guān)基礎(chǔ)理論知識(shí)進(jìn)行介紹。2.3.1卷積層卷積層（Convolutionslayer）作為卷積神經(jīng)網(wǎng)絡(luò)的基本核心結(jié)構(gòu)，與全連接神經(jīng)元針對(duì)所有輸入進(jìn)行計(jì)算不同，其每次計(jì)算只針對(duì)輸入圖像上的某個(gè)區(qū)域。卷積神經(jīng)網(wǎng)絡(luò)通過采用若干卷積核，針對(duì)輸入圖像以滑動(dòng)窗口的形式對(duì)每個(gè)區(qū)域進(jìn)行特征提取，每次得到的特征只代表當(dāng)前滑動(dòng)窗口所覆蓋的區(qū)域。在卷積層中，低層特征圖主要用于一些形態(tài)、顏色這類表征信息的提取，而在得到這類表征信息之后會(huì)繼續(xù)采用卷積層對(duì)其進(jìn)行卷積操作，以獲得具有抽象含義的高層語義特征。卷積層正是依靠著層層卷積的方法，使得圖像的特征以及信息能夠更充分的表達(dá)。其中卷積的基本運(yùn)算過程數(shù)學(xué)定義如下：


本文編號(hào)：3041888