论文部分内容阅读
煤炭是我国现行使用的主要能源之一,保障煤矿安全生产对于我国经济发展具有重要意义。本文利用RGB视频监控图像识别皮带机区域矿工行为,结合该区域环境做环境感知型矿工典型不安全行为识别研究主要研究工作如下:(1)在矿工行为表示方面,利用等间隔采样法提取矿工行为视频序列关键帧,在提高计算效率的同时使得运动轮廓更加清晰。为了解决运动检测的自覆盖问题,本文提出了一种双层光流运动历史图对矿工行为进行检测的方法;为了解决矿工运动过程中变速运动识别率较低的问题,引入了高斯金字塔,利用空间梯度信息实现运动信息获取,最后提取HOG与Hu矩特征进行融合表示矿工行为。(2)在自建的矿工行为数据集上使用XGBoost方法进行识别,最终识别准确率为90.5%,验证了矿工行为表示方法的有效性。本文提出了一种深层迁移学习方法训练矿工行为识别模型,满足了矿工不安全行为判识的需要,在矿工行为数据集上的识别准确率为95.3%。通过实验,验证了深层迁移学习与矿工行为识别方法的鲁棒性,在DHA上识别准确率为94.7%,在Hollywood2上的识别准确率为65.5%,比传统XGBoost识别的准确率均提升5%左右。为了实现矿工不安全行为连续监测,使用模板包含率法完成了长序列中动作时序分割。(3)为了实现环境感知型皮带区矿工不安全行为判识,本文使用深度学习算法Mask R-CNN对皮带区环境目标进行识别并实现像素级分割,对于该区域目标的识别准确率为96.2%。基于分割的像素集合与矿工行为进行结合构建矿工不安全行为判识模型,对矿工不安全行为判识准确率为95.1%,每种行为判识的时间约为1000ms;与其他相关研究方法相比,本文的判识时间复杂度较低。本文通过实验证明了矿工不安全行为识别方法对于皮带区不安全行为判识具有较好的效果,能够满足实时运行需要;在公共数据集上验证了识别算法的鲁棒性。自动实时地监控矿井皮带区矿工典型不安全行为,对于减少该区域事故发生起着重要作用。该论文有图39幅,表14个,参考文献94篇。