[发明专利]基于卷积神经网络的低照度条件下矿井井壁检测方法

权利要求书

1.基于卷积神经网络的低照度条件下矿井井壁检测方法，其特征在于：包括以下步骤：

(1)、构建图像分解网络，并利用采集的图像数据训练图像分解网络，过程如下：

(1.1)、构建图像分解训练数据集和图像分解测试数据集：

通过相机拍摄采集矿井井壁多个位置的图像，对于矿井井壁每个位置，分别拍摄采集正常曝光条件下和低曝光条件下的图像，由每个位置正常曝光条件下和低曝光条件下的图像构成该位置的光照图像对，从而得到多个位置的光照图像对，从多个光照图像对中选取部分作为图像分解训练数据集，其余部分作为图像分解测试数据集；

(1.2)、构建图像分解网络：

构建由卷积层1、卷积激活层2、卷积激活层3、卷积激活层4、卷积激活层5、卷积激活层6、卷积激活层7和卷积激活层8组成的卷积神经网络作为图像分解网络，输入图像a^[0]经过卷积层1的输出a^[1]＝w^[1]a^[0]+b^[1]，经过卷积激活层2～卷积激活层6的输出a^[i]＝ReLU(w^[i]a^[i-1]+b^[i]),i∈(2,3,4,5,6)，经过卷积激活层7的输出a^[7]＝sigmoid(w^[7]a^[6]+b^[7])，a^[7]即为输入图像分解后得到的反射图像R，经过卷积激活层8的输出a^[8]＝sigmoid(w^[8]a^[6]+b^[8])，a^[8]即为输入图像分解后得到的光照图像I，其中：

w^[ly],b^[ly]均为未知量,需要经过训练后确定，ly∈(1,2,3,4,5,6,7,8)，ReLU函数计算为ReLU(x)＝Max(0,x),Max(x)函数表示取参数最大值，sigmoid函数计算为x表示对应卷积激活层中代入至函数的相应参数；

(1.3)、将步骤(1.1)得到的图像分解训练数据集和图像分解测试数据集输入至步骤(1.2)构建的图像分解网络，以对图像分解网络进行多次迭代训练，得到训练完成的图像分解网络；

(2)、构建图像检测网络，并利用采集的图像数据训练图像检测网络，过程如下：

(2.1)、构建图像检测训练数据集和图像检测测试数据集：

首先采集获取矿井井壁多个位置的图像，在图像中寻找存在包括无异常状况在内的多种井壁状况的图像，并从每种井壁状况的图像分别选取多张，构成井壁图像样本集；

其次建立多种井壁状况的标签值表，在标签值表中将井壁图像样本集中相同井壁状况的图像设置相同的状态标签值、不同井壁状况的图像设置不同的状态标签值；

然后从井壁图像样本集中每种井壁状况的图像再分别各自选取多张后，将选取的多种井壁状况的图像按照随机顺序进行摆放，并按照摆放的顺序将每张图像的图像名和其对应的状态标签值保存到同一训练文件中，由从井壁图像样本集中再次选取并摆放后的图像以及训练文件构成图像检测训练数据集；

按相同的方法，从井壁图像样本集中每种井壁状况经选取后剩余的图像中选取多张，并将从剩余图像中选取的多种井壁状况的图像按照随机顺序进行摆放，然后按照摆放的顺序将每张图像的图像名和其对应的状态标签值保存到同一测试文件中，由从井壁图像样本集剩余图像中选取并摆放后的图像以及测试文件构成图像检测测试数据集；

(2.2)、构建图像检测网络：

构建由卷积激活层1、池化层1、卷积激活层2、池化层2、卷积激活层3、池化层3、卷积激活层4、池化层4、卷积激活层5、池化层5、全连接层6、全连接层7和Softmax层构成的卷积神经网络，输入图像a^[0]经过卷积激活层的输出z^[j]＝ReLU(w^[j]a^[j-1]+b^[j]),j∈(1,2,3,4,5)，经过池化层的输出a^[j]＝Max(z^[j]),j∈(1,2,3,4,5)，经过全连接层的输出a^[k]＝w^[k]a^[k-1]+b^[k],k∈(6,7)，经过Softmax层的输出Softmax层是先算出检测结果可能为每种状态标签值的概率，再选取概率值最大的作为最终检测结果；，表示检测结果为各种状态标签值的概率，选择概率最大的状态标签值作为最终检测结果，即其中：

w^[lay],b^[lay]为未知量,需要经过训练后确定，lay∈(1,2,3,4,5,6,7)；Max(x)函数表示取参数最大值；ReLU(x)函数计算为ReLU(x)＝Max(0,x)，x表示对应卷积激活层代入函数的相应参数；

(2.3)、将步骤(2.1)得到的图像检测训练数据集和图像检测测试数据集输入至步骤(2.2)构建的图像检测网络，以对图像检测网络进行多次迭代训练，得到训练完成的图像检测网络；

(3)、利用步骤(1)得到的训练后的图像分解网络和步骤(2)得到的训练后的图像检测网络，对矿井井壁进行在线检测，过程如下：

(3.1)、采集获取矿井井壁图像；

(3.2)、将井壁图像输入到训练好的图像分解网络中，分解出反射图像R和光照图像I；

(3.3)、使用公式L(x,y)＝[I(x,y)]^γ对光照图像I进行亮度伽马校正得到光照亮度校正图像L，其中，I(x,y)表示在光照图像I中(x,y)位置的像素值，L(x,y)表示校正后图像L中(x,y)位置的像素值，γ是一个常数，且γ＜1；将反射图像R的每个像素值分别和光照亮度校正图像L的对应位置的像素值相乘后得到光亮增强图像S的像素值，计算公式为S(x,y)＝L(x,y)·R(x,y)；

(3.4)、将光亮增强图像S输入到训练完成的图像检测网络中，图像检测网络计算的输出结果即为井壁状况的检测结果，该结果为多种井壁状况中的一种。