[发明专利]一种面向矿井煤流AI视频分析的异物识别系统及方法

说明书

本发明公开了一种面向矿井煤流AI视频分析的异物识别系统，属于图像处理技术领域，包括数据收集模块，采用工业相机对履带上的煤流进行实时视频监控收集；黑夜检测模块，采用改进的U‑net网络结构作为模型，对底片进行预测得到RGB图片；YOLOv4模块，用于对RGB图片进行预测得到目标的位置和类别，使用CSPDarknet53作为该模块整体网络模型的主干网络。基于此还提供了一种面向矿井煤流AI视频分析的异物识别方法，利用加入黑夜检测模块对底片进行预测得到RGB图片，解决了光线不足能见度低的问题，然后用YOLO v4模块对RGB进行预测得到目标的位置和类别，提高了矿井异物识别算法的检测精度和检测速度。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种面向矿井煤流AI视频分析的异物识别系统及方法。

背景技术

随着全球科技的不断发展，目前已经进入了智能化时代，根据矿山企业的顶层应用需求，在未来的智慧矿山的理念将引领矿业的发展。但对于目前矿用井下监测来说，只是简单的使用智能设备是无法达到相应的效果的。煤矿工作现场是一种封闭且光照条件极差的环境，单一的摄像机是无法对视频画面按照要求进行理想效果的处理。克服光线问题，提高检测精度和检测速度可以更好地降低煤矿安全事故的发生概率。目标检测是将目标的识别和分割合二为一，对图像中需要检测的物体进行识别与定位，其准确性与实时性是用来衡量目标检测系统的能力的重要因素。目标检测主要分为以机器学习为基础的传统目标检测和以深度学习为基础的新兴目标检测，井下实施的检测多以传统目标检测为系统框架。

目前大多数井下采取的是传统的检测方法，主要有两种混合高斯背景模型，三帧差分法进行目标检测。然而使用混合高斯背景模型与三帧差分法模型会受到光照条件以及粉尘的影响，检测精度和检测速度都比较低，无法达到理想的监测效果；且目前的目标检测方法主要依靠人工进行特征提取，需要进行极为困难和复杂的调参过程，泛化能力和鲁棒性较差。

发明内容

针对上述存在的问题，本发明提供了一种面向矿井煤流AI视频分析的异物识别系统及方法，通过利用加入的黑夜检测模块对底片进行预测得到一个RGB图片，解决了光线不足能见度低的问题，其次用YOLO v4模块对RGB进行预测得到目标的位置和类别，提高了面向矿井煤流的异物识别算法的检测精度和检测速度。

本发明为解决上述技术问题采用的技术方案如下：

一种面向矿井煤流AI视频分析的异物识别系统，包括数据收集模块、黑夜检测模块和YOLOv4模块，其中：

数据收集模块，采用工业相机对履带上的煤流进行实时的视频监控，然后通过光纤设备将工业相机采集的视频的传输到超高性能的计算机平台上；

黑夜检测模块，采用改进的U-net网络结构作为黑夜检测模型，所述U-net网络结构由解码器和编码器构成，用于对底片进行预测得到RGB图片，所述编码器通过卷积层和池化层进行特征提取；

YOLOv4模块，用于对RGB图片进行预测从而得到目标的位置和类别，使用CSPDarknet53作为该模块整体网络模型的主干网络进行特征提取；并在Neck网络部分加入SPP模块和FPN+PAN模块用于融合不同尺度的特征图和提升特征提取能力。

进一步地，在所述黑夜检测模块中，通过将收集的正常光数据集利用知识提取的方法输出其潜在特征训练生成IT—layer模型，将所述IT—layer模型加入到黑夜检测模型，后使ND数据集输入到黑夜检测模型中并经过其中的IT—layer模型得到伪造RGB数据集。