基于语义分割的煤岩界面预先感知识别研究
这是一篇关于煤岩识别,主动红外,语义分割,PSPNet,MobileNetV2,CBAM的论文, 主要内容为煤岩界面预先精准识别是实现煤矿综采工作面采煤机智能化开采和煤矿井下安全高效生产的关键技术。近年来,随着开采深度的不断增加,煤矿井下煤岩分布日益复杂,采煤机在开采过程中一旦截割到硬度较大的岩石,将导致采煤机截齿磨损甚至损坏,影响采煤机截割效率,而随着煤矿开采环境日益恶劣,传统的煤岩界面识别方法已不能满足煤岩界面精准识别和预先感知。针对上述问题,本文通过研究煤岩界面中煤层和岩层的分布、走向以及煤岩界面在主动红外激励下的红外表征,研究一种基于语义分割的煤岩界面红外图像预先感知识别算法,论文具体工作如下:(1)分析煤矿综采工作面开采环境及基于主动红外热激励的煤岩识别影响因素,得到影响煤岩界面主动红外激励识别的影响因素及边界条件。(2)根据分析得到的影响因素及边界条件搭建实验平台,浇筑走向随机的煤岩试件,制定相应的实验方案后进行实验,获取大量煤岩界面红外图像样本数据。并通过数据增强方法增加样本数据集,最后对数据集进行标注及划分,构建完成用于煤岩界面红外图像识别的数据集。(3)构建用于煤岩界面红外图像识别的网络模型,对选取的Pyramid Scene Parsing Network(简称PSPNet)网络模型进行改进。将Mobile Net V2作为主干特征提取网络替换原始的Visual Geometry Group Network(简称VGG网络)和Residual Network(Res Net网络),通过添加Convolutional Block Attention Module(简称CBAM模块)进一步提高识别精度和识别速度。(4)将传统图像分割算法应用于煤岩界面红外图像分割识别,对改进后的网络模型进行参数的设置并训练,并通过语义分割评价指标对改进后的网络模型和对比模型进行定性分析,最后进行随机实验验证改进后的网络模型的识别效果。由实验结果可知,基于改进后的PSPNet网络模型,煤和岩的交并比(简称Io U)分别为98.07%和98.38%,煤和岩的像素精确度(简称PA)分别为98.68%和99.50%,相比于改进前的PSPNet网络模型均有明显提高;改进后的网络模型预测速度为38.46ms/张,所占内存为9.12MB,与改进前的PSPNet网络模型预测速度提升了30.78%,所占内存降低了94.88%。与其他网络模型相比,改进后的网络模型在识别性能上明显更优。实验结果表明,改进后的网络模型具有良好的普适能力和稳定性,能够实现煤岩界面的预先感知和精准识别。
基于深度学习的露天矿安全挡墙自动识别的实现
这是一篇关于安全挡墙,语义分割,DeepLabV3+,MobileNetV2,CBAM的论文, 主要内容为随着我国智慧矿山项目逐步实施,露天煤矿挡墙的安全性已成为矿山安全管理中的重要方面。然而,大多数地区仍依赖于人工监测,这种监测方式存在许多问题。首先,人工监测需要投入大量人力和时间,效率低下。其次,人工监测还存在一定主观性,可能被人为因素所影响,导致监测结果误判。最重要的是,人工监测存在安全隐患,工作人员需要在危险区域进行监测,若发生意外事故,可能会给工作人员带来严重伤害。为解决这些问题,本文提出一种基于改进的Deep Lab V3+网络的露天矿安全挡墙分割方法。本文数据集的图像数据来自矿山安全生产管理平台。采集的图像需要进行手动标注,设定语义分割类别为安全挡墙、缺口和背景。使用几何翻转、色彩调整等方式扩充数据集。建立的挡墙分割数据集共包含3000张露天矿挡墙图像,将数据集随机分为训练集、验证集和测试集,比例为8:1:1。基于挡墙图像分割数据集,使用语义分割网络进行实验,并利用语义分割评价指标MIo U和MPA进行精度评估。通过对比主流语义分割网络的性能,本文选定Deep Lab V3+网络作为基础模型。Deep Lab V3+的结构是在主干网络Xception和ASPP模块组成的编码器中获取多尺度特征,然后利用解码器进行特征图的恢复。虽然Deep Lab V3+在露天矿挡墙分割任务中具有较好的性能,但还存在复杂场景下分割不精确以及边缘特征信息丢失等问题。因此,针对基础模型的不足,本文对Deep Lab V3+网络进行相关优化。首先,将主干特征提取网络替换为Mobile Net V2。Mobile Net V2网络是轻量级卷积神经网络,采用深度可分离卷积和逆残差结构,可获得更大的感受野,提高边缘特征提取能力。其次,引入CBAM模块。CBAM模块是一种注意力机制,能够自适应地对特征图进行通道和空间维度的特征强化,提升网络在复杂场景下的鲁棒性和精确性。实验表明,本文设计的M-CBAM-Deep Lab V3+网络能够有效地识别和分割露天矿安全挡墙,其MIo U达到85.06%,比原网络提高2.96%;同时,MPA也达到92.94%,比原网络提高1.78%。相比Deep Lab V3+网络,本文网络不仅分割图像更加完整,而且分割效果明显得到改善。这一研究成果对于露天矿安全挡墙监测平台的建立具有重要的实际应用价值。
基于深度学习的微表情时序定位与识别研究
这是一篇关于微表情时序定位,深度学习,微表情识别,CBAM的论文, 主要内容为微表情是指极短暂(通常为1/25s～1/3s)的面部表情变化,通常是由个体情感或认知上的刺激引起的,对人际交往、情感识别、心理疾病诊断等方面具有重要的意义。近年来,随着人工智能技术的迅猛发展,微表情分析受到越来越多的关注和研究,也取得了许多突破性进展,但同时也面临着一个难题:微表情数据集小样本问题。针对该问题,本文提出了微表情时序定位任务,通过加速微表情编码者的编码速度,加快数据集的构建。此外,本文还对微表情分析中的热门领域微表情识别进行了研究,设计了Inception-CBAM+深度学习神经网络,以解决其特征复杂、分布不均匀的问题。本文主要贡献如下:(1)提出了微表情时序定位任务,旨在借助较小的人工开销的前提下,实现微表情片段的开始帧、峰值帧和结束帧的精确定位。首先详细介绍了该任务的定义,然后针对该任务设计了一个解决方案,即微表情对比识别标注算法(Micro-Expression Contrastive Identification Annotation,MECIA)。该算法由一个深度神经网络MECIA-Net和一个帧扩展算法组成。MECIA-Net网络受到人工标注的启发,包含识别模块、对比模块和标注模块,分别对应人工标注的不同步骤。帧扩展算法通过比较帧与帧之间的网络分数,实现自动化的微表情/非微表情标注。最后,本文设计了消融实验以及心理学实验,证明了微表情时序定位的可行性和MECIA算法的有效性。(2)设计了一种结合Inception与注意力机制的微表情识别网络Inception-CBAM+。针对原始图像中的身份信息占比大、动作信息占比小的问题,该网络以微表情片段的光流特征作为输入;针对普通卷积网络难以提取多样化特征的问题,利用Inception模块提取人脸的多尺度特征;针对人脸中微表情信息分布不均匀的问题,引入并行的通道注意力与空间注意力机制CBAM+,提取识别任务更感兴趣的特征。该算法在混合数据集MEGC2019上的未加权F1分数和未加权平均召回率分别为0.7420和0.7435。消融实验表明:相较于未添加Inception模块与CBAM+模块的网络,Inception-CBAM+提高了0.0643和0.0686,可见其有效性。
基于深度学习的露天矿安全挡墙自动识别的实现
这是一篇关于安全挡墙,语义分割,DeepLabV3+,MobileNetV2,CBAM的论文, 主要内容为随着我国智慧矿山项目逐步实施,露天煤矿挡墙的安全性已成为矿山安全管理中的重要方面。然而,大多数地区仍依赖于人工监测,这种监测方式存在许多问题。首先,人工监测需要投入大量人力和时间,效率低下。其次,人工监测还存在一定主观性,可能被人为因素所影响,导致监测结果误判。最重要的是,人工监测存在安全隐患,工作人员需要在危险区域进行监测,若发生意外事故,可能会给工作人员带来严重伤害。为解决这些问题,本文提出一种基于改进的Deep Lab V3+网络的露天矿安全挡墙分割方法。本文数据集的图像数据来自矿山安全生产管理平台。采集的图像需要进行手动标注,设定语义分割类别为安全挡墙、缺口和背景。使用几何翻转、色彩调整等方式扩充数据集。建立的挡墙分割数据集共包含3000张露天矿挡墙图像,将数据集随机分为训练集、验证集和测试集,比例为8:1:1。基于挡墙图像分割数据集,使用语义分割网络进行实验,并利用语义分割评价指标MIo U和MPA进行精度评估。通过对比主流语义分割网络的性能,本文选定Deep Lab V3+网络作为基础模型。Deep Lab V3+的结构是在主干网络Xception和ASPP模块组成的编码器中获取多尺度特征,然后利用解码器进行特征图的恢复。虽然Deep Lab V3+在露天矿挡墙分割任务中具有较好的性能,但还存在复杂场景下分割不精确以及边缘特征信息丢失等问题。因此,针对基础模型的不足,本文对Deep Lab V3+网络进行相关优化。首先,将主干特征提取网络替换为Mobile Net V2。Mobile Net V2网络是轻量级卷积神经网络,采用深度可分离卷积和逆残差结构,可获得更大的感受野,提高边缘特征提取能力。其次,引入CBAM模块。CBAM模块是一种注意力机制,能够自适应地对特征图进行通道和空间维度的特征强化,提升网络在复杂场景下的鲁棒性和精确性。实验表明,本文设计的M-CBAM-Deep Lab V3+网络能够有效地识别和分割露天矿安全挡墙,其MIo U达到85.06%,比原网络提高2.96%;同时,MPA也达到92.94%,比原网络提高1.78%。相比Deep Lab V3+网络,本文网络不仅分割图像更加完整,而且分割效果明显得到改善。这一研究成果对于露天矿安全挡墙监测平台的建立具有重要的实际应用价值。
基于语义分割的煤岩界面预先感知识别研究
这是一篇关于煤岩识别,主动红外,语义分割,PSPNet,MobileNetV2,CBAM的论文, 主要内容为煤岩界面预先精准识别是实现煤矿综采工作面采煤机智能化开采和煤矿井下安全高效生产的关键技术。近年来,随着开采深度的不断增加,煤矿井下煤岩分布日益复杂,采煤机在开采过程中一旦截割到硬度较大的岩石,将导致采煤机截齿磨损甚至损坏,影响采煤机截割效率,而随着煤矿开采环境日益恶劣,传统的煤岩界面识别方法已不能满足煤岩界面精准识别和预先感知。针对上述问题,本文通过研究煤岩界面中煤层和岩层的分布、走向以及煤岩界面在主动红外激励下的红外表征,研究一种基于语义分割的煤岩界面红外图像预先感知识别算法,论文具体工作如下:(1)分析煤矿综采工作面开采环境及基于主动红外热激励的煤岩识别影响因素,得到影响煤岩界面主动红外激励识别的影响因素及边界条件。(2)根据分析得到的影响因素及边界条件搭建实验平台,浇筑走向随机的煤岩试件,制定相应的实验方案后进行实验,获取大量煤岩界面红外图像样本数据。并通过数据增强方法增加样本数据集,最后对数据集进行标注及划分,构建完成用于煤岩界面红外图像识别的数据集。(3)构建用于煤岩界面红外图像识别的网络模型,对选取的Pyramid Scene Parsing Network(简称PSPNet)网络模型进行改进。将Mobile Net V2作为主干特征提取网络替换原始的Visual Geometry Group Network(简称VGG网络)和Residual Network(Res Net网络),通过添加Convolutional Block Attention Module(简称CBAM模块)进一步提高识别精度和识别速度。(4)将传统图像分割算法应用于煤岩界面红外图像分割识别,对改进后的网络模型进行参数的设置并训练,并通过语义分割评价指标对改进后的网络模型和对比模型进行定性分析,最后进行随机实验验证改进后的网络模型的识别效果。由实验结果可知,基于改进后的PSPNet网络模型,煤和岩的交并比(简称Io U)分别为98.07%和98.38%,煤和岩的像素精确度(简称PA)分别为98.68%和99.50%,相比于改进前的PSPNet网络模型均有明显提高;改进后的网络模型预测速度为38.46ms/张,所占内存为9.12MB,与改进前的PSPNet网络模型预测速度提升了30.78%,所占内存降低了94.88%。与其他网络模型相比,改进后的网络模型在识别性能上明显更优。实验结果表明,改进后的网络模型具有良好的普适能力和稳定性,能够实现煤岩界面的预先感知和精准识别。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕业设计货栈 ，原文地址：https://bishedaima.com/lunwen/48560.html
