Personnel localization method for low-visibility environments based on improved YOLOv3
-
摘要: 煤矿井下光照不足、粉尘遮挡，井下视频监控系统采集的人员目标在二维图像中表现为小目标或低可见度目标时，原始YOLOv3网络的Darknet53特征金字塔结构无法充分提取和保留目标的细节信息，导致定位结果不准确。针对上述问题，提出了一种低可见度环境下基于改进YOLOv3的井下人员定位方法。首先，结合β函数映射和帧间信息增强技术，提升低可见度环境下煤矿井下监控视频的清晰度。然后，采用更轻量级的Darknet−19替代YOLOv3中的Darknet53，并引入CIoU作为损失函数，利用改进YOLOv3识别增强后视频中的井下人员目标。最后，基于映射模型将识别到的目标从二维空间投影至三维空间，结合三维定位结果完成井下人员定位。选用某煤矿一段低可见度环境下井下监控视频进行实验，结果表明：① 经过基于改进YOLOv3的井下人员定位方法处理后的视频帧亮度、可见度和各项评价指标（平均灰度、平均对比度、信息熵与灰度谱带宽）较原始视频均有明显提升，整体光照条件得到显著改善，且处理后的视频帧对比度得到增强，目标和背景之间更易区分，证明了采用的图像增强技术的有效性。② 改进YOLOv3模型能准确识别视频帧中的井下工作人员，不存在漏识别问题。③ 采用已知位置的标定物或人工标注的的真实三维位置作为基准，计算投影结果与真实位置之间的偏差（偏差计算涵盖X，Y，Z方向上的距离偏差），其中X方向和Y方向上的偏差均小于0.2 m，Z方向上的偏差小于0.002 m，表明构建的映射模型的映射效果好且定位精度较高。Abstract: In coal mines, inadequate lighting and dust obstruction result in personnel targets captured by video monitoring systems appearing as small or low-visibility objects in two-dimensional images. The original YOLOv3 network's Darknet53 feature pyramid structure was insufficient for effectively extracting and preserving detailed information about these targets, leading to inaccurate localization. To address this issue, personnel localization method for low-visibility environments based on improved YOLOv3 was. First, the clarity of coal mine monitoring videos under low-visibility conditions was enhanced using a combination of β function mapping and inter-frame information enhancement techniques. Next, Darknet53 in YOLOv3 was replaced with the lighter Darknet-19, and CIoU was introduced as the loss function to optimize personnel target identification in the enhanced video. Finally, the identified targets were projected from two-dimensional space to three-dimensional space based on the mapping model, completing the personnel localization process. Experiments conducted on monitoring videos from a coal mine in low-visibility conditions revealed the following findings: ① After applying the improved YOLOv3, the brightness, visibility, and various evaluation metrics (average gray level, average contrast, information entropy, and gray spectral bandwidth) of the video frames demonstrated significant improvements compared to the original videos. There was a substantial enhancement in overall lighting conditions and contrast, facilitating better differentiation between targets and backgrounds, thereby validating the effectiveness of the image enhancement techniques employed. ② The improved YOLOv3 accurately identified personnel in the video frames, with no instances of missed detections. ③ Using calibrated objects or manually annotated real three-dimensional positions as benchmarks, the deviation between the projected results and the actual positions was calculated (covering distance deviations in the X, Y, and Z directions). The deviations in both the X and Y directions were below 0.2 m, while the deviation in the Z direction was below 0.002 m, indicating a high mapping effect and localization accuracy of the constructed mapping model.
-
0. 引言
滚动轴承作为支撑旋转体和降低机械载荷摩擦因数的关键部件，在矿用机械中扮演着重要的角色。然而，在矿井灰尘污染、润滑不足及疲劳剥落等工作情况下，滚动轴承可能发生各种故障，进而影响矿用机械的正常工作，严重时还可能带来次生灾害，造成重大经济损失甚至人员伤亡。因此，研究准确率高、实用性强的矿用滚动轴承故障诊断方法，对保障矿用机械正常运行、降低经济损失和减少人员伤亡具有重要意义[1]。
矿用滚动轴承故障诊断方法需要考虑以下问题：① 跨工况。轴承的工作状况复杂多变，需要轴承故障诊断方法具有适应多工况的泛化能力。② 跨轴承。矿用轴承类型众多，需要轴承故障诊断方法能够诊断不同类型的滚动轴承故障。③ 噪声干扰。矿井环境含有大量噪声，需要轴承故障诊断方法具有一定的抗噪能力。
基于深度学习的故障诊断方法使计算机自主地从原始信号中学习和提取关键特征[2]，是故障诊断领域研究的热点。目前深度学习网络主要有卷积神经网络（Convolutional Neural Network，CNN）、循环神经网络（Recurrent Neural Network，RNN）和自编码器（Auto Encoder，AE）等。CNN凭借局部感知和参数共享等优点，在减少参数的同时提高了网络性能[3]。雷春丽等[4]采用马尔可夫转移场将一维信号转换为二维特征图，利用CNN对特征图进行特征提取和故障诊断，可在小样本、变负载环境下完成故障诊断任务。常淼等[5]通过增加CNN的卷积层数来提高网络特征提取能力，但卷积层过多会引发梯度弥散、参数过多等问题[6]，导致训练效率降低。为进一步挖掘CNN潜力，Facebook和UC Berkeley的科研人员以ResNet为基础，借鉴Transformer架构，经过一系列改进和优化，设计出纯卷积网络——ConvNeXt[7]。在网络设计过程中，为降低参数量，使用深度可分离卷积，将传统卷积操作分解为深度卷积和逐点卷积2个环节；为增强网络性能，采取多种优化策略，其中包括使用倒残差结构、减少批归一化（Batch Normalization，BN）层和激活函数的应用以及将下采样层进行分离处理等。ConvNeXt在保持简洁高效的同时，突破了传统CNN的性能极限[8]，为故障诊断领域提供了一种新的研究方向。但ConvNeXt在特征提取过程中涵盖信息较为宽泛，导致网络将部分注意力分散到非关键特征上[9]；ConvNeXt采用7×7的深度可分离卷积在处理故障诊断这种小样本分类任务时，无法根据输入数据的特征动态调整卷积核大小，导致网络特征提取能力不佳[10]；ConvNeXt中的层归一化（Layer Normalization，LN）存在泛化性差的问题[11]，对网络泛化性产生不利影响。
为提高现有矿用滚动轴承故障诊断方法的特征提取能力和泛化性，本文提出一种基于超小波变换（Superlet Transform，SLT）与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法。ConvNeXt有ConvNeXt−T，ConvNeXt−S，ConvNeXt−B和ConvNeXt−L这4个不同版本，其中ConvNeXt−T具有复杂度较低、参数量和计算复杂度较小的特点，适用于滚动轴承故障诊断这种小样本分类任务。本文以ConvNeXt−T为基础，引入BN技术[12]，旨在提高网络的泛化性；针对ConvNeXt−T中深度可分离卷积无法动态调整卷积核大小，使用全维动态卷积（Omni-dimensional Dynamic Convolution，ODConv）[13]替换原有的深度可分离卷积，使网络具有更强的适应性；为了使ConvNeXt−T聚焦关键位置特征，引入高效局部注意力（Efficient Local Attention，ELA）[14]，以增强网络的特征提取能力。为充分利用原始信号的时频特性，选用SLT[15]将一维振动信号转换为二维时频图像，以便网络更好地提取信号中的关键信息。
1. 基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断方法原理
1.1 OD−ConvNeXt−ELA设计
以ConvNeXt−T为基础进行改进，构建OD−ConvNeXt−ELA，其结构如图1所示。主要改进包括：为解决ConvNeXt−T使用7×7大小卷积核导致通道间的信息交互不足而造成网络特征提取能力欠佳的问题，采用ODConv替换ConvNeXt−T中的固定大小卷积核，实现根据输入数据特性对多个卷积核进行线性加权来动态调整卷积核大小，避免信息冗余[16]；在部分卷积层后加入ELA机制，对位置特征图中的重要特征信息进行编码，在无需降低维度的前提下，确保对特征信息的优先处理和精确捕捉；针对ConvNeXt−T中LN存在网络收敛速度慢、泛化性能差的问题，使用BN替换LN[17]。
1.2 基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断流程
为充分利用原始信号的时频特性，选用SLT将一维振动信号转换为二维时频图像，以便OD−ConvNeXt−ELA更好地提取信号中的关键信息。
基于SLT与OD−ConvNeXt−ELA的矿用滚动轴承故障诊断流程如图2所示，具体步骤如下。
步骤1：采集振动信号。从振动试验平台的传感器数据库中读取一维振动信号，构建样本数据库。
步骤2：制作故障样本数据集。利用SLT将样本数据库中的一维振动信号转换为二维时频图像，并按比例划分为训练集、验证集和测试集。
步骤3：训练OD−ConvNeXt−ELA网络。将步骤2中训练集输入至已初始化参数的OD−ConvNeXt−ELA中进行训练，使用验证集对网络性能进行评估，根据评估结果对网络中的超参数进行调整，防止过拟合现象。经过多轮迭代后，确保网络充分训练并达到收敛状态，然后保留准确率最高的权重。
步骤4：测试OD−ConvNeXt−ELA网络。选取美国凯斯西储大学（Case Western Reserve University，CWRU）[18]和德国帕德博恩大学（Paderborn University，PU）[19]的轴承数据集，其中，CWRU使用的轴承型号为SKF6025，PU使用的轴承型号为6203，这2种轴承均为含有防尘盖设计的深沟球轴承，是矿井中常用的滚动轴承[20]。将这2个数据集中划分的测试集输入到预先训练好的OD−ConvNeXt−ELA中，输出故障诊断结果。
2. 滚动轴承故障诊断实验
滚动轴承故障诊断实验采用SDG优化函数更新网络参数，设置训练轮数为30次，学习率为0.001，批量大小为16，数据加载线程数为3。为防止过拟合，设置Dropout层的丢弃概率为0.3。为确保实验的公正性和客观性，本文所有网络预训练权重均源自CIFAR−10数据集。
2.1 SLT对滚动轴承故障诊断的影响
为验证SLT对滚动轴承故障诊断的优势，分别选用短时傅里叶变换（Short-Time Fourier Transform，STFT）、连续小波变换（Continue Wavelet Transform，CWT）和SLT将CWRU轴承数据集的一维信号转换为分辨率为220×220的二维时频图像，并输入ConvNeXt−T进行轴承故障诊断，通过比较故障诊断准确率来判断不同时频变换方法对滚动轴承故障诊断的优劣。根据轴承负载和转速的不同，CWRU轴承数据集分为4种工况，见表1。将数据集按3∶1∶1的比例构建训练集、验证集和测试集。
表 1 CWRU轴承数据集工况划分Table 1. Division of operating conditions in CWRU bearing dataset工况 负载功率/W 转速/（r·min−1） A 0 1 797 B 746 1 772 C 1 491 1 750 D 2 237 1 730 以A工况为例，对轴承故障类型进行划分，见表2。
表 2 CWRU轴承数据集故障类型划分Table 2. Classification of fault types in CWRU bearing dataset轴承状态 故障直径/mm 样本个数 标签 健康 0 200 1 内圈故障 0.177 8 200 2 滚动体故障 0.177 8 200 3 外圈故障 0.177 8 200 4 内圈故障 0.355 6 200 5 滚动体故障 0.355 6 200 6 外圈故障 0.355 6 200 7 内圈故障 0.533 4 200 8 滚动体故障 0.533 4 200 9 外圈故障 0.533 4 200 10 STFT采用hann窗函数，窗口长度为50；CWT选用cmor3−3小波作为小波基，尺度数为256；SLT采用Morlet小波作为小波基，最小周期为5，阶数为5。以A工况为例，经过STFT，CWT和SLT 3种变换后，CWRU轴承数据集的一维振动信号转换为二维时频图像，如图3所示。可看出相较于STFT和CWT，经过SLT后的时频图像在时间分辨率和频率分辨率方面实现了较好的兼顾，并且时频图像中几乎不存在冗余信息，能够清晰地看到信号频率随时间的变化情况。
![]()
图 3 不同时频变换方法下的时频图像Figure 3. Time-frequency images with different time-frequency transform methods将经过STFT、CWT和SLT的二维时频图像输入ConvNeXt−T进行轴承故障诊断，重复测试30次，得到故障诊断准确率，见表3。在A工况下，SLT的准确率较STFT提高了1.72%，较CWT提高了1.19%；在B工况下，SLT的准确率较STFT提高了2.91%，较CWT提高了3.67%；在C工况下，SLT的准确率较STFT提高了3.59%，较CWT提高了2.28%；在D工况下，SLT的准确率较STFT提高了0.94%，较CWT提高了1.68%。SLT在4种工况下由于均保留了原始振动信号的关键特征，其准确率优于STFT和CWT。
表 3 不同时频变换方法下轴承故障诊断准确率Table 3. Bearing fault diagnosis accuracy using different time-frequency transform methods时频变换方法 准确率/% A工况 B工况 C工况 D工况 STFT 95.57 94.69 96.15 98.18 CWT 96.10 93.93 97.46 97.44 SLT 97.29 97.60 99.74 99.12 2.2 单一工况下OD−ConvNeXt−ELA性能
为比较ConvNeXt−T改进前后对轴承故障诊断准确率的影响，将CWRU轴承数据集单一工况（A工况、B工况、C工况和D工况）下经SLT得到的二维时频图像分别输入ConvNeXt−T和OD−ConvNeXt−ELA进行轴承故障诊断，结果如图4所示。可看出OD−ConvNeXt−ELA平均故障诊断准确率达99.65%，较ConvNeXt−T提高了1.61%。
![]()
图 4 单一工况下不同网络在CWRU轴承数据集的故障诊断准确率Figure 4. Fault diagnosis accuracy of different networks on CWRU bearing dataset under a single operating conditionConvNeXt−T和OD−ConvNeXt−ELA在A工况下的故障诊断准确率和损失值曲线如图5所示。可看出相较于ConvNeXt−T，OD−ConvNeXt−ELA故障诊断准确率曲线波动更小，网络损失值曲线呈现更稳定的下降趋势，且网络在训练过程中未出现过拟合现象。
![]()
图 5 单一工况下不同网络的故障诊断准确率和损失值曲线Figure 5. Fault diagnosis accuracy and loss curves of different networks under a single operating condition2.3 跨工况下OD−ConvNeXt−ELA性能
在实际矿用场景中，轴承运行状态多为跨工况状态[21]，因此使用不同工况下的CWRU轴承数据集对EfficientNet_b4，ResNet50，ConvNeXt−T及OD−ConvNeXt−ELA进行跨工况滚动轴承故障诊断对比实验。选取A工况下训练集对网络进行训练，B，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作A−B，A−C和A−D；选取B工况下训练集对网络进行训练，A，C，D工况下测试集对网络进行测试，将上述训练集与测试集的组合分别记作B−A，B−C和B−D；以此类推。跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率如图6所示，可看出在12种跨工况下，OD−ConvNeXt−ELA的平均故障诊断准确率为87.50%，比ConvNeXt−T，ResNet50，EfficientNet_b4分别提高了3.30%，4.57%，4.65%。
![]()
图 6 跨工况下不同网络在CWRU轴承数据集上的故障诊断准确率Figure 6. Fault diagnosis accuracy of different networks on CWRU bearing dataset across operating conditions为更直观地展示4种网络的故障诊断结果，生成A−B跨工况下4种网络在CWRU轴承数据集上的混淆矩阵，如图7所示。可看出在400个测试集样本中，EfficientNet_b4出现11个样本被误判，ResNet50出现9个样本被误判，ConvNeXt−T出现5个样本被误判，OD−ConvNeXt−ELA仅有2个样本被误判。表明OD−ConvNeXt−ELA能够判别多种工况下的滚动轴承故障类型，且具有较高的准确率。
![]()
图 7 跨工况下不同网络在CWRU轴承数据集上的混淆矩阵Figure 7. Confusion matrix of different networks on CWRU bearing dataset across operating conditions以A−B跨工况为例，采用t分布式随机邻居嵌入（t-Distributed Stochastic Neighbor Embedding，t-SNE）算法分别对4种网络分类层的输出进行可视化，如图8所示。可看出EfficientNet_b4，ResNet50和ConvNeXt−T中均存在误分类的数据点（数据点重叠），而OD−ConvNeXt−ELA中不存在误分类的数据点。这是由于OD−ConvNeXt−ELA凭借ODConv的动态特性，能够更好地应对故障诊断这类小样本任务，并通过ELA进一步凸显有用特征，同时弱化无用特征，从而提升故障诊断准确率。
![]()
图 8 跨工况下不同网络分类结果可视化Figure 8. Visualization of classification results for different networks across operating conditions2.4 跨轴承、跨工况下OD−ConvNeXt−ELA性能
选用来自不同轴承和不同工况条件下的PU轴承数据集对EfficientNet_b4，ResNet50，ConvNeXt−T及OD−ConvNeXt−ELA进行跨工况、跨轴承的故障诊断准确率对比实验。根据轴承负载的不同，PU轴承数据集分为3种工况，见表4。
表 4 PU轴承数据集工况划分Table 4. Division of operating conditions in PU bearing dataset工况 转矩/（N·m） 径向力/N E 0.7 1 000 F 0.1 1 000 G 0.7 400 选取PU轴承数据集中带有真实损伤的轴承振动信号开展实验，并按照3∶1∶1的比例构建训练集、验证集和测试集。PU轴承数据集故障类型划分见表5。
表 5 PU轴承数据集故障类型划分Table 5. Classification of fault types in PU bearing dataset轴承状态 故障等级 样本个数 标签 健康 — 400 I 外圈故障 1级 400 II 内圈故障 1级 400 III 复合故障 2级 400 IV 跨工况下4种网络在PU轴承数据集上的故障诊断准确率如图9所示。可看出OD−ConvNeXt−ELA在6种跨工况下的平均故障诊断准确率达89.33%，较ConvNeXt−T，ResNet50和EfficientNet_b4分别提高了3.46%，2.10%和2.09%，表明OD−ConvNeXt−ELA具有更好的泛化能力。
![]()
图 9 跨工况下不同网络在PU轴承数据集上的故障诊断准确率Figure 9. Fault diagnosis accuracy of different networks on PU bearing dataset across operating conditions使用混淆矩阵评价E−F跨工况下网络分类结果，如图10所示。可看出在320个测试集样本中，EfficientNet_b4出现20个样本被误判，ResNet50出现17个样本被误判，ConvNeXt−T出现14个样本被误判，而OD−ConvNeXt−ELA仅有9个样本被误判。表明OD−ConvNeXt−ELA能有效解决滚动轴承在运行时因负载变化而导致的故障诊断率低和泛化能力差的问题。
![]()
图 10 跨工况下不同网络在PU轴承数据集上的混淆矩阵Figure 10. Confusion matrix of different networks on PU bearing dataset across operating conditions2.5 不同信噪比下OD−ConvNeXt−ELA性能
矿用轴承故障诊断准确率除了受到跨工况的影响，还会受环境噪声干扰的影响，因此通过引入高斯噪声验证OD−ConvNeXt−ELA在噪声干扰下的鲁棒性。加入信噪比为0，2，4，6 dB的噪声，在A工况下进行4种网络故障诊断实验，为去除偶然误差，重复10次取平均值，实验结果如图11所示。可看出与EfficientNet_b4，ResNet50，ConvNeXt−T相比，OD−ConvNeXt−ELA在不同信噪比下均具有较高的准确率，表现出良好的抗噪性能，适用于矿用轴承故障诊断中含有强噪声的场景。
![]()
图 11 不同信噪比下不同网络故障诊断准确率Figure 11. Fault diagnosis accuracy of different networks at different signal-to-noise ratios3. 结论
1） 采用SLT将一维振动信号转换为高度保留原始信号故障特征的二维时频图像，相较于STFT和CWT，采用SLT的滚动轴承故障诊断准确率更高。
2） 以ConvNeXt−T为基础，引入BN技术以提高网络的泛化性，使用ODConv替换原有的深度可分离卷积以提高网络的适应性，引入ELA以使网络聚焦关键位置特征，从而构建矿用滚动轴承故障诊断OD−ConvNeXt−ELA网络模型。
3） 在CWRU和PU轴承数据集上的滚动轴承故障诊断实验结果表明，与EfficientNet_b4，ResNet50和ConvNeXt−T相比，OD−ConvNeXt−ELA在跨轴承、跨工况及噪声干扰下具有故障诊断准确率高、泛化能力强的优势。
-
![]()
图 6 不同方法定位偏差对比
Figure 6. Comparison of localization deviations using different methods
表 1 不同方法客观评价结果
Table 1 Objective evaluation results of different methods
评价指标 平均灰度 平均对比度 信息熵/bit 灰度谱带宽 原始图像 8.19 1.58 4.34 0.56 本文方法 76.45 12.11 7.09 1.00 
下载: 导出CSV
-
[1] 郭文兵,吴东涛,白二虎,等. 我国煤矿智能绿色开采技术现状与展望[J]. 河南理工大学学报(自然科学版),2023,42(5):1-17. GUO Wenbing,WU Dongtao,BAI Erhu,et al. Current situation and prospect of intelligent green mining technology in coal mines in China[J]. Journal of Henan Polytechnic University(Natural Science),2023,42(5):1-17.
[2] 温贤培. 煤矿现场人员二维精确定位方法[J]. 煤矿安全,2023,54(1):225-229. WEN Xianpei. Two-dimensional precise positioning method of coal mine field personnel[J]. Safety in Coal Mines,2023,54(1):225-229.
[3] 张寻梦,赵子皓,江晓东. 基于图像和YOLOv3的番茄果实表型参数计算及重量模拟[J]. 江苏农业科学,2023,51(10):193-201. ZHANG Xunmeng,ZHAO Zihao,JIANG Xiaodong. Phenotypic parameter calculation and weight simulation of tomato fruit based on image and YOLOv3[J]. Jiangsu Agricultural Sciences,2023,51(10):193-201.
[4] 刘晓阳,郑昊琳,刘金强,等. 基于压缩感知改进SP算法的井下人员定位方法[J]. 煤炭技术,2022,41(5):164-167. LIU Xiaoyang,ZHENG Haolin,LIU Jinqiang,et al. Method of underground personnel location based on compressed sensing and improved SP algorithm[J]. Coal Technology,2022,41(5):164-167.
[5] WU Bin. Algorithm of underground personnel positioning based on improved Monte Carlo[J]. Wireless Communications and Mobile Computing,2021. DOI: 10.1155/2021/5547944.
[6] 王智勇,张宏伟,卜旭辉. 基于UWB与指纹定位的矿井移动目标TOA定位算法[J]. 矿业研究与开发,2024,44(3):192-200. WANG Zhiyong,ZHANG Hongwei,BU Xuhui. TOA localization algorithm of underground mine moving target based on UWB and fingerprint localization[J]. Mining Research and Development,2024,44(3):192-200.
[7] CAO Bo,WANG Shibo,GE Shirong,et al. Improving the positioning accuracy of UWB system for complicated underground NLOS environments[J]. IEEE Systems Journal,2021,16(2):1808-1819.
[8] 牛宏侠,王春智. 基于HSI空间的沙尘图像增强算法[J]. 北京交通大学学报,2022,46(5):1-8. NIU Hongxia,WANG Chunzhi. Sand-dust image enhancement algorithm based on HSI space[J]. Journal of Beijing Jiaotong University,2022,46(5):1-8.
[9] 张勇,周斌,王建斌. 多尺度Retinex低照度图像增强的ZYNQ实现[J]. 火力与指挥控制,2023,48(7):156-162. ZHANG Yong,ZHOU Bin,WANG Jianbin. Implementation of low-illumination image enhancement based on multi-scale Retinex on ZYNQ[J]. Fire Control & Command Control,2023,48(7):156-1622.
[10] 王仁智,孔雅,张春泽. 一种支持任意码率的高斯低通滤波器设计[J]. 电子技术应用,2021,47(7):61-63,68. WANG Renzhi,KONG Ya,ZHANG Chunze. Design of a Gaussian low pass filter with arbitrary bit rate[J]. Application of Electronic Technique,2021,47(7):61-63,68.
[11] 刘雄彪,杨贤昭,陈洋,等. 基于CIoU改进边界框损失函数的目标检测方法[J]. 液晶与显示,2023,38(5):656-665. DOI: 10.37188/CJLCD.2022-0282 LIU Xiongbiao,YANG Xianzhao,CHEN Yang,et al. Object detection method based on CIoU improved bounding box loss function[J]. Chinese Journal of Liquid Crystals and Displays,2023,38(5):656-665. DOI: 10.37188/CJLCD.2022-0282
[12] 李功,赵巍,刘鹏,等. 一种用于目标跟踪边界框回归的光滑IoU损失[J]. 自动化学报,2023,49(2):288-306. LI Gong,ZHAO Wei,LIU Peng,et al. Smooth-IoU loss for bounding box regression in visual tracking[J]. Acta Automatica Sinica,2023,49(2):288-306.
[13] 张莹,严伟. 基于小孔成像光斑的无衍射光分布测量系统[J]. 现代电子技术,2021,44(13):106-110. ZHANG Ying,YAN Wei. Non-diffracted light distribution measurement system based on pinhole imaging light spot[J]. Modern Electronics Technique,2021,44(13):106-110.
[14] 吴柔莞,徐智勇,张建林. 基于无监督级联的亚像素单应矩阵估计[J]. 半导体光电,2022,43(1):158-163. WU Rouwan,XU Zhiyong,ZHANG Jianlin. Sub-pixel homography matrix estimation based on unsupervised cascade[J]. Semiconductor Optoelectronics,2022,43(1):158-163.
[15] 李静. 基于最小二乘法的空间坐标转换的非迭代算法[J]. 数学的实践与认识,2022,52(9):115-120. LI Jing. A Non-iterative algorithm for spatial coordinate transformation based on least square method[J]. Mathematics in Practice and Theory,2022,52(9):115-120.
[16] 谭超,朱荣钊. 基于改进LANDMARC定位算法的人员定位技术研究[J]. 长春工程学院学报(自然科学版),2024,25(1):90-95. DOI: 10.3969/j.issn.1009-8984.2024.01.017 TAN Chao,ZHU Rongzhao. Research on personnel positioning technology based on improved LANDMARC positioning algorithm[J]. Journal of Changchun Institute of Technology(Natural Sciences Edition),2024,25(1):90-95. DOI: 10.3969/j.issn.1009-8984.2024.01.017
[17] 李明锋,李䶮,刘用,等. 基于5G+UWB和惯导技术的井下人员定位系统[J]. 工矿自动化,2024,50(1):25-34. LI Mingfeng,LI Yan,LIU Yong,et al. Underground personnel positioning system based on 5G+UWB and inertial navigation technology[J]. Journal of Mine Automation,2024,50(1):25-34.
[18] 李飞,潘红光,魏绪强,等. 基于PDR算法与伪平面技术的井下人员定位方法研究[J]. 西安科技大学学报,2024,44(3):587-596. LI Fei,PAN Hongguang,WEI Xuqiang,et al. Research on positioning method of underground personnel in coal mines based on PDR algorithm and pseudo-plane technology[J]. Journal of Xi'an University of Science and Technology,2024,44(3):587-596.
[19] 牛春祥,姚善化. 基于Chan−PF的TDOA井下人员定位算法研究[J]. 无线互联科技,2024,21(1):103-106. NIU Chunxiang,YAO Shanhua. Research on TDOA underground personnel location algorithm based on Chan-PF[J]. Wireless Internet Science and Technology,2024,21(1):103-106.
[20] 朱劲磊,梁均海,付志超,等. 基于TDOA算法的基建现场施工人员定位研究[J]. 自动化仪表,2024,45(4):9-13. ZHU Jinglei,LIANG Junhai,FU Zhichao,et al. Research on localization of construction personnel at infrastructure site based on TDOA algorithm[J]. Process Automation Instrumentation,2024,45(4):9-13.
[21] 罗珊珊,何泽家. 基于粒子滤波泰勒算法的变电站人员定位跟踪系统[J]. 微型电脑应用,2024,40(3):102-107,111. DOI: 10.3969/j.issn.1007-757X.2024.03.027 LUO Shanshan,HE Zejia. Substation personnel llocation tracking system based on particle filter taylor algorithm[J]. Microcomputer Applications,2024,40(3):102-107,111. DOI: 10.3969/j.issn.1007-757X.2024.03.027
计量
- 文章访问数: 112
- HTML全文浏览量: 36
- PDF下载量: 13
