留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

轻量化CNN及其在煤矿智能视频监控中的应用

许志 李敬兆 张传江 姚磊 王继伟

许志,李敬兆,张传江,等.轻量化CNN及其在煤矿智能视频监控中的应用[J].工矿自动化,2020,46(12):13-19..  doi: 10.13272/j.issn.1671-251x.17674
引用本文: 许志,李敬兆,张传江,等.轻量化CNN及其在煤矿智能视频监控中的应用[J].工矿自动化,2020,46(12):13-19..  doi: 10.13272/j.issn.1671-251x.17674
XU Zhi, LI Jingzhao, ZHANG Chuanjiang, et al. Lightweight CNN and its application in coal mine intelligent video surveillance[J]. Industry and Mine Automation, 2020, 46(12): 13-19. doi: 10.13272/j.issn.1671-251x.17674
Citation: XU Zhi, LI Jingzhao, ZHANG Chuanjiang, et al. Lightweight CNN and its application in coal mine intelligent video surveillance[J]. Industry and Mine Automation, 2020, 46(12): 13-19. doi: 10.13272/j.issn.1671-251x.17674

轻量化CNN及其在煤矿智能视频监控中的应用

doi: 10.13272/j.issn.1671-251x.17674
基金项目: 

国家自然科学基金资助项目(51874010)

物联网关键技术创新团队项目(201950ZX003)

淮北矿业集团国家级技术中心计划项目(2020ZDYF013)

详细信息
  • 中图分类号: TD67

Lightweight CNN and its application in coal mine intelligent video surveillance

  • 摘要: 煤矿井下海量的监控视频通过以太网传输至云计算中心进行集中处理,存在高延迟、高成本、高网络带宽占用等问题。针对上述问题,以深度可分离卷积为核心构建了轻量化卷积神经网络(CNN)模型,并通过引入残差结构对轻量化CNN模型进行优化,以提升模型对图像的特征提取能力。针对煤矿井下复杂的光照环境导致监控视频图像对比度低、影响模型识别准确率的问题,采用限制对比度直方图均衡化(CLAHE)算法提高图像的亮度和对比度,以提升模型的识别效果。将轻量化CNN模型经STM32Cube AI压缩后部署在嵌入式平台上,设计了基于轻量化CNN模型的视频监控终端,对煤矿井下监控视频在本地进行实时智能处理,实现井下违章行为实时识别和报警。实验结果表明,通过引入残差结构对轻量化CNN模型进行优化,以及采用CLAHE算法进行图像增强后,模型对煤矿井下各种违章行为的识别准确率能够达到95%以上,提升了对违章行为响应的实时性。

     

  • 加载中
计量
  • 文章访问数:  35
  • HTML全文浏览量:  4
  • PDF下载量:  6
  • 被引次数: 0
出版历程
  • 刊出日期:  2020-12-20

目录

    /

    返回文章
    返回