基于机器视觉的运煤皮带异物识别方法研究

摘要

皮带运输机是煤炭井下运输的关键设备，大块矸石、铁器（锚杆、角钢）等非煤异物进入运煤皮带系统容易引发输送带划伤、撕裂等严重事故，不仅会影响煤矿的安全生产，而且会造成十分惨重的经济损失。针对这个问题，本文主要研究基于机器视觉的运煤皮带异物识别方法，分析总结图像增强方法和深度学习目标检测框架Faster-RCNN的运算过程，结合矿井皮带监控图像特性，研究基于Retinex的井下图像的增强方法并改进Faster-RCNN中相关处理过程。 首先，了解Retinex图像增强算法理论背景和基本思想，从实现方式和算法性能等方面分析总结经典的基于路径的Retinex算法和基于中心/环绕的Retinex算法，分析研究井下皮带运输机监控图像的特性，提出基于Retinex算法的井下图像增强方法，使用引导滤波获取图像的照度分量和反射分量，引入一种S型曲线模型均匀化图像照度分布，并对图像对比度进行CLAHE自适应均衡，融合调整后的照度分量和反射分量获取最终增强图像。实验验证，本文提出的基于Retinex算法的井下图像增强方法能较好的平衡图像亮度，改善图像细节显示，提升图像质量。 图像增强算法给异物检测模型提供了良好的数据基础。分析深度学习目标检测框架Faster-RCNN中图像特征利用、RPN候选框生成和候选框筛选等处理过程，针对多尺度目标检测的问题，在分析现有图像特征利用框架的基础上，提出双向特征金字塔网络（DSFPN），利用自顶向下和自底向上两个过程实现一种新的图像特征多尺度融合方式。Faster-RCNN中图像特征图经RPN时约生成20K个anchor候选框，如何筛选出目标表征性强的候选框对目标检测的效率和精准度有着较大的影响，针对这个问题，分析总结原始Faster-RCNN中非极大值抑制和硬阈值的候选框筛选方法，提出联合IoU和特征差异性分析的候选框筛选方法（PSIF），经多组实验分析验证，本文提出的FRCNN+DSFPN+PSIF目标检测框架能有效提升目标检测的精准度，在运煤皮带异物识别中有一定的适用性和应用价值。 该论文有图33幅，表6个，参考文献91篇。

目录

声明

致谢

图清单

表清单

变量注释表

1 绪论

1.1研究背景及意义（Research Background and Significance）

1.2.1 皮带防护及非煤异物检测

1.2.2 机器视觉目标检测

1.3研究内容（Research Contents）

1.4本文结构（Thesis Structure）

2 图像处理与机器视觉

2.1图像基础特征（Image Basic Feature）

2.1.1 颜色特征

2.1.2 纹理特征

2.1.3 形状特征

2.1.4 空间关系特征

2.2卷积神经网络（Convolutional Neural Network）

2.2.1 卷积层

2.2.2 池化层

2.2.3 激活函数

2.2.4 深度卷积神经网络

2.3 深度学习目标检测模型（ Object Detection Based on Deep Learning）

2.3.1R-CNN与Fast R-CNN

2.3.2 Faster-RCNN

2.4 本章小结（Chapter Summary）

3 基于Retinex的井下图像增强

3.1.1 Retinex理论基础

3.1.2 基于路径的Retinex算法

3.1.3 基于中心环绕的Retinex算法

3.2 基于Retinex的井下图像增强（Downhole Image Enhancement Basedon Retinex）

3.2.1 导向图滤波及照度分量提取

3.2.2 照度分量均匀化调整

3.2.3 图像对比度增强及分量融合

3.3实验结果分析（Analysis of Results）

3.4本章小结（Chapter Summary）

4 双向特征金字塔网络

4.1多尺度目标检测研究概述（Overview of Multi-Scale Object Detection Research）

1. 利用卷积神经网络最后一层的输出特征

2. 图像金字塔

3. 基于SSD的多层特征融合

4. 基于FPN的多层特征融合检测

4.2双向特征金字塔网络（Double-Sided Feature Pyramid Networks）

4.2.1 DSFPN及其在RPN中的实现

4.2.2 DSFPN在Fast-RCNN中的实现

4.3.1 实验数据集

4.3.2 实验结果分析

4.4本章小结（Chapter Summary）

5 联合IoU和特征差异性分析的候选框筛选

5.1Faster-RCNN中的候选框筛选（Proposal Box Selectin Faster-RCNN）

5.1.1 非极大值抑制

5.1.2 NMS的局限性

5.2联合IoU和特征差异分析的候选框筛选（Proposal Box Select by IoU and Feature Difference）

5.2.1 特征相似性度量及交并比

5.2.2 联合IoU和特征差异分析的候选框筛选方法

5.3实验设置及结果分析（Experimen and Results Analysis）

5.4本章小结（Chapter Summary）

6 总结与展望

6.1 总结（Conclusions）

6.2 展望（Prospects）

参考文献

作者简历

学位论文原创性声明

学位论文数据集