声明
致谢
变量注释表
1 绪论
1.1 研究背景
1.2 研究意义
1.3.1 图像识别研究现状
1.3.2 深度学习理论研究现状
1.3.3 基于深度学习目标识别研究现状
1.4 研究内容、方法及技术路线
1.4.1 研究内容
1.4.2 研究方法
1.4.3 技术路线
1.5 本章小结
2 煤矿运输系统异物管理现状及识别方法选择
2.1煤矿的复杂环境论述
2.2煤矿皮带运输机结构
2.3.1 异物来源
2.3.2 异物危害
2.3.3 异物去除方法
2.4 基于深度学习异物识别的可行性与优势
2.4.1 基于深度学习的皮带运输异物识别可行性
2.4.2 基于深度学习目标检测的优势
2.5 本章小结
3 基于图像处理的异物识别方法数据分析
3.1 图像滤波
3.2 图像增强
3.2.1 直方图均衡化
3.2.2 自适应图像均衡化
3.3 图像标注
3.3.1 确定数据格式
3.3.2 利用LabelImg标注图像
3.4 本章小结
4 基于 Faster R-CNN 的异物识别检测
4.1 目标检测算法的确定
4.2.1 特征提取网络的确定
4.2.2 特征提取网络的构建
4.3 RPN网络的构建与优化
4.3.1 构建RPN网络结构
4.3.2 获取候选区域的方法改进
4.3.3 损失函数选择
4.4 构建 Fast R-CNN 网络结构
4.4.1 图像归一化处理
4.4.2 确定损失函数
4.5 目标识别结果分析
4.5.1 深度学习框架选择
4.5.2 检测结果定量分析
4.5.3 检测结果视觉效果
4.6 本章小结
5 基于深度学习的异物识别实施效益及建议
5.1 异物识别实施效益
5.1.1 减少作业人员和设备事故产生的效益
5.1.2 提高煤炭质量产生的效益
5.1.3 保护环境生态产生的效益
5.2 异物识别实施建议
5.2.1 煤矿物联网硬件设备投入建议
5.2.2 人员投入建议
5.2.3 组织管理方式建议
5.3 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
作者简介
学位论文原创声明
学位论文数据集
中国矿业大学中国矿业大学(江苏);