基于改进Mask R-CNN的刮板输送机铁质异物多目标检测

• Published in: 工矿自动化 Vol. 48; no. 10; pp. 55 - 61
• Main Authors: 史凌凯, 耿毅德, 王宏伟, 王洪利
• Format: Journal Article
• Language: Chinese
• Published: 山西焦煤集团有限责任公司 博士后工作站,山西 太原 030024 2022; 太原理工大学安全与应急管理工程学院,山西太原 030024; 山西焦煤集团有限责任公司 博士后工作站,山西 太原 030024%太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024; 太原理工大学机械与运载工程学院,山西太原 030024%太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024; 太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024%太原理工大学山西省煤矿智能装备工程研究中心,山西 太原 030024
• Subjects: 铁质异物; 刮板输送机; 多目标检测; 深度学习; k-meansⅡ聚类算法; MaskR-CNN
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.2022080029

TD634.2; 刮板输送机是煤矿井下的关键运输设备,铁质异物进入刮板输送机会引发磨损、断链等,甚至会造成停产、伤人等严重事故.现有刮板输送机异物识别方法存在对井下图像的适应性较差、无法区分异物类别与数量等问题.针对上述问题,提出了一种基于改进掩码区域卷积神经网络(Mask R-CNN)的刮板输送机铁质异物多目标检测方法.采用基于Laplace算子的图像增强算法对井下低照度、高粉尘环境下采集的图像进行预处理,对增强后的图像进行标注,制作数据集.采用Mask R-CNN模型的ResNet-50特征提取器获取铁质异物图像特征;采用特征金字塔网络进行特征融合,保证同时拥有高层的语义特征(如类别、属性等)和低层的轮廓特征(如颜色、轮廓、纹理等),以提高小尺度铁质异物识别精度;针对Mask R-CNN模型生成的锚点与待检测的铁质异物尺寸不对应的问题,对Mask R-CNN模型进行改进,采用k-means Ⅱ聚类算法代替原来的锚点生成方案,通过遍历数据集中标注框的长宽信息得到聚类中心 点,实现刮板输送机铁质异物多 目标检测.实验结果表明,改进Mask R-CNN模型对单张图像的平均检测时间为0.732 s,与Mask R-CNN,YOLOv5相比,分别缩短0.093,0.002 s;平均精度为 91.7％,与 Mask R-CNN,YOLOv5 相比,分别提高 11.4％,2.9％.