基于多任务学习的矿井下传送带状态和人员检测方法技术

本发明专利技术涉及一种基于多任务学习的矿井下传送带状态和人员检测方法，属于计算机领域。该方法包括以下步骤：S1：融合光流信息的视频目标检测；S2：基于tow

【技术实现步骤摘要】
基于多任务学习的矿井下传送带状态和人员检测方法


[0001]本专利技术属于计算机领域，涉及基于多任务学习的矿井下传送带状态和人员检测方法。

技术介绍

[0002]在煤矿生产中煤矿下传送带区域是一个危险区域，在设备运行时清理煤堆和浮煤，极易 造成机械设备伤人事故，造成伤残甚至危及生命。为保证矿井和工作人员的安全，通过技术 手段对危险区域入侵行为进行识别并警示是很有必要的。然而，现有的危险区域入侵检测方 法仅对视频中的人员进行检测，并未对危险区域进行判断，以至于不能做出正确的分析和预 警。本专利技术提出的传送带状态和人员检测的方法利用深度学习的方式同时实现传送带的状态 分析和人员位置的检测。
[0003]目前传送带状态和人员入侵检测的比较成熟的方法一般是将传感器的检测和视频检测方 法结合使用。传感器对环境要求比较高，这样的技术可以适用于一般的视频监控系统场景， 但是无法适用于生产恶劣的煤矿环境。而视频监控系统在不同的环境下的表现比较鲁棒，所 以提出一种基于监控视频的检测方法对传送带的状态进行判断。针对于传送带状态的判断， 传统的方法是利于背本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多任务学习的矿井下传送带状态和人员检测方法，其特征在于：该方法包括以下步骤：S1：融合光流信息的视频目标检测；S2：基于tow
‑
stream方法的传送带状态分类；S3：基于多任务学习的矿井下人员和传送带状态检测方法的训练。2.根据权利要求1所述的基于多任务学习的矿井下传送带状态和人员检测方法，其特征在于：所述S1具体为：对于输入的帧序列I
t
‑
n
，......，I
t
‑1I
t
，I
t+1
，......，I
t+n
，对于每一帧图像首先通过多层卷积提取对应的图像特征f
t
，同时利用光流网络F计算出两帧之间的光流估计Δp，然后利用双线性插值算法W，将光流估计映射到对应的特征中的q位置上：Δp＝F(I
t
‑
n
，I
t
)(p)f
t
‑
n
→
t
＝W(f
t
‑1，f(I
t...

【专利技术属性】
技术研发人员：韩宗芫，周祥东，张丽君，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：