一种矿井架空乘人装置人员违规携带物品的检测方法及系统制造方法及图纸

一种矿井架空乘人装置人员违规携带物品的检测方法及系统，首先使用主干特征提取模块和特征加强融合模块对物品特征进行收集，通过以

【技术实现步骤摘要】
一种矿井架空乘人装置人员违规携带物品的检测方法及系统


[0001]本专利技术属于矿井违禁物品检测领域，具体涉及一种矿井架空乘人装置人员违规携带物品的检测方法及系统
。

技术介绍

[0002]矿架空乘人装置，是一种用于在矿井中进行人员运输的设备
。
它的主要用途是提供安全
、
高效的人员运输服务，以满足煤矿生产和作业需求，矿工在乘坐架空乘人装置的过程中，常存在违规携带超长
、
超宽甚至超重工具或者材料的情况发生，致使存在各种安全隐患，如不及时检测和识别报警，将会产生重大人员伤害事故
。
通过对矿工在乘坐架空乘人装置的过程中的违规携带物品进行检测一方面可以及时察觉到人员携带超长
、
超宽或超重工具的情况，并立即采取措施阻止其上车，助于避免人员伤亡事故的发生，保障乘坐人员和装置的安全，维护架空乘人装置的正常运行
。
另一方面，可以减少对架空乘人装置和相关设备的损坏风险，这有助于延长装置的使用寿命，降低维修成本，提高生产效率
。
[0003]专利号为
CN116310575A
的一种基于卷积神经网络的连续太赫兹波违禁物品图像分类方法，然而，受到条件恶劣
、
能见度低
、
工作功率受限等限制因素影响，并不适用于矿井，其需要进行针对性调整或重新构建新模型
。
同时，传统的目标检测需要大量已标注的标签，这需要大量的人力资源和时间成本
。/>大部分煤矿的应用环境和待检测目标并不全完相同，如果使用传统目标检测方法，则需要对每个煤矿都制作针对性标签，其成本则进而更加无可估量
。
目前，解决环境影响的各种方法中效果最好的网络为域自适应的目标检测，但是由于其固有的实时性差
、
计算量大和功率高等各种问题，在工业中并不适用
。
因此，如何针对矿井的特殊应用场景，综合考虑精度和速度，开发矿井专用的目标检测算法成为一个非常有意义和价值的课题
。

技术实现思路

[0004]针对上述矿井架空乘人装置违规物品检测技术存在的问题以及需求，本专利技术提出了一种矿井架空乘人装置人员违规携带物品的检测方法及系统
。YOLO
系列是当前工业中使用最广的目标检测算法，其网络结构主要包括三个部分：主干特征提取层
、
特征加强融合层以及最后的检测分类层，本专利技术针对
YOLO
系列算法进行改进，在
YOLO
系列算法的基础上将已知装置的视觉特征通过文本语义等辅助信息迁移到难以获取的违规状态中，在对模型进行训练时本专利技术以
YOLOv8m
为教师模型
、YOLOv8s
为学生模型，对特征加强融合模块的输出添加知识蒸馏模块；其次，相较于传统网络，针对上下文信息在迁移学习中更加重要的特点，本专利技术以可扩张卷积和空洞卷积为基础，设计了一种上下文和细节感知模块，常规空洞卷积模块通常使用不同扩张率的三个卷积串联，以此得到上下文信息，本专利技术将三者串联更改为并联，并添加残差连接；再其次，在通过视觉和语义辅助信息增强模块对模型进行进一步的训练，实现对物品信息进一步划分；最后，对
YOLOv8
的分类损失进行改进：对投影矩阵进行针对性额外训练，将一对文本
‑
图像对同时输入网络中，并计算它们在嵌入空间中的
两个向量之间的距离，以其作为分类损失中的额外项
。
经上述步骤处理之后的信息流入报警系统，如若分类属于违规品则报警器报警
。
[0005]一种矿井架空乘人装置人员违规携带物品的检测方法及系统，包括下列步骤：步骤1：通过工业相机对矿井架空乘人装置待检测区域的图像信息进行收集，预处理后将工业相机收集到的信息传输到计算机进行进一步的处理，以
YOLOv8m
为教师模型
、YOLOv8s
为学生模型，作为主干提取模块，并将不同尺寸的特征输入不同规模的
YOLOv8
解耦检测头；步骤2：以可扩张卷积和空洞卷积为基础，得到上下文和细节感知模块辅助模型自主学习重要的细节信息；步骤3：将步骤2获得的信息通过辅助信息加强模块对已知矿产和未知的违规行为进行进一步分析，以此对物品进行进一步分类；步骤4：将定位回归的网络结构进行冻结且不参与训练，完全使用原网络训练的参数和结构，将模型得到的信息进行定位；步骤5：将步骤3得到的分类信息和步骤4得到的定位信息传输到警报系统，如果信息属于违规物品，则警报系统报警
。
[0006]与现有的矿井架空乘人装置人员违规携带物品的检测方法及系统相比，本专利技术有以下改进和优点：（1）受到条件恶劣
、
能见度低
、
工作功率受限等限制因素影响，很多常规目标检测算法并不适用于矿井，其需要进行针对性调整或重新构建新模型，本专利技术通过利用视觉信息外的辅助信息，可以提升目标检测模型的鲁棒性和适应力，将辅助信息加强网络和目标检测网络这两个不同的深度学习网络进行结合，来改善现今目标检测网络中普遍存在的缺陷，提升网络的性能
。
[0007]（2）现有应用的网络泛化能力不够，如若没有大量的针对性标签，难以达到矿场和相关工业的要求，通过辅助信息来加强其鲁棒性能够大幅减少对大量的已标注标签的依赖，正是由于辅助信息能够加强网络的特征提取与强化，进而得到鲁棒性更强的网络，所以将辅助信息加强网络加入目标检测网络一起进行检测，相比于传统目标检测，能够大幅度提升目标检测网络在特定场景下的识别性能
。
[0008]（3）现有检测技术中可以解决环境影响的各种方法中效果最好的网络为域自适应的目标检测，但是由于其固有的实时性差
、
计算量大和功率高等各种问题，在工业中并不适用，相较于相同运行速度的同类算法，本专利技术使用的知识蒸馏能大幅提升精度，使其满足相关工业的各项要求，同时，本专利技术将常规空洞卷积的串联结构更改为并联，并将其中的普通3×3卷积替换为可变形卷积，能够进一步获取上下文信息并提高模型的检测精度
。
附图说明
[0009]图1为本专利技术实施例中系统及装置的示意图
。
[0010]图2为本专利技术实施例中违规物品检测识别流程图
。
[0011]图3为本专利技术实施例中主干特征提取模块和特征加强融合模块框架图
。
[0012]图4为本专利技术实施例中蒸馏模块结构图
。
[0013]图5为本专利技术实施例中上下文提取模块结构图
。
[0014]图6为本专利技术实施例中辅助信息加强模块结构图
。
[0015]图7为本专利技术实施例中分类模块结构图
。
具体实施方式
[0016]下面结合说明书附图对本专利技术的技术方案做进一步的详细说明
。
[0017]本方法采用的检测装本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种矿井架空乘人装置人员违规携带物品的检测方法，其特征在于：所述方法包括下列步骤：步骤1：通过工业相机对矿井架空乘人装置待检测区域的图像信息进行收集，预处理后将工业相机收集到的信息传输到计算机进行进一步的处理，以
YOLOv8m
为教师模型
、YOLOv8s
为学生模型，作为主干提取模块，并将不同尺寸的特征输入不同规模的
YOLOv8
解耦检测头；步骤2：以可扩张卷积和空洞卷积为基础，得到上下文和细节感知模块辅助模型自主学习重要的细节信息；步骤3：将步骤2获得的信息通过辅助信息加强模块对已知矿产和未知的违规行为进行进一步分析，以此对物品进行进一步分类；步骤4：将定位回归的网络结构进行冻结且不参与训练，完全使用原网络训练的参数和结构，将模型得到的信息进行定位；步骤5：将步骤3得到的分类信息和步骤4得到的定位信息传输到警报系统，如果信息属于违规物品，则警报系统报警
。2.
根据权利要求1所述的一种矿井架空乘人装置人员违规携带物品的检测方法，其特征在于：步骤1中以
YOLOv8m
为教师模型
、YOLOv8s
为学生模型，对特征加强融合模块的输出添加知识蒸馏模块，将主干特征提取模块的浅层特征和深层特征通过特征加强融合模块来将二者融合
。3.
根据权利要求1所述的一种矿井架空乘人装置人员违规携带物品的检测方法，其特征在于：步骤2中，使用可变形卷积代替常规空洞卷积模块，辅助模型自主学习重要的细节信息并将各分支同一位置的1×1卷积的权重共享
。4.
根据权利要求3所述的一种矿井架空乘人装置人员违规携带物品的检测方法，其特征在于：将常规空洞卷积模块的三个不同扩张率的卷积由串联更改为并联，添加残差连接
。5.
根据权利要求1所述的一种矿井架空乘人装置人员违规携带物品的检测方法，其特征在于：在步骤3和步骤4中，在辅助信息加强模块训练时，首先分别训练已知矿产的视觉特征与语义特征，并分别使用投影矩阵将其投影到
C
Emb
维度的公共嵌入空间；其次，将未知的违规行为由已知行为的视觉信息和额外辅助信息线性表示，同时将
YOLOv8
分类模块中的卷积层输出由
C

【专利技术属性】
技术研发人员：程德强，胥星辰，寇旗旗，陈亮亮，宋天舒，江鹤，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：