【技术实现步骤摘要】
本专利技术一般地涉及神经网络领域。更具体地，本专利技术涉及一种矿内矿工异常行为检测方法。
技术介绍
1、矿工行为检测是一种应用于矿业领域的技术，旨在监测和分析矿工在工作环境中的行为，以提高工作安全性、效率和管理。这种技术通常利用传感器、监控摄像头、机器学习等技术，以实时或离线的方式对矿工的行为进行监测和分析。
2、现有矿工行为检测方法，但是由于矿洞内光照效果不好，导致对矿工行为检测不准确。进而可能引发安全事故；进而需要进行图像光照增强，以提高矿工行为检测准确率，通过现有技术进行图像光照增强，但是在进行图像光照增强时，是整个图像进行光照增强，并不能保证图像增强后，能够提高图像中矿工异常行为识别的识别率。
技术实现思路
1、为解决上述一个或多个技术问题，本专利技术提出神经网络模型方式，对矿工异常行为检测，以提高图像中矿工异常行为识别的识别率，为此，本专利技术在如下的多个方面中提供方案。
2、一种矿内矿工异常行为检测方法，包括：采集矿内视频数据，获取单个监控视频数据进行抽帧，并进行预处理，得到矿内图像的灰度图像，计算连续两帧灰度图像之间的变化量图像，得到帧差图像；对所述帧差图像使用开运算去除噪声，使用连通域提取算法，得到帧差图像的连通域；对所述连通域使用骨架化算法，提取连通域的中心脊线；对所述帧差图像使用颜色空间转换方法，获取矿工与背景的边界线图像中边界像素点的值；根据所述帧差图像计算各个像素点的权重值，根据所述边界像素点的权重进行二分类，得到高权重值聚类簇和低权
3、在一个实施例中，对所述帧差图像使用颜色空间转换方法，获取矿工与背景的边界线图像中边界像素点的值，包括：
4、根据所述灰度图像转化到色彩空间，得到所述灰度图像中各个像素点对应色彩空间的值和坐标值，将所述色彩空间的值和坐标值组成4维向量，对所有所述色彩空间的像素点的单个维度进行归一化处理；
5、对所述归一化后的4维向量使用密度聚类算法进行聚类，得到多个聚类簇，对每个所述聚类簇使用分类编号进行单独提取，得到聚类簇的连通域，根据所述连通域使用边缘检测算法，得到每个聚类簇的边缘像素点序列，对所有所述边缘像素点序列进行取或运算，得到灰度图像的边界线图像，其中，所述边界线图像中属于边界像素点的值为1，其余像素点值为0。
6、在一个实施例中，根据所述帧差图像计算各个像素点的权重，包括：
7、将所述边界线图像中的边界像素点属于帧差图像中有值像素点的值设为0，得到去除所述边界线图像中帧差图像的有值部分像素点的边界像素点，得到边界曲线；
8、根据所述边界曲线上各个像素点到帧差图像中连通域边缘像素点的最小欧式距离值的像素点；得到所述边界曲线上每个像素点和帧差图像中连通域的中心脊线像素点中具有最小距离值的像素点之间的距离值；
9、计算每个像素点的海森矩阵和帧差图像中连通域的中心脊线像素点的最小距离值的像素点的海森矩阵的差值，得到像素点之间的曲线变化的近似性；
10、根据所述距离值和曲线变化的近似性，得到各个像素点对应的权重值。
11、在一个实施例中，所述各个像素点对应的权重值满足下述关系式：
12、
13、其中，表示第时刻对应的第个像素点的权重值，表示第时刻对应的第个像素点和第个像素点之间的最小距离值，表示第时刻对应的第个像素点和第个像素点之间的曲线变化的近似性。
14、在一个实施例中，根据所述边界像素点的权重进行二分类，得到高权重值聚类簇和低权重值聚类簇，得到各个像素点的增强权重值，包括：
15、对所述边界像素点进行二分类，得到多个高权重值聚类簇和低权重值聚类簇，根据所述高权重值聚类簇的中心脊线，得到任意一个像素点的邻域像素点属于中心脊线的像素点个数；
16、根据所述中心脊线的像素点个数，使用最短路径规划方法，以权重值的负相关映射值为路径权重，将最短路径作为两个像素点之间的连线，将相邻两个所述高权重值聚类簇以最短路径进行连线，得到环状高权重值聚类簇；其中，所述环状高权重值聚类簇以外为低权重值聚类簇；
17、对所述环状高权重值聚类簇使用形态学填充法，计算所述环状高权重值聚类簇内所有像素点对应的权重值的均值，作为填充后所述环状高权重值聚类簇内各个像素点的权重值；
18、将低权重值聚类簇内所有像素点对应的权重值的均值，作为填充后的低权重值聚类簇内各个像素点权重值；
19、对所述距离值中所有边界像素点使用高斯滤波进行数据平滑，得到各个像素点的增强权重值。
20、在一个实施例中，所述空间一致误差值满足下述关系式：
21、
22、其中，表示空间一致误差值，表示总像素点个数，是对像素的遍历，是第个像素的4邻域，表示分别是增强图像和输入图像，表示第个像素的增强图像，表示4邻域中第个邻域的增强图像，表示第个像素的输入图像，表示4邻域中第个邻域的输入图像，表示第个像素点对应的权重值。
23、在一个实施例中，所述光照平滑误差值满足下述关系式：
24、
25、其中，表示光照平滑误差值，表示总像素点个数，表示迭代次数，表示对的遍历，表示8邻域中对三通道的遍历，表示水平梯度算子，表示垂直的梯度算子，表示第个像素点对应的权重值。
26、在一个实施例中，所述总误差值满足下述关系式：
27、
28、其中，表示总误差，表示第1权重值，表示空间一致误差值，表示第2权重值，表示曝光控制误差值，表示第3权重值，表示颜色恒定误差值，表示第4权重值，表示光照平滑误差值。
29、在一个实施例中，根据所述增强图像，完成矿内矿工的异常行为检测，包括：
30、根据实时获取的矿内视频数据的增强图像，输入训练完成的实时对象检测模型网络中，根据检测结果完成当前矿工异常行为检测。
31、本专利技术具有以下效果：
32、1.本专利技术通过结合矿洞动态信息以用于zero-dce网络的优化，实现了zero-dce网络在进行光照增强时，对动态信息的增强，提高动态信息增强后的清晰度，更进一步提高了对矿工行为识别的准确率。
33、2.本专利技术通过边界曲线上每个像素点和中心脊线像素点中具有最小距离值的像素点之间的距离值越小，得到像素点越接近具有动态行为信息的矿工，在灰度图像中得到矿本文档来自技高网...
【技术保护点】
1.一种矿内矿工异常行为检测方法，其特征在于，包括：
2.根据权利要求1所述的一种矿内矿工异常行为检测方法，其特征在于，对所述帧差图像使用颜色空间转换方法，获取矿工与背景的边界线图像中边界像素点的值，包括：
3.根据权利要求2所述的一种矿内矿工异常行为检测方法，其特征在于，根据所述帧差图像计算各个像素点的权重，包括：
4.根据权利要求3所述的一种矿内矿工异常行为检测方法，其特征在于，所述各个像素点对应的权重值满足下述关系式：
5.根据权利要求3所述的一种矿内矿工异常行为检测方法，其特征在于，根据所述边界像素点的权重进行二分类，得到高权重值聚类簇和低权重值聚类簇，得到各个像素点的增强权重值，包括：
6.根据权利要求1所述的一种矿内矿工异常行为检测方法，其特征在于，所述空间一致误差值满足下述关系式：
7.根据权利要求1所述的一种矿内矿工异常行为检测方法，其特征在于，所述光照平滑误差值满足下述关系式：
8.根据权利要求1所述的一种矿内矿工异常行为检测方法，其特征在于，所述总误差值满足下述关系式：
...【技术特征摘要】
1.一种矿内矿工异常行为检测方法，其特征在于，包括：
2.根据权利要求1所述的一种矿内矿工异常行为检测方法，其特征在于，对所述帧差图像使用颜色空间转换方法，获取矿工与背景的边界线图像中边界像素点的值，包括：
3.根据权利要求2所述的一种矿内矿工异常行为检测方法，其特征在于，根据所述帧差图像计算各个像素点的权重，包括：
4.根据权利要求3所述的一种矿内矿工异常行为检测方法，其特征在于，所述各个像素点对应的权重值满足下述关系式：
5.根据权利要求3所述的一种矿内矿工异常行为检测方法，其特征在于，根据所述边界像素...
【专利技术属性】
技术研发人员：周唯一，黄良冰，顾北方，张民波，雷克江，
申请(专利权)人：武汉工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。