【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及計算機視覺識別，具體涉及一種基于改進的yolo?v8n算法的智能井下鉆桿計數(shù)方法。
技術(shù)介紹
1、在煤炭開采領(lǐng)域，瓦斯安全至關(guān)重要。隨著開采深度的增加，瓦斯積聚和爆炸風(fēng)險日益上升。為此，鉆孔抽取技術(shù)成為降低瓦斯?jié)舛取㈩A(yù)防爆炸事故的關(guān)鍵手段。該技術(shù)依賴于鉆桿的數(shù)量來確保鉆孔深度，進而影響瓦斯抽采效果。隨著煤層瓦斯含量和壓力的增大，準(zhǔn)確統(tǒng)計鉆桿數(shù)量變得尤為重要。這不僅是保障瓦斯抽采充分性和有效性的基礎(chǔ)，也是確保煤礦安全生產(chǎn)的必要措施。因此，高效、準(zhǔn)確地統(tǒng)計鉆桿數(shù)量對煤礦瓦斯安全管理具有重大意義。
2、隨著礦井智能化技術(shù)的不斷進步，傳統(tǒng)的鉆桿計數(shù)方法逐漸暴露出諸多局限性。人工計數(shù)法雖然直接但效率低下，且易受到人為因素的干擾，存在虛報鉆孔深度的隱患儀器計數(shù)法雖提高了自動化程度，但其在惡劣環(huán)境下設(shè)備易損壞，且使用范圍受限。應(yīng)力波法雖然原理上可行，但波速校準(zhǔn)過程復(fù)雜，且難以控制波的能量以滿足煤礦安全防爆要求。電駐波法則面臨著波的能量控制和儀器中電信號可能引發(fā)的風(fēng)險。因此，為了滿足礦井安全、高效的生產(chǎn)需求，迫切需要探索新的鉆桿計數(shù)技術(shù)，以提升礦井生產(chǎn)的智能化水平和安全性能。
3、隨著煤礦智能化建設(shè)的不斷深入，對工作效率、安全性和智能化的要求日益提高。計算機視覺技術(shù)作為一種能夠自動從圖像或視頻中獲取信息并進行分析理解的技術(shù)，為煤礦生產(chǎn)帶來了革命性的變革。
技術(shù)實現(xiàn)思路
1、針對上述存在的技術(shù)不足，本專利技術(shù)的目的是提供一種基于改進的yolo?v8n算法的智能井
2、為解決上述技術(shù)問題，本專利技術(shù)采用如下技術(shù)方案：
3、本專利技術(shù)提供一種基于改進的yolo?v8n算法的智能井下鉆桿計數(shù)研究方法，包括以下步驟：
4、步驟1：獲取井下打鉆桿圖像并對圖像進行預(yù)處理，得到預(yù)處理后的圖像；
5、步驟2：基于yolo?v8n網(wǎng)絡(luò)模型結(jié)構(gòu)，引入dyhead模塊、ema模塊和inner-wiou損失函數(shù)，構(gòu)建鉆桿計數(shù)網(wǎng)絡(luò)模型；
6、步驟3：運用deepsort算法對圖像里檢測到的person、drill?rod和drillingmachine種類進行目標(biāo)跟蹤；
7、步驟4：計算person與drill?rod的iou值是否大于設(shè)定閾值1，若大于則進行下一步判斷，若小于則返回跟蹤；
8、步驟5：判斷drill?rod與drilling?machine的iou值是否大于設(shè)定閾值2，若大于則計數(shù)加1，若小于則返回跟蹤。
9、優(yōu)選地，所述步驟1中獲取井下打鉆桿圖像并對圖像進行預(yù)處理，得到預(yù)處理后的圖像，具體包括：
10、對井下鉆干視頻進行分幀間隔，得到圖像數(shù)據(jù)，對圖像進行水平旋轉(zhuǎn)、垂直旋轉(zhuǎn)、亮度增強和增加噪聲等預(yù)處理。
11、優(yōu)選地，所述步驟2基于yolo?v8n網(wǎng)絡(luò)模型結(jié)構(gòu)，引入dyhead模塊、ema模塊和inner-wiou損失函數(shù)，構(gòu)建鉆桿計數(shù)網(wǎng)絡(luò)模型，具體包括：
12、(1)將yolo?v8n的檢測頭替換為dyhead(dynamic?head)可以顯著提升模型的性能。dyhead通過動態(tài)卷積和多尺度特征融合模塊，增強了特征融合能力，使得模型能夠更好地捕捉細節(jié)并提高檢測精度。
13、(2)添加ema(efficient?multi-scaleattention)注意力機制的策略。這一機制旨在剔除網(wǎng)絡(luò)中的冗余特征，同時保留并強化那些對目標(biāo)檢測至關(guān)重要的特征信息。
14、(3)提出一種將ciou損失函數(shù)替換為inner-iou和wiou?v3結(jié)合改進的inner-wiouv3損失函數(shù)，提高精度并加快邊界框(或識別框)的回歸速度。
15、優(yōu)選地，所述步驟3運用deepsort算法對圖像里檢測到的person、drill?rod和drilling?machine種類進行目標(biāo)跟蹤，具體設(shè)計步驟如下：
16、(1)deepsort為每一個首次檢測到的目標(biāo)(person、drill?rod或drillingmachine)分配一個唯一的id，并初始化新的軌跡，初始狀態(tài)設(shè)為“未確認”。
17、(2)將后續(xù)幀中檢測到的目標(biāo)與已有的軌跡進行匹配，基于iou(交并比)和外觀特征。匹配結(jié)果分為三種：軌跡失配(軌跡沒有匹配的檢測目標(biāo))、檢測失配(檢測到的目標(biāo)沒有匹配的軌跡)和軌跡匹配(檢測目標(biāo)與軌跡成功匹配)。
18、(3)對于“未確認”的軌跡，如果連續(xù)多幀與檢測目標(biāo)匹配成功，則將其狀態(tài)更新為“確認”。“確認”狀態(tài)的軌跡將進行級聯(lián)匹配，優(yōu)先匹配最近成功匹配的軌跡。
19、(4)使用卡爾曼濾波器預(yù)測下一幀中每個目標(biāo)的位置。如果檢測到目標(biāo)移動或狀態(tài)變化，則更新對應(yīng)軌跡的信息。
20、優(yōu)選地，所述步驟4中計算person與drill?rod的iou值是否大于設(shè)定閾值1，若大于則進行下一步判斷，若小于則返回跟蹤，具體步驟如下：
21、
22、其中，intersectionarea是兩個邊界框的重疊區(qū)域的面積，unionarea是兩個邊界框的并集區(qū)域的面積。計算步驟左上角坐標(biāo)：(max(x1a,x1b),max(y1a,y1b))，右下角坐標(biāo)：(min(x2a,x2b),min(y2a,y2b))
23、交集區(qū)域面積：intersection?area＝max(0,xright-xleft)×max(0,ybottom-ytop)
24、并級區(qū)域面積：union?area＝area?a+area?b-intersection?area
25、通過計算person和drillrod之間的iou值，并結(jié)合預(yù)設(shè)閾值1，進行下一步判斷。
26、優(yōu)選地，所述步驟5中的判斷drillrod與drillingmachine的iou值是否大于設(shè)定閾值2，若大于則計數(shù)加1，若小于則返回跟蹤，其計算過程同步驟4若結(jié)果大于設(shè)定閾值2則計數(shù)加1，若小于則繼續(xù)跟蹤。
27、相比較于現(xiàn)有技術(shù)，本專利技術(shù)的有益效果在于：
28、1、在復(fù)雜的井下環(huán)境中，特別是在存在視覺干擾和不確定性的情況下，yolov8-改通過其優(yōu)化的目標(biāo)檢測算法，能夠更準(zhǔn)確地識別和計數(shù)鉆桿。
29、2、這種改進的技術(shù)有效地補償了傳統(tǒng)計數(shù)方法中的缺陷，如人為錯誤和視覺干擾的影響。此外，改進的yolo?v8n實現(xiàn)了快速且高效的目標(biāo)檢測，使得智能系統(tǒng)能夠在幾乎實時的時間內(nèi)處理圖像數(shù)據(jù)并給出準(zhǔn)確的鉆桿計數(shù)結(jié)果。
30、3、這種實時性不僅提高了工作效率，也為操作員提供了及時的決策支持，具有實際的應(yīng)用價值。
本文檔來自技高網(wǎng)...【技術(shù)保護點】
1.一種基于改進的YOLO?v8n算法的智能井下鉆桿計數(shù)方法，其特征在于：所述計數(shù)方法包括以下步驟：
2.如權(quán)利要求1所述的一種基于改進的YOLO?v8n算法的智能井下鉆桿計數(shù)研究方法，其特征在于，所述步驟1具體包括：對井下鉆桿視頻進行分幀間隔，得到圖像數(shù)據(jù)，對圖像進行水平旋轉(zhuǎn)、垂直旋轉(zhuǎn)、亮度增強和增加噪聲預(yù)處理。
3.如權(quán)利要求1所述的一種基于改進的YOLO?v8n算法的智能井下鉆桿計數(shù)研究方法，其特征在于，所述步驟2中引入Dyhead模塊、EMA模塊和Inner-WIoU損失函數(shù)，構(gòu)建鉆桿計數(shù)網(wǎng)絡(luò)模型，具體包括：
4.如權(quán)利要求1所述的一種基于改進的YOLO?v8n算法的智能井下鉆桿計數(shù)方法，其特征在于，所述步驟3對改進后的YOLO?v8n算法檢測到圖像中的person、drill?rod和drilling?machine種類，運用DeepSORT算法對其進行目標(biāo)跟蹤，其流程為：
5.如權(quán)利要求1所述的一種基于改進的YOLO?v8n算法的智能井下鉆桿計數(shù)研究方法，其特征在于，所述步驟4中，計算公式為：
6.如權(quán)利要求
...【技術(shù)特征摘要】
1.一種基于改進的yolo?v8n算法的智能井下鉆桿計數(shù)方法，其特征在于：所述計數(shù)方法包括以下步驟：
2.如權(quán)利要求1所述的一種基于改進的yolo?v8n算法的智能井下鉆桿計數(shù)研究方法，其特征在于，所述步驟1具體包括：對井下鉆桿視頻進行分幀間隔，得到圖像數(shù)據(jù)，對圖像進行水平旋轉(zhuǎn)、垂直旋轉(zhuǎn)、亮度增強和增加噪聲預(yù)處理。
3.如權(quán)利要求1所述的一種基于改進的yolo?v8n算法的智能井下鉆桿計數(shù)研究方法，其特征在于，所述步驟2中引入dyhead模塊、ema模塊和inner-wiou損失函數(shù)，構(gòu)建鉆桿計數(shù)網(wǎng)絡(luò)模型，具體包括：
4.如權(quán)利要求1所述的一種基于改進的yolo?v8...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：馬磊，張員赫，王國慶，張鑫，楊春雨，周林娜，熊夢輝，趙建國，代偉，許璟，
申請(專利權(quán))人：中國礦業(yè)大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。