【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及目標(biāo)檢測，尤其涉及一種煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法。
技術(shù)介紹
1、隨著煤礦開采復(fù)雜程度的不斷提高，傳統(tǒng)的機(jī)械化、自動化開采技術(shù)已不能滿足開采效率和安全水平進(jìn)一步提高的要求。因此，自動化、智能化開采成為必然的發(fā)展趨勢。基于機(jī)器視覺對作業(yè)人員及設(shè)備進(jìn)行關(guān)鍵目標(biāo)檢測，可為人員行為理解、隱患安全排查等提供技術(shù)支撐和保障，對實(shí)現(xiàn)煤礦的智能化安全具有重要意義。
2、掘進(jìn)工作面在低光照條件下，受背光、非均勻光照和弱光的影響，視頻圖像存在對比度低、噪聲大、信息丟失、細(xì)節(jié)模糊等問題，影響掘進(jìn)工作面后續(xù)的關(guān)鍵目標(biāo)檢測等任務(wù)。當(dāng)前眾多算法已在煤礦井下輸送帶監(jiān)測、機(jī)動車輛運(yùn)輸?shù)茸鳂I(yè)場景中有了較多研究并得到應(yīng)用。但是因?yàn)榫蜻M(jìn)工作場景環(huán)境更加極端，目前針對掘進(jìn)工作場景的目標(biāo)檢測算法研究還較少，缺乏可以同時針對高塵霧、低照度、多目標(biāo)互相遮擋等問題的算法研究。
3、為了提高圖像質(zhì)量，可以通過clahe算法對圖像進(jìn)行增強(qiáng)處理，clahe算法目前在醫(yī)學(xué)影像處理和遙感圖像處理應(yīng)用比較成熟，目前在井下掘進(jìn)工作面的使用大多是直接使用原始的clahe算法，原始的clahe算法處理不同圖像時，其增強(qiáng)參數(shù)是固定值，不能根據(jù)圖像變化自動改變增強(qiáng)參數(shù)來改善增強(qiáng)效果，容易出現(xiàn)過度增強(qiáng)或增強(qiáng)不足的情況。然而，過度增強(qiáng)會放大圖像中的噪聲，使得噪聲變得更加明顯，影響圖像的清晰度和細(xì)節(jié)，會在圖像中引入偽影或條紋效應(yīng)，尤其是在圖像邊緣或均勻區(qū)域，而且會導(dǎo)致局部對比度失衡，使得一些區(qū)域的亮度過高，而另一些區(qū)域的細(xì)節(jié)丟失；增強(qiáng)不足會導(dǎo)致圖像對比度提升有限
技術(shù)實(shí)現(xiàn)思路
1、為解決上述技術(shù)問題，本專利技術(shù)提供一種煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法。本專利技術(shù)的技術(shù)方案如下：
2、一種煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其包括：
3、s1，獲取煤礦掘進(jìn)工作面采集的視頻后，將視頻進(jìn)行分幀處理，得到一幀一幀的原始圖像；
4、s2，利用基于顏色的k-means聚類算法對原始圖像進(jìn)行前后景分割，得到原始圖像的前景圖像和背景圖像；
5、s3，通過clahe算法對背景圖像進(jìn)行圖像增強(qiáng)，所述clahe算法在對不同幀的背景圖像進(jìn)行圖像增強(qiáng)時其增強(qiáng)參數(shù)的值為固定值；
6、s4，對前景圖像進(jìn)行去噪處理，并通過改進(jìn)的clahe算法對去噪后的前景圖像進(jìn)行圖像增強(qiáng)，所述改進(jìn)的clahe算法在對不同幀去噪后的前景圖像進(jìn)行圖像增強(qiáng)時根據(jù)圖像質(zhì)量指標(biāo)自適應(yīng)調(diào)整增強(qiáng)參數(shù)的值；
7、s5，融合增強(qiáng)后的背景圖像和增強(qiáng)后的前景圖像，得到原始圖像對應(yīng)的目標(biāo)圖像；
8、s6，將目標(biāo)圖像輸入預(yù)先訓(xùn)練好的改進(jìn)型yolov8n模型進(jìn)行關(guān)鍵目標(biāo)檢測。
9、可選地，所述s2在具體實(shí)現(xiàn)時，包括：
10、s21，將原始圖像從rgb顏色空間轉(zhuǎn)換至lab顏色空間；
11、s22，隨機(jī)選擇兩個點(diǎn)c1和c2作為初始的質(zhì)心，其中，質(zhì)心是表示兩個簇中心的點(diǎn)；
12、s23，對于原始圖像中的像素xi，分別計算其與兩個質(zhì)心的距離，并根據(jù)其與兩個質(zhì)心的距離將其分配到距離最近的質(zhì)心所屬的簇；
13、s24，計算每個簇的所有數(shù)據(jù)點(diǎn)的平均值，并將質(zhì)心更新為這個平均值；
14、s25，重復(fù)步驟s23和s24直到當(dāng)前質(zhì)心與上一個質(zhì)心之間的距離小于預(yù)設(shè)質(zhì)心收斂標(biāo)準(zhǔn)值時，將當(dāng)前質(zhì)心確定為目標(biāo)質(zhì)心；
15、s26，根據(jù)兩個目標(biāo)質(zhì)心的位置和顏色分布，將兩個簇區(qū)分為前景簇和背景簇，并將前景簇和背景簇中的像素點(diǎn)轉(zhuǎn)換回rgb顏色空間，得到原始圖像的前景圖像和背景圖像。
16、可選地，所述s23在計算像素xi與其中一個質(zhì)心cj的距離d(xi,cj)時，使用歐幾里得距離實(shí)現(xiàn)，表示為：
17、
18、公式(1)中，xi＝[xi1，xi2，xi3]，xi1、xi2和xi3分別為xi在lab顏色空間中的l、a和b的值；cj＝[cj1，cj2，cj3]，表示第j個質(zhì)心。
19、可選地，所述clahe算法的增強(qiáng)參數(shù)包括劃分網(wǎng)格尺寸和對比度限制因子，所述s3在具體實(shí)現(xiàn)時，包括：
20、s31，將背景圖像從rgb顏色空間轉(zhuǎn)換至lab顏色空間，其中，每個像素的lab顏色空間包括亮度分量和兩個顏色分量；
21、s32，為clahe算法中的劃分網(wǎng)格尺寸和對比度限制因子配置固定值，通過配置后的clahe算法對背景圖像中每個像素的亮度分量進(jìn)行對比度增強(qiáng)，同時保持顏色分量不變；
22、s33，將對比度增強(qiáng)后的背景圖像轉(zhuǎn)換回rgb顏色空間，得到增強(qiáng)后的背景圖像。
23、可選地，所述s4在對前景圖像進(jìn)行去噪處理時，包括：
24、s41，在行和列方向進(jìn)行離散小波變換將前景圖像分解為不同尺度的子帶，得到一個低頻子帶和三個高頻子帶；
25、s42，對三個高頻子帶的細(xì)節(jié)系數(shù)進(jìn)行閾值處理，以去除其中的噪聲；
26、s43，對閾值處理后的三個高頻子帶和低頻子帶進(jìn)行逆離散小波變換，重構(gòu)出去噪后的前景圖像。
27、可選地，所述圖像質(zhì)量指標(biāo)包括灰度方差、brenner函數(shù)值和梯度能量中的至少一種；
28、所述去噪后的前景圖像的灰度方差σ2通過公式(2)計算：
29、
30、公式(2)中，i(i，j)表示去噪后的前景圖像在位置(i，j)處的灰度值；μ是去噪后的前景圖像的平均灰度值，計算公式為h和w分別是去噪后的前景圖像的高度和寬度；
31、所述去噪后的前景圖像的brenner函數(shù)值b通過公式(3)計算：
32、
33、所述去噪后的前景圖像的梯度能量e通過公式(4)計算：
34、
35、公式(4)中，gx(i,j)和gy(i,j)分別表示去噪后的前景圖像在位置(i，j)處的水平方向梯度值和垂直方向梯度值，
36、可選地，其特征在于，當(dāng)圖像質(zhì)量指標(biāo)包括灰度方差、brenner函數(shù)值和梯度能量時，所述去噪后的前景圖像的圖像質(zhì)量指標(biāo)通過如下步驟計算：
37、s4-1，將灰度方差、brenner函數(shù)值和梯度能量進(jìn)行歸一化；
38、s4-2；將歸一化后的灰度方差、brenner函數(shù)值和梯度能量分別乘以各自對應(yīng)的權(quán)重，得到去噪后的前景圖像的圖像質(zhì)量指標(biāo)。
39、可選地，所述s5在具體實(shí)現(xiàn)時，通過公式(5)融合增強(qiáng)后的背景圖像和增強(qiáng)后的前景圖像，得到原始圖像對應(yīng)的目標(biāo)圖像：
40、ifinal(i,j)＝w(i,j)·if(i,j)+(1-w(i,j))·ib(i,j)(5)；
41、公式(5)中，ifinal(i,j)表示目標(biāo)圖像在位置(i，j)處的灰度值，i本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述S2在具體實(shí)現(xiàn)時，包括：
3.根據(jù)權(quán)利要求2所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述S23在計算像素xi與其中一個質(zhì)心Cj的距離d(xi,Cj)時，使用歐幾里得距離實(shí)現(xiàn)，表示為：
4.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述CLAHE算法的增強(qiáng)參數(shù)包括劃分網(wǎng)格尺寸和對比度限制因子，所述S3在具體實(shí)現(xiàn)時，包括：
5.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述S4在對前景圖像進(jìn)行去噪處理時，包括：
6.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述圖像質(zhì)量指標(biāo)包括灰度方差、Brenner函數(shù)值和梯度能量中的至少一種；
7.根據(jù)權(quán)利要求1或6所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，當(dāng)圖像質(zhì)量指標(biāo)包括灰度方差、Brenner函數(shù)值和梯度能量時，所述去噪后的前景圖像的圖像質(zhì)量指標(biāo)通過如下步驟
8.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述S5在具體實(shí)現(xiàn)時，通過公式(5)融合增強(qiáng)后的背景圖像和增強(qiáng)后的前景圖像，得到原始圖像對應(yīng)的目標(biāo)圖像：
9.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述改進(jìn)型YOLOv8n模型包括依次連接的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和SEAM改進(jìn)的檢測頭；
10.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，采用粒子群優(yōu)化算法確定不同幀去噪后的前景圖像的增強(qiáng)參數(shù)的值。
...【技術(shù)特征摘要】
1.一種煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述s2在具體實(shí)現(xiàn)時，包括：
3.根據(jù)權(quán)利要求2所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述s23在計算像素xi與其中一個質(zhì)心cj的距離d(xi,cj)時，使用歐幾里得距離實(shí)現(xiàn)，表示為：
4.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述clahe算法的增強(qiáng)參數(shù)包括劃分網(wǎng)格尺寸和對比度限制因子，所述s3在具體實(shí)現(xiàn)時，包括：
5.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述s4在對前景圖像進(jìn)行去噪處理時，包括：
6.根據(jù)權(quán)利要求1所述的煤礦掘進(jìn)工作面關(guān)鍵目標(biāo)檢測方法，其特征在于，所述圖像質(zhì)量指標(biāo)包括灰...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：陶磊，馬瑞芳，張之好，陳騰杰，楊凱棟，劉學(xué)剛，
申請(專利權(quán))人：太原理工大學(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。