[發明專利]基于卷積神經網絡的低照度條件下礦井井壁檢測方法

有效

• 申請號: 202010517286.6
• 申請日: 2020-06-09
• 公開（公告）號: CN111681223B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 黃友銳;韓濤;徐善永;許家昌;鮑士水;凌六一;唐超禮
• 申請（專利權）人: 安徽理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T5/00;G06N3/08;G06N3/0464
• 代理公司: 安徽合肥華信知識產權代理有限公司 34112
• 代理人: 余成俊

本發明公開了一種基于卷積神經網絡的低照度條件下礦井井壁檢測方法，其包括訓練階段和在線檢測階段。訓練階段包括構建圖像分解網絡和圖像檢測網絡，通過獲取圖像分解數據集和圖像檢測數據集分別對圖像分解網絡和圖像檢測網絡進行訓練；在線檢測階段由圖像分解、圖像增強和圖像檢測組成，獲取現場的礦井井壁圖像經過訓練完成的圖像分解網絡分解為反射圖像和光照圖像，再通過圖像增強對井壁圖像進行光亮增強，最后由訓練完成的圖像檢測網絡對其檢測，實現低光照條件下的礦井井壁狀態檢測。本發明提高了礦井井壁檢測的準確性，降低了礦井井壁檢測的運行成本，提高了安全性。

技術領域

本發明涉及礦井井壁檢測方法領域，具體是一種基于卷積神經網絡的低照度條件下礦井井壁檢測方法。

背景技術

我國大多數礦井地區地勢環境較為惡劣，礦層巖體強度不足，再加上地層固結、地下水位升高等造成的不利影響，礦井井壁常常會產生較大的內部應力，當應力大于井壁結構的極限強度時，就會出現井壁破壞、礦井坍塌事故，為了能及時準確的發現礦井井壁產生的破損問題，降低礦井生產的安全隱患，需要對礦井井壁進行準確高效的檢測。

目前，國內對礦井井壁的檢測還普遍停留在人工篩選的方法上，檢測人員搭載罐籠近距離通過肉眼檢測，或者在罐籠安裝攝像機拍攝視頻圖像后，再由人員觀測檢查問題，這就帶來了人工檢測中準確率低、檢測效果差的問題。且由于礦井井下環境的特殊性，其沒有安裝固定的照明設備，只能通過罐籠或人員攜帶燈光照射，無論是人員直接觀測還是通過攝像機拍攝視頻圖像，都會產生圖像較暗不易觀測的問題，圖像處理中稱這種較暗的圖像為低照度圖像。這些問題使得在對礦井井壁檢測時檢測成本較高、工作效率低、速度慢、耗時長、準確性不高，具有較大的安全風險。

發明內容

本發明的目的是提供一種基于卷積神經網絡的低照度條件下礦井井壁檢測方法，以解決現有技術礦井井壁狀況人工檢測存在的檢測效果差、準確性低、耗時長的問題。

為了達到上述目的，本發明所采用的技術方案為：

基于卷積神經網絡的低照度條件下礦井井壁檢測方法，其特征在于：包括以下步驟：

(1)、構建圖像分解網絡，并利用采集的圖像數據訓練圖像分解網絡，過程如下：

(1.1)、構建圖像分解訓練數據集和圖像分解測試數據集：

通過相機拍攝采集礦井井壁多個位置的圖像，對于礦井井壁每個位置，分別拍攝采集正常曝光條件下和低曝光條件下的圖像，由每個位置正常曝光條件下和低曝光條件下的圖像構成該位置的光照圖像對，從而得到多個位置的光照圖像對，從多個光照圖像對中選取部分作為圖像分解訓練數據集，其余部分作為圖像分解測試數據集；

(1.2)、構建圖像分解網絡：

構建由卷積層1、卷積激活層2、卷積激活層3、卷積激活層4、卷積激活層5、卷積激活層6、卷積激活層7和卷積激活層8組成的卷積神經網絡作為圖像分解網絡，輸入圖像a^[0]經過卷積層1的輸出a^[1]＝w^[1]a^[0]+b^[1]，經過卷積激活層2～卷積激活層6的輸出a^[i]＝ReLU(w^[i]a^[i-1]+b^[i]),i∈(2,3,4,5,6)，經過卷積激活層7的輸出a^[7]＝sigmoid(w^[7]a^[6]+b^[7])，a^[7]即為輸入圖像分解后得到的反射圖像R，經過卷積激活層8的輸出a^[8]＝sigmoid(w^[8]a^[6]+b^[8])，a^[8]即為輸入圖像分解后得到的光照圖像I，其中：