[發明專利]基于改進Fast R-CNN的煤塵顆粒圖像識別方法

有效

• 申請號: 202010718963.0
• 申請日: 2020-07-23
• 公開（公告）號: CN112001253B
• 公開（公告）日: 2021-11-30
• 發明（設計）人: 王征;李冬艷;李磊;張赫林
• 申請（專利權）人: 西安科技大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/46;G06N3/04;G06N3/08
• 代理公司: 西安啟誠專利知識產權代理事務所(普通合伙) 61240
• 代理人: 李艷春

本發明公開了一種基于改進Fast R?CNN的煤塵顆粒圖像識別方法，包括步驟：一、將煤塵顆粒圖像輸入訓練好的改進Fast R?CNN網絡中；改進Fast R?CNN網絡中存儲了訓練樣本的多個煤塵顆粒標定區域；二、改進Fast R?CNN網絡采用VGG網絡的卷積層進行特征提取，得到煤塵顆粒圖像的特征圖；三、改進Fast R?CNN網絡將煤塵顆粒圖像的特征圖中的煤塵顆粒從背景中識別出來；四、改進Fast R?CNN網絡將步驟三識別出煤塵顆粒目標的煤塵顆粒圖像輸入到兩個并列的全連接層，通過線性脊回歸器對煤塵顆粒目標的位置進行精調。本發明檢測過程高效、檢測精度高，能夠最大限度還原顆粒樣本的輪廓信息。

技術領域

本發明屬于煤塵顆粒圖像識別技術領域，具體涉及一種基于改進Fast R-CNN的煤塵顆粒圖像識別方法。

背景技術

隨著煤塵爆炸事件的頻繁發生，人們對安全事故發生的原因越來越重視。煤塵在煤塵顆粒大小濃度，環境溫度達到一定條件下會產生爆炸，一次煤塵的爆炸將造成幾個甚至幾百個礦工的寶貴生命的喪失。中國的產煤總量約占世界總量的37％，煤塵爆炸事件占煤礦事故的50％，而死亡人數約占世界的70％。尤其是粒徑為70-200μm的煤塵的參與會加劇爆炸的破壞力。煤塵顆粒圖像可以通過閾值分割的方法進行識別，但是粒徑相當的顆粒，由于煤塵顆粒輪廓角度的不同，碰撞引起爆炸程度也不同，因此對煤塵顆粒輪廓的精確識別是研究煤塵爆炸的一個重要方向。

在對顆粒圖像識別的研究中，有人工提取方法對圖像輪廓進行勾勒，例如，程鐘琪、石江豪和毛懿俊在2019第9卷的《網絡安全技術與應用》期刊上發表的論文《基于深度學習的圖像檢索技術的實現》中提出的方法，但是，這種方法在檢測時間和精度處理上較為粗糙。GUO Guankai,LIU Wei,YU Lingling(劉觀凱，劉偉，余玲玲)等在2019第25期第2卷的《China powder science and technology》(中國粉體技術)期刊上發表了論文《Imagesegmentation of touching particles based on improved FAST and watershedalgorithm》(基于改進FAST與分水嶺算法的顆粒圖像分割)，提出特征點檢測和分水嶺算法相結合，提取顆粒圖像的分割點，但是，這對多特征小區域的圖像提取檢測精度較低。SUN,Guodong,LIN Kai,GAO Yuan(孫國棟，林凱，高媛)等在2019第12期的《InstrumentTechnique and Sensor》(儀表技術與傳感器)期刊上發表了論文《Research andImplementation of Ore Particles Image Segmentation Based on Improved AffinityGraph》(基于改進親和度圖的礦石顆粒圖像分割研究與實現)，提出鄰域內線性表達的方法改進像素關聯性，對礦石顆粒進行多尺度特征提取，但限制提取特征的深度。現有技術中，還缺乏煤塵顆粒的識別精度高，能夠對邊緣不清晰的煤塵顆粒圖像進行有效識別的煤塵顆粒圖像識別方法。

發明內容

本發明所要解決的技術問題在于針對上述現有技術中的不足，提供一種基于改進Fast R-CNN的煤塵顆粒圖像識別方法，其檢測過程高效、檢測精度高，能夠最大限度還原顆粒樣本的輪廓信息。

為解決上述技術問題，本發明采用的技術方案是：一種基于改進Fast R-CNN的煤塵顆粒圖像識別方法，該方法包括以下步驟：

步驟一、將煤塵顆粒圖像輸入訓練好的改進Fast R-CNN網絡中；訓練好的改進Fast R-CNN網絡中存儲了訓練樣本的多個煤塵顆粒標定區域；

步驟二、所述改進Fast R-CNN網絡采用VGG網絡的卷積層進行特征提取，得到煤塵顆粒圖像的特征圖；

步驟三、所述改進Fast R-CNN網絡將煤塵顆粒圖像的特征圖中的煤塵顆粒從背景中識別出來；