基于视觉显著性的煤矿井下关键目标对象实时感知研究

• Published in: 煤炭科学技术 Vol. 50; no. 8; pp. 247 - 258
• Main Authors: 南柄飞, 郭志杰, 王凯, 李首滨, 董晓龙, 霍栋
• Format: Journal Article
• Language: Chinese
• Published: 中国煤炭科工集团 北京天玛智控科技股份有限公司,北京 100013%中煤华晋集团有限公司,山西 运城 043300 01.08.2022
• Subjects: 显著目标分割; 煤矿智能化; 井下关键目标感知; 煤矿井下场景; 图象显著性检测
• ISSN: 0253-2336
• DOI: 10.13199/j.cnki.cst.2020-0990

TP391.41; 随着煤矿智能化技术发展,井下关键设备目标对象视觉感知应用需求日益增强.井下复杂场景,特别是生产工况综采工作面,人员及设备目标频繁交错呈现.基于监控视觉画面实时检测、提取人员及关键设备目标对象,对实现井下关键设备目标对象智能监控,生产场景智能感知与安全生产管理意义重大,因此需要研究井下关键目标对象实时感知方法.基于视觉注意机制的显著目标检测和分割是复杂场景关键目标对象感知的有效方法之一,但是显著性检测和目标分割过程计算复杂度高、耗时长,难以达到工程应用的实时性要求.基于此,在分析图像视觉特征的基础上,特别是煤矿井下图像视觉特征,提出一种基于随机采样区域对比度计算的实时显著性检测方法,引入随机采样策略对原图像像素进行采样后利用Efficient Graph-based Segmentation方法将图像分割为若干区域,然后计算区域对比度获得区域显著性,实现了实时显著性检测;在显著性区域或者目标分割过程中,提出一种自适应的前景背景阈值迭代方法,基于Shared Sample Matting方法实现显著目标的实时分割提取.基于公共数据集进行试验分析,结果表明,该方法不仅提高了显著性目标的检测分割精度,而且达到30 FP S左右的显著目标检测、分割实时处理效率.同时,将该方法应用于煤矿井下复杂场景中关键设备目标对象的实时感知,效果良好,满足工程应用需求.