基于智能视频分析的带式输送机安全监测与保护系统研究及应用
这是一篇关于深度学习,视频分析,带式输送机,目标检测,智慧矿山的论文, 主要内容为煤矿是国家重要的基础产业,随着矿山开采技术的发展,煤矿安全形势虽然逐渐好转,但与其他行业相比,煤矿安全事故仍是我国煤矿安全管理面临的重大问题。面对日益严峻的煤矿安全生产形势,如何提前发现事故隐患,提高煤矿开采效率是目前急需解决的问题。矿用带式输送机是煤炭运输的重要大型机电设备,是煤炭输送的大动脉,也是煤矿安全事故的频发地。随着工业自动化和信息化进程的快速推进,对煤炭的日产量的需要也日益增长,这对于带式输送机的煤炭负载和运输量也随之增高。然而,在带式输送机对煤炭进行运输的过程中,煤流中常会夹杂煤矸石、大块煤、锚杆等异物,且在煤炭运输过程中带式输送机的周边区域也存在人员工作违章等安全隐患,从而引起皮带撕裂、堆煤、堵煤、人员伤亡等事故发生。因此本文围绕带式输送机的安全监测与保护进行研究,通过设计目标检测与识别网络模型对带式输送机的监控视频进行智能视频分析,从源头上建立带式输送机的安全监测与保护系统。本文的主要研究内容与创新点如下:(1)提出面向矿井人工照明光照不均匀条件下的煤流异物检测方法LEYOLOv3,并进行了系统开发和现场测试应用。首先,分析煤矿井下实际的工矿照明环境,然后基于适合于非煤异物检测的目标检测算法模型YOLOv3,提出了面向矿井不均匀光照边缘增强的改进YOLOv3异物检测算法—LE-YOLOv3来提升矿井带式输送机煤流夹杂异物检测的准确性。首先,通过在LLNet的结构中添加EEM边缘增强模块,并将该融合模块进一步与YOLOv3的网络框架相结合,增强矿井带式输送机煤流监测图像的光照信息,然后还通过线性差值和随机裁剪的混合数据集增强方法增强了锚杆数据集样本,使异物检测效果得到明显提升。最后通过客户端界面设计和系统开发,并在煤矿生产现场进行了测试和分析,验证了本文所提出的煤流异物检测方法的有效性。(2)提出面向矿井主运输巷道复杂环境的目标检测算法PS-YOLOv3,并将其应用于实时监测矿井带式输送机运转工作区域人员佩戴安全帽和危险区域入侵等违章行为监测。首先,在原始YOLOv3算法模型上加入了PS多层次特征融合模块,并对骨干网提取的不同层次特征进行聚合。同时,本课题在PSYOLOv3中的Neck层中又引入SE注意力模块,从而关注不同尺度上目标的显著性特征,提高了模型的检测能力。最后通过客户端界面设计和系统开发,并将其应用在煤矿的生产现场,结果表明,本文所提出的方法及系统具有良好的检测效果和实用价值。该论文有图32幅,表3个,参考文献85篇。
面向目标跟踪的移动端视频分析系统的设计与实现
这是一篇关于单目标跟踪,运动轨迹,视频分析,深度学习的论文, 主要内容为随着移动设备的普及和移动软件的发展,人们越来越热衷于在移动端对视频进行处理和分析。且由于移动设备所装配的硬件设施的性能不断提升,例如视频拍摄时所支持的帧率、分辨率,处理器的主频、核数等,移动端针对视频的处理效率和质量也越来越令用户满意。随着人们对运动健康愈发重视,移动端运动教学分析软件也层出不穷。利用移动端软件对特定目标进行跟踪,并绘制目标运动轨迹,对用户分析视频中的运动动作是否标准具有非常重要的意义。本论文将面向目标跟踪技术,结合深度学习技术在计算机视觉领域的优势,设计并实现一个性能高效的单目标跟踪模型,并将其集成到移动端视频分析系统中,对目标进行跟踪并绘制其轨迹。论文首先分析总结了单目标跟踪和关键点检测技术近年来的发展现状,并以此为基础,论述了目标跟踪算法和移动端视频分析系统的需求分析,并重点考虑了其所涉及的功能性和非功能性方面的要求;然后论文深入分析了单目标跟踪算法和运动轨迹拟合算法,并对它们进行评估。随后,根据需求分析,本文描述了移动端视频分析系统的概要设计和详细设计,介绍了系统的模块划分,即视频录制、视频管理、视频分析、网络通信四个模块,并阐述了如何将关键算法集成到视频分析模块当中。最后,介绍了系统的功能性和非功能性测试,并对测试结果进行了分析。
基于智能视频分析的带式输送机安全监测与保护系统研究及应用
这是一篇关于深度学习,视频分析,带式输送机,目标检测,智慧矿山的论文, 主要内容为煤矿是国家重要的基础产业,随着矿山开采技术的发展,煤矿安全形势虽然逐渐好转,但与其他行业相比,煤矿安全事故仍是我国煤矿安全管理面临的重大问题。面对日益严峻的煤矿安全生产形势,如何提前发现事故隐患,提高煤矿开采效率是目前急需解决的问题。矿用带式输送机是煤炭运输的重要大型机电设备,是煤炭输送的大动脉,也是煤矿安全事故的频发地。随着工业自动化和信息化进程的快速推进,对煤炭的日产量的需要也日益增长,这对于带式输送机的煤炭负载和运输量也随之增高。然而,在带式输送机对煤炭进行运输的过程中,煤流中常会夹杂煤矸石、大块煤、锚杆等异物,且在煤炭运输过程中带式输送机的周边区域也存在人员工作违章等安全隐患,从而引起皮带撕裂、堆煤、堵煤、人员伤亡等事故发生。因此本文围绕带式输送机的安全监测与保护进行研究,通过设计目标检测与识别网络模型对带式输送机的监控视频进行智能视频分析,从源头上建立带式输送机的安全监测与保护系统。本文的主要研究内容与创新点如下:(1)提出面向矿井人工照明光照不均匀条件下的煤流异物检测方法LEYOLOv3,并进行了系统开发和现场测试应用。首先,分析煤矿井下实际的工矿照明环境,然后基于适合于非煤异物检测的目标检测算法模型YOLOv3,提出了面向矿井不均匀光照边缘增强的改进YOLOv3异物检测算法—LE-YOLOv3来提升矿井带式输送机煤流夹杂异物检测的准确性。首先,通过在LLNet的结构中添加EEM边缘增强模块,并将该融合模块进一步与YOLOv3的网络框架相结合,增强矿井带式输送机煤流监测图像的光照信息,然后还通过线性差值和随机裁剪的混合数据集增强方法增强了锚杆数据集样本,使异物检测效果得到明显提升。最后通过客户端界面设计和系统开发,并在煤矿生产现场进行了测试和分析,验证了本文所提出的煤流异物检测方法的有效性。(2)提出面向矿井主运输巷道复杂环境的目标检测算法PS-YOLOv3,并将其应用于实时监测矿井带式输送机运转工作区域人员佩戴安全帽和危险区域入侵等违章行为监测。首先,在原始YOLOv3算法模型上加入了PS多层次特征融合模块,并对骨干网提取的不同层次特征进行聚合。同时,本课题在PSYOLOv3中的Neck层中又引入SE注意力模块,从而关注不同尺度上目标的显著性特征,提高了模型的检测能力。最后通过客户端界面设计和系统开发,并将其应用在煤矿的生产现场,结果表明,本文所提出的方法及系统具有良好的检测效果和实用价值。该论文有图32幅,表3个,参考文献85篇。
基于视频分析的学生课堂听课状态的系统研发
这是一篇关于视频分析,学生课堂听课状态系统,人脸识别算法,系统框架的论文, 主要内容为随着科技水平的发展,学校教学质量的不断提高,传统的对学生课堂听课状态的记录方式与当前教学的需求存在一定差距。近年来,人脸识别技术的日益成熟,许多应用场景已逐渐开始使用人脸识别技术,大大提高了工作效率,而当前的记录方式大都循规蹈矩,在创新方式上存在很大的欠缺,如大学生上课睡觉与玩手机情况,尤为突出,如果采用传统的学生课堂听课状态的判断与记录方式,不仅效率低,且真实性也不能得到保证。传统的对学生听课状态记录方式通常采用抽查方式,以人力作为主要工作方式,效率低,成本高,实施难度大,信息收集易出错且记录结果不便于分析和使用等。此外,传统的对学生课堂听课状态的记录一般采用相关人员进教室和授课教师目测记录的方式,其进教室次数较少,授课教师压力大,影响教学质量,无法做到长期有效的记录学生课堂的听课状态,导致数据不便于统计分析与使用等。为了更合理有效的减少人工工作量,科学记录学生听课状态,本文的主要研究的工作包括:(1)将人脸识别技术应用到学生课堂听课场景中,运用统计学原理对学生课堂听课状态进行判断,保证数据的可靠性和精确性。人脸识别算法是由局部二值模型LBP和神经网络算法构成,能够提高人脸识别率和正确率。(2)本文系统框架采用Spring+SpringCloud+SpringBoot+Mybatis等主流框架,保证系统易部署、运行效率高、方便操作等。数据库采用MySQL存储方式,引用相关索引,实现大数据下快速查找、快速响应的要求,避免内存漏洞等问题的出现。同时,GIT版本控制工具能够实现将代码上传到云服务器,使系统充分利用云服务器资源,方便保存代码,满足在不同硬件设施下上传、下载和开发等需求,提高了编程效率。(3)在视频解析方面本文系统采用FFmpeg软件技术,它是一套能够将数字音频和视频转化为视频流的开源计算机应用程序,具有比较权威的开源代码认证书中,能够被Java进程调用,功能灵活易用。(4)在角色权限管理方面,shiro具有更全面更具体的权限管理功能,能够为不同的角色授予相应的权限,与传统权限管理工具相比,其更具有集成优势,并在应用开发中可扩展性更高。(5)本文在对人脸抓拍、比对、统计、分析等功能上,采用多线程的方式,有效提高了系统运行效率和服务器负载能力。本文通过运用学生课堂听课状态系统,利用学生课余时间分析处理上课情况,有效提高了服务器利用率,并将处理结果存储到MYSQL数据库中,以方便用户使用和查询等。(6)在视频流解析上学生课堂听课状态系统采用ngnix+rtmp流方式,在前端页面呈现监控视频,通过参数配置来提高页面分辨率,这一功能具有实时性和高效性的优点。在系统服务器中搭建nginx服务,以方便用户访问学生和教师等相关截图和信息图等。在系统部署方面,采用jar包运行方式,实现保证部署简单,运行正常的优势。在系统检测方面,用户能够通过实时日志和服务发现查看系统运行情况。在系统测试方面,采用黑盒测试的方法对系统各功能模块测试,确保各功能模块运行通畅,同时对系统性能如响应时间、高并发等进行测试,保证系统稳定高效的运行,满足用户的需求。
基于异构过滤器调度的鲁棒高效数据分析方法及其在视频分析场景下的应用
这是一篇关于输入过滤,计算卸载,过滤器调度,端云协同,成本效益,视频分析的论文, 主要内容为随着深度学习等人工智能技术的发展,大量具备数据感知和初级计算能力的智能终端设备已经被部署在不同的真实世界场景中,并被广泛应用于各个领域中,包括流量监控、状态分类、轨迹追踪等。然而,深度学习的强大能力建立在其规模巨大的计算需求上,由于设备的计算能力和网络的带宽限制,为了能够在资源受限的场景下完成对大规模数据实时分析的需求,通常使用端云结合的框架以及数据过滤技术来处理采集的视频。现有的过滤技术选择一部分数据,将该部分的数据计算卸载到云,旨在减少计算开销和带宽消耗的同时提升端侧推理的精度。由于实际场景中数据分布会随时间动态变化,因此现有的许多基于单一模态信息执行的过滤器在长时间运行时缺乏稳定性和鲁棒性。本文发现基于不同模态特征的异构过滤器在不同时间段具有不同的性能,这导致不同过滤器的时变局部最优性,这带来了重大的启发:尽管单个过滤器难以满足最优稳定性的需求,但是可以通过实时调度局部最优的过滤器来维持长时间运行时的总体最优。因此,本文设计了一种基于强化学习的异构过滤器调度框架(HeteroPush)来自适应地调度局部最优过滤器执行过滤任务,旨在最大限度地提高通信开销的成本效益(例如,每单位上传量带来的系统精度的提升)。并应用到视频分析场景中,以两个真实世界的智能交通系统数据对HeteroPush进行了全方位的评估。本文的主要工作如下:(1)基于现有研究工作,本文根据过滤器工作时的做出卸载策略的证据信息的模态进行划分,总结了三种不同类型的异构过滤器:基于输入、输出、知识的过滤器。本文从端侧设备对过滤器的计算资源限制、实时性等多角度综合考虑,对异构的过滤器结构进行改进或重新设计,使得每种过滤器都能够部署在端侧设备并正常运行。(2)实现异构过滤器的调度就必须从端侧获取到的低成本数据中提取出有助于后续调度任务的特征;然而由于大量具有冲突过滤标签但却在端设备上产生相同推断结果的噪声样本的存在,大部分的深度学习方法无法正常训练。我们基于端侧模型和过滤器的性能变化趋势建模了可区分的特征,并结合深度学习框架设计了调度器;同时提出了奖金奖励的机制以提升调度性能。(3)过滤器和端侧轻量级模型的历史性能变化是调度器做出调度决策的主要依据,该项数据的准确性至关重要。然而,只有当上传至云侧并得到云侧重量级模型的输出反馈之后,才能精准的评估过滤器的性能,但是一旦如此做,那么系统就退化为纯云计算模型,端侧部署的轻量级模型就没有任何意义。因此,如何在缺失部分真实标签的情况下准确的评估过滤器的性能是需要解决的关键挑战。本文设计了一种基于滑动放缩窗口的模型性能反馈器,将历史数据统一到滑动窗口内,通过数据建模的方法,挖掘窗口内历史数据数量和上传率与性能评估精度之间的关系,设计了一套非学习的窗口放缩公式,可以实时、有效且资源节省地模拟评估出过滤器和端侧轻量级推理模型的性能。(4)本文综合以上模块构建了异构过滤器调度框架HeteroPush,在视频分析场景下进行实现,且在两个真实智能交通系统中完成了测试,包括流量监控和状况分类两个基本推理任务,并进行了全方位的评估和对比,实验结果表明,HeteroPush可以有效的在满足资源限制的条件下,降低通信开销的同时提升视频分析系统的精度。在状况分类任务上,Heteropush在仅仅额外引入2.7%的计算开销的条件下达到了 90%的成本效益性价比。综合来看,本文具有以下贡献点:(1)本文首先发现了异构过滤器的长时运行时的性能不稳定问题并分析了解决该问题的优化机会。(2)本文提出了基于强化学习的异构过滤器调度框架用来提升数据分析系统的长时稳定性和鲁棒性;包括端侧异构过滤器的改进和设计、调度器的设计以及黑盒模型性能反馈器的设计。(3)本文在视频分析场景下实现了所提出的过滤框架并基于真实系统中的数据进行了多角度全方位的验证,证明了所提出方法框架的有效性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/50218.html
