[发明专利]一种基于深度神经网络的煤矿井下图像处理方法

说明书

技术领域

本发明涉及图像处理方法，具体涉及一种基于深度神经网络的煤矿井下图像处理方法。

背景技术

智能视频监控是煤矿安全生产系统不可缺少的组成部分，大部分大中型的煤矿单位和各大矿业研究机构都已经配备了智能视频监控系统，监控人员能够比较及时的通过各种视频设施对煤矿井下的人员情况、设备工作情况、安全情况等信息进行掌握。所以，智能视频监控为煤矿生产的安全顺利进行提供了有力的保障与支持。然而，煤矿井下的事故却仍然时有发生，而且许多事故经过鉴定后，被鉴定为由于视频监控系统的图像质量不好而导致的事故。

针对现有的图像处理方法，面向不同的待增强图像，因为增强方法和工作机制的不同，没有高效普适的图像增强方法，现有理论和技术存在大量亟待解决的问题。

尤其是，煤矿井下的图像具有对比度比较低，光照分布不太均匀，有的区域光照过强，有的区域光照过弱，生产区域粉尘大而导致图像噪点过高，存在明显光斑现象等特点，图像的成像质量比较差，导致图像视觉效果较差。

鉴于此，发明人以矿井下图像增强研究为导向，基于深度神经网络提出了把输入的待增强图像进行分类，再针对每种待增强图像用不同方法进行处理的技术模型。

发明内容

根据现有技术的不足，本发明提供一种基于深度神经网络的煤矿井下图像处理方法，该煤矿井下图像处理方法能够针对各种图像进行增强，得到的增强图像效果更好。

本发明按以下技术方案实现：

一种基于深度神经网络的煤矿井下图像处理方法，该方法包括以下步骤：

步骤一：构建AlexNet网络；

步骤二：使用ImageNet图像样本集训练神经网络；

步骤三：测试是否满足准确率要求；如果不满足则返回上一步骤，如果满足则进行下一步骤；

步骤四：对未知类型井下样本进行分类；

步骤五：对分类后的图像样本进行相应的处理，从而得到增强图像。

优选的是，在步骤四中，井下样本分类是用训练样本通过深度神经网络来学习，然后再对需要分类的图像添加标签；衡量分类是否符合要求用下面两个参数：

损失函数，在进行机器学习任务时，使用的每一个算法都有一个目标函数，算法便是对这个目标函数进行优化，在分类或者回归任务中，便是使用损失函数作为其目标函数；

分类准确率，即为对用训练样本训练好的神经网络进行测试时，分类正确的测试样本占所有测试样本的比重。

优选的是，所述损失函数采用ensorflow中所提供的“categorical_crossentropy”函数。

优选的是，在步骤四中，对井下样本进行五种分类，分别为亮度过低的图像样本、亮度过高的图像样本、图像高噪的图像样本、对比度过低的图像样本以及分辨率过低的图像样本；对于亮度过低的图像样本和亮度过高的图像样本采用直方图均衡化的方法进行处理；对于图像高噪的图像样本采用中值滤波的方法进行处理；对于对比度过低的图像样本采用灰度对数变换的方法进行处理；对于分辨率过低的图像样本采用图像超分辨率重构方法进行处理。

优选的是，所述步骤一中实现AlexNet网络的具体过程如下：

1)首先导入tensorflow，TFlearn，numpy相关Python库；

2)准备训练数据设置占位符；

3)使用神经网络运算搭建卷积神经网络模型；

4)设置训练参数和开启会话并开始训练；

5)使用保存加载器保存训练好的网络模型。

优选的是，所述AlexNet网络共有8层，其中前5层卷积层，后边3层全连接层，最后的一个全连接层的output是softmax的多分类器，最后的优化目标是最大化平均的多元逻辑回归。

优选的是，在图像处理中，图像是以二维矩阵的形式输入到神经网络中，因此需要二维卷积；

假设和分别是第l层和第l-1层的神经元活性，X^(l)的每一个元素为：

其中，W^(l)∈R^u×v为二维的滤波器，B为偏置矩阵，第l-1层的神经元个数为(w_l×h_l)，并且w_l＝w_l-1-u+1，h_l＝h_l-1-v+1。

优选的是，在卷积层之后再加上一个降低特征的维数，避免过拟合的池化层；