[发明专利]一种针对嵌入式设备的运煤皮带异物视频检测方法

说明书

本发明公开了一种针对嵌入式设备的运煤皮带异物视频检测方法，具体为：首先，摄像头采集皮带转接处视频流图像；利用k‑means算法聚类生成锚框参数；通过关键卷积提取图像浅层次特征信息，判断当前图像是否设置为关键帧；当输入图像设置为关键帧时，轻量化异物检测模型提取图像特征信息；当输入图像未设置为关键帧时，融合上一关键帧特征信息；最后，输出异物检测模型计算结果。本发明的方法，解决了基于深度学习的运煤皮带异物检测方法存在网络参数量大、检测速度慢、难以在嵌入式设备上部署等问题，大幅提高了检测速度，能够在嵌入式设备上实现高精度的运煤皮带实时异物检测。

技术领域

本发明属于深度学习、视频检测技术领域，具体涉及一种针对嵌入式设备的运煤皮带异物视频检测方法。

背景技术

由于煤矿开采环境的复杂性，在运输过程中运煤皮带容易发生撕裂、跑偏以及转接处堵塞等安全事故，其中造成皮带撕裂、转接处堵塞现象的主要原因是由于异物进入，常见的异物有大块矸石、锚杆、编织物、木杆和铁丝网。因此对运煤皮带上的异物进行实时检测，及时发现并处理，可最大程度的减少异物对皮带运输系统造成的损害，不仅有利于煤矿安全生产且对提高生产效率具有重要意义。

目前，基于深度学习YOLOv4的主干网络CSPDarkNet-53，其在处理分辨率为416×416的图像就需要超过389亿次的浮点运算。这使得检测模型网络参数量大，检测速度慢、难以在嵌入式设备上实现实时的异物检测。中国专利(申请号：201910516354.4，公开号：CN110245706 B)公开了一种针对嵌入式应用的轻量化目标检测方法，通过设计轻量化卷积网络和预测网络降低了网络的参数规模和运算量，这种方法能提升在嵌入式设备环境下的检测速度，但检测精度相较于YOLOv2下降了2.3％，而运煤皮带异物的检测任务类型不是主流算法所针对设计的，且该算法未从视频检测的角度考虑冗余计算的问题。因此，有必要提出进一步改进方案。

发明内容

本发明的目的是提供一种针对嵌入式设备的运煤皮带异物视频检测方法，解决了现有基于深度学习的运煤皮带异物检测方法存在网络参数量大、检测速度慢的问题。

本发明所采用的技术方案是，一种针对嵌入式设备的运煤皮带异物视频检测方法，具体按照以下步骤实施：

步骤1，摄像头采集皮带转接处视频流图像，具体过程如下：

步骤101，实时获取摄像机拍摄的皮带转接处视频；

步骤102，将步骤101采集到的实时视频拆分成单帧图像，单帧图像的尺寸为416×416×3；

步骤103，在步骤102的单帧图像中选择异物图像数据，人工标注异物图像数据中的各类异物并进行数据增强，将增强后的异物数据集按9：1划分为训练集和测试集数据；

步骤2，利用k-means算法聚类生成锚框参数；

步骤3，利用卷积块提取图像浅层次特征信息，具体为：

步骤301，输入步骤102中的单帧图像，设置卷积块对输入图像进行浅层次特征提取，得到208×208×16浅层特征图M_t；

步骤302，计算当前输入浅层特征图M_t与关键帧浅层特征图的偏差，即得到浅层特征图偏差值；

步骤303，判断步骤302中的浅层特征图偏差值是否大于设定偏差阈值ω；

步骤4，利用轻量化异物检测模型提取图像特征信息；

步骤5，重复进行步骤3-4，直至所有的单帧图像检测完毕。

本发明的特点还在于，