基于不同深度识别算法的矿井水位标尺刻度识别性能分析与研究

• 作者: 曹玉超 范伟强
• 来源期刊: 煤炭学报
• 学科: 工学
• 关键词: 水灾 残差神经网络 机器视觉 图像识别 机器学习
• 年，卷（期）: 2019,（11）
• 页码范围: 3529-3538
• 页数: 10页
• 分类号: TD391.4|TD745
• 字数: 6141字
• 语种: 中文

摘要

煤炭是我国的主要能源,煤矿行业为高危行业,水灾是煤矿重特大事故防治的关键灾害之一.现有水灾监测报警方法存在着适应性差、误报和漏报率高等问题,难以满足煤矿安全生产需求.及时发现水灾,并合理堵水、排水为防治水灾的有效措施.矿井水位可以通过水位标尺图像进行监测.采用深度残差神经网络识别图像时,图像的识别效果与深度学习网络的深度密切相关,本文基于不同深度识别算法对矿井水位标尺刻度识别性能进行了分析与研究.采集工作面和巷道水位标尺图像,并对图像进行标记,建立图像数据库.将标尺图像刻度中心位置参数,形状大小参数,刻度分类提取为特征向量,通过残差神经网络进行训练.当网络训练稳定后,将待检测图像进行相同的操作得到特征向量,将特征向量解析为图像目标的关键信息,实现水位标尺的刻度目标检测.针对不同网络深度进行了实验,比较了不同深度下训练阶段的损失值下降速率和稳定性,平均识别率,f1值,PR曲线,ROC曲线,训练耗时,测试耗时;当训练图片数量固定时,算法拥有最佳深度,过深网络会导致训练不充分,过浅网络会导致过拟合.分析了置信度阈值对平均识别率的影响,置信度在0.4时,平均识别率最高;并对其他常见算法进行了识别率和耗时比较.本文算法训练平均耗时625 ms,测试平均耗时47 ms,对矿井水位标尺刻度目标识别率大于97％.