RetinaNet图像识别技术在煤矿目标监测领域的应用研究.docxVIP

? ? RetinaNet图像识别技术在煤矿目标监测领域的应用研究 ? ? 谭章禄，陈孝慈 (中国矿业大学(北京) 管理学院，北京 100083) 安全生产对煤矿企业发展至关重要[1]。目前，国内大部分煤矿企业已建成覆盖企业关键区域的视频监控系统，但相关的管理控制工作需依赖人工完成，监控系统总体上处于只监不控的状态，其自动化程度较低。究其原因，主要是技术成熟度不足，同时煤矿井下生产环境恶劣，导致井下图像成像质量较差，图像自动化识别错误率高，难以满足煤矿企业较高的需求。 现有的图像识别主要集中于理论研究层次，如人脸识别和行为识别研究等，少量研究成果被推广应用于安全监测、建筑范围划分、交通标志及道路识别、车辆检测等领域。孙继平等[2]提出了基于图像识别的矿井火灾综合判别系统；黄宏伟等[3]基于深度学习方法，提出了一种基于全卷积网络的盾构隧道渗漏水病害图像识别算法；韩豫等[4]利用图像识别技术，设计开发了一套完整的建筑工人智能安全检查系统，并在实际运行中取得了较好的效果；VISHWANATHAN H等[5]对比了Canny法、Sobel法及Zhang法3种边缘检测方法，分析了这些方法在车辆识别、路况识别及交通标志识别应用方面的优缺点；KOSZTOLANYI-IVAN G等[6]利用图像识别技术辨识道路场景，经过训练的图像分类器能较好地识别具有明显建筑或者非建筑特征的道路场景。 上述研究为图像识别技术的发展及应用做出了突出贡献，但由于技术水平的限制和应用环境的差异，图像识别技术难以向煤炭行业深入推广。随着煤矿安全管理向自动化、信息化发展，自动化目标检测技术呈现出广阔的发展前景[7]。一方面，相较于数值、文本数据，图像、视频数据能最大限度地重现目标对象的直观状态，包含的信息更加丰富；另一方面，随着视频监控系统[8-9]在煤矿企业的逐步推广，不少煤矿企业已经积累了数量可观的图片和视频数据，这些专业化的数据是提升图像识别准确度、推进图像识别理论落地的重要保障；最后，随着安全生产愈来愈受到管理者的重视，少人化乃至无人化必将成为安全管理的新的发展方向。近年来，图像识别技术获得了较快的发展，特别是基于卷积神经网络(convolutional neural networks，简称CNN)构建的目标检测器，在多个领域表现突出，利用图像识别技术弥补安全监控系统的短板，提升管理效率和煤矿自动化水平，具有重要的理论和现实意义。 1 技术方法及图像识别流程 1.1 煤矿目标监测难点 1)数据源质量不稳定，尤其是从煤矿井下工作面获取的图像、视频等数据。煤矿监控系统的建成时间较早，硬件设施性能偏低且不易更换，图像、视频的质量主要受限于摄像头等硬件的性能。同时，井下扬尘、水汽常导致摄像头镜片被污染，进而影响成像质量。 2)煤矿企业对检测器的准确率要求较高，特别是对人的识别。过高的错误率将导致大面积误判，进而影响煤矿正常生产。 3)图像识别速度难以满足使用要求。实现实时识别是企业对目标检测器的基本要求，这要求目标检测器在处理每一张图像时都必须迅速。 上述因素制约了图像识别技术在煤矿目标监测中的推广应用。 1.2 RetinaNet检测器 RetinaNet是Facebook AI团队于2018年新提出的单阶段(one-stage)目标检测器[10]，其结构如图1所示。 图1 RetinaNet检测器结构 从检测器的框架来看，RetinaNet是特征金字塔网络(feature pyramid networks，简称FPN)和全卷积神经网络(fully convolutional networks，简称FCN)的结合，其中FPN是基于CNN根据金字塔概念改进而来，具有更好的特征提取效率[11]；FCN同样是基于CNN改进得到，主要实现了图像的像素级分类[12]。 RetinaNet检测器由1个主干网络和2个特定子网组成。如图1(a)所示，在主干网络中，ResNet[13]用于有效特征的提取，其是一种基于CNN的特征提取网络；图1(b)中，FPN负责进一步强化ResNet形成的多尺度特征，得到包含多尺度目标区域信息的Feature maps集合；FCN子网中，图1(c)用于执行卷积对象分类，图1(d)用于卷积边界框回归。 在图像识别时，检测器一般通过交叉熵损失函数(cross-entropy loss，简称CE loss)判定预测值与真实值的差异程度。以二分类为例，目前普遍应用的加权CE loss如式(1)所示： CE(pt)=-αtlogpt (1) (2) (3) 式中：pt、αt分别为与p和α相关的系数；p为y=1时的模型估计概率，若p≥0.5则认为该样本为简单样本，y=1表示样本为正样本，y≠1表示样本为负样本；α为加权因子。 由式(1)可知，即使面对容易