文献类型：期刊文章

作　　者：王伟峰[1] 张宝宝[2] 王志强[3] 张方智[1] 任浩[1] 王京[4]

WANG Weifeng;ZHANG Baobao;WANG Zhiqiang;ZHANG Fangzhi;REN Hao;WANG Jing(College of Safety Science and Engineering,Xi'an University of Science and Technology,Xi'an 710054,China;College of Electrical and Control Engineering,Xi'an University of Science and Technology,Xi'an 710054,China;College of Computer Science and Technology,Xi'an University of Science and Technology,Xi'an 710054,China;Dongjiahe Coal Mine Branch,Shaanxi Coal Chenghe Mining Co.,Ltd.,Weinan 714000,China)

机构地区：[1]西安科技大学安全科学与工程学院,陕西西安710054 [2]西安科技大学电气与控制工程学院,陕西西安710054 [3]西安科技大学计算机科学与技术学院,陕西西安710054 [4]陕西陕煤澄合矿业有限公司董家河煤矿分公司,陕西渭南714000

出　　处：《工矿自动化》

基　　金：国家重点研发计划项目(2021YFE0105000);国家自然科学基金项目(52074213)。

年　　份：2021

卷　　号：47

期　　号：9

起止页码：53-57

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、EBSCO、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：针对煤矿井下光照分布不均匀造成视频图像失真,火灾识别精度低等问题,提出了一种矿井火灾视频图像智能识别方法。该方法以YOLOv5为识别模型,采用K-means算法对传统的暗通道图像去雾算法进行改进,并用改进算法对采集的火焰图像进行去雾处理,提高矿井火灾视频图像识别精度;为减少静态背景对火灾识别的影响,采用帧差法与混合高斯模型融合算法,对动态演化的火焰图像进行特征提取,并采用形态学处理算法消除图像中存在的缺口,从而得到更加完整的火焰目标图像;对火灾视频图像数据集进行标注,并输入到YOLOv5算法模型进行训练及测试。结果表明:基于YOLOv5的矿井火灾视频图像智能识别方法平均精度为92%,损失函数为0.6,比传统算法Alexnet,VGG16,Inceptionv3的平均精度分别高9.6%,13.5%,4.9%,表明该方法检测速度快、精度高,可有效提高矿井火灾识别准确率。

关 键 词：矿井火灾 视频图像智能识别  YOLOv5  K-MEANS 暗通道去雾算法  帧差法 混合高斯模型

分 类 号：TD752]