基于FocalLoss的煤礦井下人員安全視覺(jué)監(jiān)測(cè)方法

陳立燁　黨浚哲　崔子航　陳思妍　段琦鋒

摘? 要：監(jiān)測(cè)礦井工作人員違規(guī)進(jìn)入或誤入煤礦井下危險(xiǎn)區(qū)域是煤礦安全管理的重要內(nèi)容，對(duì)工作人員違規(guī)進(jìn)入或是誤入危險(xiǎn)區(qū)域的行為及時(shí)監(jiān)測(cè)和報(bào)警是減少事故的重要手段。針對(duì)煤礦井下危險(xiǎn)區(qū)域的監(jiān)測(cè)，提出一種基于Focal Loss的人工智能方法，實(shí)現(xiàn)對(duì)進(jìn)入危險(xiǎn)區(qū)域的人員及時(shí)報(bào)警。經(jīng)過(guò)實(shí)驗(yàn)測(cè)試與分析，這種方法對(duì)人員檢測(cè)的平均精度達(dá)到95.6%，檢測(cè)速度達(dá)到9.9 f/s，優(yōu)于對(duì)比算法，具有較高的準(zhǔn)確性和實(shí)時(shí)性。

關(guān)鍵詞：深度學(xué)習(xí)；人員檢測(cè)；礦井安全；實(shí)時(shí)監(jiān)測(cè)

中圖分類號(hào)：TP391.4；TD76? 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）13-0096-05

A Visual Monitoring Method of Personal Safety under the Coal Mine Based on FocalLoss

CHEN Liye， DANG Junzhe， CUI Zihang， CHEN Siyan， DUAN Qifeng

（School of Mechanical Electronic and Information Engineering， China University of Mining and Technology-Beijing， Beijing? 100083， China）

Abstract： The illegal or accidental trespass by miners into dangerous areas of coal mines is an important content of coalmine safety management， it is an important means to reduce accidents by monitoring and alarming the behavior of miners who enter illegally or stray into dangerous areas. And thus， the monitoring of dangerous areas in coal mines is of critical important. An artificial intelligence method based on Focal Loss is proposed to realize timely alarm for people entering the dangerous area. After experimental testing and analysis， this method achieved an average accuracy of 95.6% for personnel detection， with a detection speed of 9.9 f/s， which is superior to the comparison algorithm and has high accuracy and real-time performance.

Keywords： deep learning; person detection; coal mine safety; real-time monitoring

0? 引? 言

我國(guó)的煤炭資源十分豐富。根據(jù)中國(guó)煤炭工業(yè)協(xié)會(huì)的統(tǒng)計(jì)數(shù)據(jù)，2021年我國(guó)生產(chǎn)原煤41.3億噸，創(chuàng)歷史新高[1]，“以人為本、生命至上”是我國(guó)煤炭工業(yè)發(fā)展的基本理念，工作人員誤入或是違規(guī)進(jìn)入危險(xiǎn)區(qū)域容易發(fā)生危險(xiǎn)事故，因此，對(duì)煤礦井下危險(xiǎn)區(qū)域進(jìn)行人員檢測(cè)是保證人員安全的一項(xiàng)必要措施。

目前，視頻監(jiān)控系統(tǒng)在煤礦生產(chǎn)管理中得到了廣泛的應(yīng)用。早期的煤礦井下視頻監(jiān)控系統(tǒng)主要是將井下的視頻圖像傳輸?shù)降孛婵刂剖?，由人工進(jìn)行監(jiān)控，這不僅增加監(jiān)控人員的工作負(fù)擔(dān)，同時(shí)，系統(tǒng)依賴于人的責(zé)任心和精神狀態(tài)。因此，實(shí)現(xiàn)煤礦井下視覺(jué)監(jiān)控的智能化對(duì)于提高安全管理工作的技術(shù)水平和效率都有著重要的意義。

另一方面，目前煤礦人員定位與監(jiān)測(cè)方法以無(wú)線通信技術(shù)為主，具體的包括RFID[2]、UWB[3]、Wi-Fi[4]和ZigBee[5]等，這些方式雖然可以對(duì)井下人員進(jìn)行監(jiān)測(cè)，但都存在一定的局限性。首先，由于電磁波傳播的特性，在煤礦井下多塵多霧的電磁干擾環(huán)境中準(zhǔn)確性和可靠性較差；并且，以無(wú)線通信為主的定位方式需要人員佩戴標(biāo)簽，如果標(biāo)簽損壞則使這種監(jiān)測(cè)方式失效。

為了彌補(bǔ)以無(wú)線通信技術(shù)為代表的定位方式的缺陷，逐漸開(kāi)始采用視頻實(shí)時(shí)監(jiān)控的方式進(jìn)行監(jiān)測(cè)，這種方法通過(guò)將視頻監(jiān)控安裝在危險(xiǎn)區(qū)域來(lái)實(shí)現(xiàn)。近年來(lái)，隨著深度學(xué)習(xí)技術(shù)[6-9]的迅速發(fā)展，目標(biāo)檢測(cè)技術(shù)取得了巨大的進(jìn)步，煤礦井下智能視頻監(jiān)控系統(tǒng)作為“智慧煤礦”的重要部分開(kāi)始迅速發(fā)展。常用的煤礦井下智能視頻監(jiān)控系統(tǒng)對(duì)監(jiān)控目標(biāo)的自動(dòng)監(jiān)測(cè)方法主要有運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)方法、基于目標(biāo)建模的圖像統(tǒng)計(jì)特征方法、基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法。

關(guān)于基于深度學(xué)習(xí)的煤礦井下智能視頻監(jiān)控研究，文獻(xiàn)[6]提出了一種基于Faster R-CNN的煤礦井下人員頭部檢測(cè)算法，以檢測(cè)人員頭部來(lái)代替對(duì)人員的檢測(cè)，達(dá)到了87.6%的準(zhǔn)確率；文獻(xiàn)[7]提出了一種改進(jìn)的Faster R-CNN煤礦井下行人檢測(cè)算法，通過(guò)設(shè)計(jì)的金字塔RPN結(jié)構(gòu)來(lái)解決煤礦井下行人檢測(cè)中的多尺度問(wèn)題，獲得了90%的準(zhǔn)確率；文獻(xiàn)[8]提出了一種結(jié)合Dense Net和YOLO的行人檢測(cè)算法，在準(zhǔn)確率達(dá)到了91%的同時(shí)實(shí)現(xiàn)了25 fps的檢測(cè)速度；文獻(xiàn)[9]提出了一種結(jié)合輕量級(jí)網(wǎng)絡(luò)Mobile Net和SSD的煤礦副井人員檢測(cè)算法，實(shí)現(xiàn)了87%的準(zhǔn)確率和26 fps的檢測(cè)速度。

本文將基于深度神經(jīng)網(wǎng)絡(luò)研究煤礦井下危險(xiǎn)區(qū)域的監(jiān)測(cè)方法。

1? 煤礦井下危險(xiǎn)區(qū)域與視覺(jué)監(jiān)測(cè)

1.1? 煤礦井下的危險(xiǎn)區(qū)域

煤礦井下存在著各種危險(xiǎn)區(qū)域，本文將可能對(duì)人造成傷害的空間范圍作為危險(xiǎn)區(qū)域，如采空區(qū)，很容易發(fā)生垮落、有害氣體超標(biāo)區(qū)，人員有中毒的危險(xiǎn)、變電所，存在高壓電等。這類危險(xiǎn)區(qū)域的特點(diǎn)是其本身是靜態(tài)的，場(chǎng)景的位置和內(nèi)容基本不變化。另外，大型煤機(jī)設(shè)備如截煤機(jī)、掘進(jìn)機(jī)、刮板輸送機(jī)等煤機(jī)設(shè)備，其周圍一定的范圍內(nèi)存在傷人的風(fēng)險(xiǎn)，如果工作人員未遵守安全操作規(guī)章制度，很有可能會(huì)發(fā)生設(shè)備傷人事故。這類危險(xiǎn)的特點(diǎn)是危險(xiǎn)范圍不一定是靜態(tài)的。本文研究煤礦井下靜態(tài)危險(xiǎn)區(qū)域的監(jiān)測(cè)，建立視覺(jué)監(jiān)控時(shí)一是劃定危險(xiǎn)范圍，二是監(jiān)測(cè)出現(xiàn)在這些危險(xiǎn)區(qū)域的人員，以避免事故的發(fā)生。本文基于深度學(xué)習(xí)方法和計(jì)算機(jī)視覺(jué)技術(shù)建立煤礦井下人員檢測(cè)模型，當(dāng)有人進(jìn)入危險(xiǎn)范圍時(shí)，自動(dòng)識(shí)別并上傳信息至監(jiān)控中心。

1.2? 煤礦井下人員視覺(jué)安全監(jiān)測(cè)問(wèn)題

煤礦井下視覺(jué)監(jiān)控有其特殊的問(wèn)題需要解決。在開(kāi)采過(guò)程中，會(huì)產(chǎn)生大量的粉塵，這些粉塵很容易散落在工作人員身上，而煤礦井下的巷道中主要是煤，這就使得人與環(huán)境背景難以區(qū)分。另外，煤礦井下存在光照不足和光照不均的問(wèn)題，進(jìn)一步增加了區(qū)分難度，表現(xiàn)在監(jiān)控圖像上就是人員目標(biāo)和環(huán)境背景的灰度值高度近似。因此，煤礦井下的人員檢測(cè)需要解決以下的問(wèn)題：

1）檢測(cè)算法需要具備很強(qiáng)的特征提取能力，使其能從煤礦井下的環(huán)境背景中準(zhǔn)確檢測(cè)出人員目標(biāo)。

2）當(dāng)監(jiān)測(cè)的危險(xiǎn)區(qū)域較大時(shí)，人員可能出現(xiàn)在該區(qū)域的任何地方，在監(jiān)控視頻中的成像尺度變化較大，必須考慮多尺度目標(biāo)的檢測(cè)。

3）檢測(cè)算法需要實(shí)現(xiàn)檢測(cè)精度和檢測(cè)速度兩方面的平衡，一方面需要檢測(cè)精度高以滿足安全工作的要求，另一方面為滿足監(jiān)測(cè)的實(shí)時(shí)性要求，需要有一定的檢測(cè)速度。精度和速度存在矛盾，需要根據(jù)煤礦井下安全工作的實(shí)際需求做一個(gè)平衡。

2? 深度神經(jīng)網(wǎng)絡(luò)安全監(jiān)測(cè)模型的建立

本節(jié)將提出一種基于Focal Loss的煤礦井下人員檢測(cè)算法，該算法采用ResNeXt網(wǎng)絡(luò)進(jìn)行圖像的深度特征提取，使用NAS-FPN尋找FPN結(jié)構(gòu)的最佳跨層連接方式，為一階段的目標(biāo)檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)，這樣，可以在硬件性能較低的情況下實(shí)現(xiàn)對(duì)目標(biāo)快速[10]、較高準(zhǔn)確率的監(jiān)測(cè)，并及時(shí)做出反饋，適用于煤礦井下的工作環(huán)境和需求。

煤礦井下環(huán)境惡劣，圖像通常存在著光照度低、光照不均和塵霧遮擋等問(wèn)題，對(duì)于基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法而言，圖像質(zhì)量低會(huì)增加模型的擬合負(fù)擔(dān)，使其難以學(xué)習(xí)到圖像的典型特征，還會(huì)影響到系統(tǒng)識(shí)別的準(zhǔn)確度。因此，在進(jìn)行目標(biāo)檢測(cè)時(shí)，先要進(jìn)行圖像預(yù)處理，對(duì)攝像頭采集的圖像進(jìn)行去霧除塵和低照度增強(qiáng)。

2.1? 圖像預(yù)處理

針對(duì)存在塵霧遮擋和光照問(wèn)題，在對(duì)煤礦井下視頻監(jiān)控圖像進(jìn)行目標(biāo)檢測(cè)之前，對(duì)其進(jìn)行清晰化處理十分必要。預(yù)處理的方法主要有圖像復(fù)原和圖像增強(qiáng)兩類，在處理圖像中的塵霧遮擋問(wèn)題上，以暗通道先驗(yàn)（dark channel prior）[11]為代表的圖像復(fù)原方法所取得的效果要普遍好于圖像增強(qiáng)方法。本文主要研究使用暗通道先驗(yàn)原理對(duì)圖像進(jìn)行去霧處理的圖像復(fù)原方法。

暗通道先驗(yàn)是HE[11]通過(guò)研究大量無(wú)霧圖像得出的一個(gè)統(tǒng)計(jì)規(guī)律，即在大多數(shù)無(wú)霧圖像的非天空局部區(qū)域中，至少有一個(gè)顏色通道有一些像素值非常低（接近于0）的點(diǎn)。對(duì)于一幅給定的圖像J，其暗通道J dark定義為：

這里，I為原始有霧圖像，J為未被衰減的原始光輻射，t （x）為介質(zhì)透射率，A為全局大氣光輻射。

由式（1）和式（3）可以看到，在按式（1）獲得對(duì)應(yīng)的暗通道圖后，只要得到式（3）中的A和t （x），就可以推算成去霧圖像J。

A的估計(jì)是先從暗通道圖中選出具有亮度最高的0.1%的點(diǎn)，并找到這些點(diǎn)在原始有霧圖像中的位置，再?gòu)脑瓐D的這些位置中選出亮度最高的值作為全局大氣光輻射A的估計(jì)值。Ac（ c ∈ {r，g，b}）。

本文在暗通道先驗(yàn)方法的基礎(chǔ)上采用導(dǎo)向?yàn)V波對(duì)估算介質(zhì)透射率進(jìn)行細(xì)化的方法來(lái)進(jìn)行圖像去霧。導(dǎo)向?yàn)V波是一種邊緣保持濾波器，能夠有效地保留圖像的邊緣信息，設(shè)輸入圖像為I，導(dǎo)向圖像為G，輸出圖像為O，則以像素c為中心的一個(gè)窗口wc上，導(dǎo)向圖像G與輸出圖像O的關(guān)系如式（6）所示；由于同一像素會(huì)屬于多個(gè)窗口，本文取所有結(jié)果的平均值作為最終的輸出值，可得到導(dǎo)向圖像G與輸出圖像O的關(guān)系如式（7）所示：

預(yù)處理后的煤礦井下圖像如圖1所示。

2.2? 損失函數(shù)

本文提出的基于Focal Loss的煤礦井下危險(xiǎn)區(qū)域的人員檢測(cè)模型屬于一階段目標(biāo)檢測(cè)算法。LIN等人認(rèn)為，一階段目標(biāo)檢測(cè)算法的檢測(cè)精度不如二階段目標(biāo)檢測(cè)算法的原因是一階段目標(biāo)檢測(cè)算法中存在正負(fù)樣本和難易樣本極度不平衡的現(xiàn)象。因此，在模型訓(xùn)練階段，負(fù)樣本和易樣本對(duì)模型的影響要遠(yuǎn)遠(yuǎn)大于正樣本和難樣本對(duì)模型的影響，而對(duì)精度影響較大的則是正樣本和難樣本。為了解決正負(fù)樣本和難易樣本不平衡的問(wèn)題，LIN等人提出了Focal Loss損失函數(shù)。

Focal Loss損失函數(shù)通過(guò)對(duì)二分類交叉熵?fù)p失函數(shù)進(jìn)行加權(quán)，根據(jù)一定的比例對(duì)正負(fù)、難易樣本添加不同的權(quán)重，通過(guò)調(diào)節(jié)損失函數(shù)中γ的值來(lái)調(diào)節(jié)聚焦參數(shù)，從而緩解難易樣本不平衡的問(wèn)題。Focal Loss損失函數(shù)如式（8）所示。為了進(jìn)一步解決正負(fù)樣本不平衡的問(wèn)題，得到同時(shí)對(duì)正負(fù)樣本和難易樣本不平衡問(wèn)題都有效的α平衡Focal Loss損失函數(shù)，如式（9）所示。另外，本文采用平滑L1損失函數(shù)作為邊框回歸損失函數(shù)。

2.3? 特征提取網(wǎng)絡(luò)的整體結(jié)構(gòu)

特征提取網(wǎng)絡(luò)是深度學(xué)習(xí)目標(biāo)檢測(cè)算法中負(fù)責(zé)提取圖像高維特征的網(wǎng)絡(luò)結(jié)構(gòu)。在本文的人員檢測(cè)算法的應(yīng)用場(chǎng)景中，煤礦井下人員目標(biāo)與環(huán)境背景的灰度值高度接近，為了兼顧檢測(cè)精度和檢測(cè)速度，本文采用特征擬合能力強(qiáng)、模型復(fù)雜度低的ResNeXt作為人員檢測(cè)算法的特征提取網(wǎng)絡(luò)。為了解決目標(biāo)檢測(cè)中的多尺度問(wèn)題，本文在人員檢測(cè)算法中引入NAS-FPN結(jié)構(gòu)，通過(guò)使用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索技術(shù)對(duì)FPN結(jié)構(gòu)進(jìn)行自動(dòng)尋優(yōu)。

ResNeXt[12]是ResNet[13]網(wǎng)絡(luò)結(jié)合Inception的增強(qiáng)版，不同于Inception v4，ResNeXt不需要人工設(shè)計(jì)復(fù)雜的Inception結(jié)構(gòu)細(xì)節(jié)，而是每一個(gè)分支都采用相同的拓?fù)浣Y(jié)構(gòu)，同時(shí)繼承了ResNet的殘差學(xué)習(xí)思想。由于分組卷積思想的引入，ResNeXt比ResNet有著更高的分類準(zhǔn)確率，同時(shí)，由于平行堆疊的結(jié)構(gòu)設(shè)計(jì)，使ResNeXt在沒(méi)有增加模型參數(shù)量的前提下還減少了模型的超參數(shù)，降低了模型的復(fù)雜度。

本文要實(shí)現(xiàn)對(duì)井下視頻監(jiān)控區(qū)域中任何地方出現(xiàn)的目標(biāo)進(jìn)行檢測(cè)，因此需要考慮多尺度目標(biāo)檢測(cè)的問(wèn)題。可在模型中使用多尺度結(jié)構(gòu)，提高對(duì)多尺度特征的檢測(cè)能力。目前，最常用的多尺度結(jié)構(gòu)是特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)（Feature Pyramid Network， FPN），F(xiàn)PN通過(guò)對(duì)深層特征圖進(jìn)行上采樣來(lái)實(shí)現(xiàn)對(duì)小目標(biāo)的檢測(cè)，但文獻(xiàn)[14]表明這樣又會(huì)使模型過(guò)多關(guān)注淺層特征從而使得對(duì)大目標(biāo)的檢測(cè)效果變差。對(duì)此，文獻(xiàn)[15]發(fā)現(xiàn)不同層之間的連接方式對(duì)網(wǎng)絡(luò)的性能有著很大的影響，通過(guò)在FPN中引入合適的跨層連接方式來(lái)發(fā)揮FPN的作用。但FPN的跨層連接方式是一個(gè)排列組合問(wèn)題，尋優(yōu)比較困難，文獻(xiàn)[16]中引入了NAS-FPN結(jié)構(gòu)，使用神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索（Neural Architecture Search， NAS）技術(shù)實(shí)現(xiàn)對(duì)FPN結(jié)構(gòu)的自動(dòng)尋優(yōu)。

根據(jù)以上的分析討論，本文提出的煤礦井下人員檢測(cè)模型如圖2所示，其中NAS-FPN只出現(xiàn)在訓(xùn)練階段。在訓(xùn)練時(shí)，經(jīng)圖像預(yù)處理后的圖像送入ResNeXt進(jìn)行卷積計(jì)算，隨后經(jīng)過(guò)連續(xù)下采樣后送入NAS-FPN進(jìn)行FPN結(jié)構(gòu)尋優(yōu)，最終對(duì)輸出的多尺度的特征圖密集采樣生成錨框，最后送入分類網(wǎng)絡(luò)和邊框回歸網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)。

3? 數(shù)據(jù)集與模型實(shí)驗(yàn)

3.1? 數(shù)據(jù)集建立

為訓(xùn)練模型和對(duì)比實(shí)驗(yàn)，本文自建了數(shù)據(jù)集，數(shù)據(jù)來(lái)自河南某煤礦井下工作場(chǎng)景，為黑白錄像，視頻時(shí)長(zhǎng)約3 h，分辨率為1 920×1 080。該視頻的圖像存在光照不足及塵霧遮擋的問(wèn)題。因?yàn)橐曨l是連續(xù)拍攝的，很多視頻幀的內(nèi)容是相同的，背景不變，只是人像的大小因?yàn)槿说淖邉?dòng)在變化，人的正常步速一般為1.5 m/s，煤礦井下視覺(jué)監(jiān)測(cè)范圍至少有3～5 m的范圍，對(duì)視頻文件以1 Hz的頻率進(jìn)行幀采樣，一般不會(huì)丟失有用的幀圖像。這樣，共得到約1.2萬(wàn)張圖片，去除不包含人的和高度相似的冗余圖像，共獲得1 500張井下人員圖像，再對(duì)視頻幀進(jìn)行圖像增強(qiáng)，然后將有人的圖像制作成檢測(cè)數(shù)據(jù)集。建立了煤礦井下人員數(shù)據(jù)集。

3.2? 模型訓(xùn)練與實(shí)驗(yàn)

因?yàn)樽越〝?shù)據(jù)集數(shù)據(jù)量小，為彌補(bǔ)數(shù)據(jù)集數(shù)據(jù)量不足，在訓(xùn)練模型時(shí)采用了在線Mosaic數(shù)據(jù)增強(qiáng)、多尺度訓(xùn)練和遷移學(xué)習(xí)等方法。

Mosaic數(shù)據(jù)增強(qiáng)從數(shù)據(jù)集中隨機(jī)選擇四張照片，通過(guò)隨機(jī)縮放、隨機(jī)裁切、隨機(jī)分布的方式進(jìn)行拼接，通過(guò)這種方式大大豐富了數(shù)據(jù)集，增加了模型的魯棒性，有利于訓(xùn)練過(guò)程的收斂。多尺度訓(xùn)練。在訓(xùn)練過(guò)程中，對(duì)原始圖像按照原始寬高比設(shè)置多個(gè)訓(xùn)練尺寸，訓(xùn)練時(shí)每一次迭代都隨機(jī)選擇一種尺寸訓(xùn)練。

本文的模型遷移學(xué)習(xí)按以下方法進(jìn)行。首先采用了PASCAL VOC2007、PASCAL VOC2012和Microsoft COCO中的人物圖片，約抽取了三個(gè)數(shù)據(jù)集的8萬(wàn)張照片制作成預(yù)訓(xùn)練數(shù)據(jù)集。在模型訓(xùn)練時(shí)，先將在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練過(guò)的ResNeXt網(wǎng)絡(luò)嵌入本文的檢測(cè)模型作為特征提取網(wǎng)絡(luò)，然后對(duì)整個(gè)檢測(cè)模型在制作好的預(yù)訓(xùn)練數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練，最后在煤礦井下人員檢測(cè)數(shù)據(jù)集上進(jìn)行微調(diào)。

本文使用的訓(xùn)練平臺(tái)的配置：

硬件配置：CPU為Intel Corei7-9900KF，內(nèi)存為32 GB，GPU為兩塊GeForceRTX 2080Ti。

軟件及版本：操作系統(tǒng)Ubuntu 20.04 LTS， Conda 5.3.1，PyTorch 1.10.2，Python 3.8。

使用訓(xùn)練好的模型進(jìn)行測(cè)試的結(jié)果樣例如圖3所示。

模型的評(píng)價(jià)本文從檢測(cè)速度和檢測(cè)精度兩個(gè)方面進(jìn)行。檢測(cè)速度一般用幀每秒（FPS）來(lái)進(jìn)行衡量，檢測(cè)精度的衡量指標(biāo)有查準(zhǔn)率和查全率，除此之外，還有查準(zhǔn)率-查全率（PR）曲線、平衡點(diǎn)（BEP）和平均精度（AP）。

實(shí)驗(yàn)結(jié)果如表1所示，AP@0.5和AP@0.75代表模型的IoU閾值為0.5和0.75時(shí)的AP值，AP為IoU在[0.5，0.95]上每隔0.05所取AP值的平均值。

本文采用的特征提取網(wǎng)絡(luò)ResNeXt和多尺度結(jié)構(gòu)NAS-FPN能大幅度提高模型的檢測(cè)性能。根據(jù)表1可知，本文提出的人員檢測(cè)算法與SSD相比，在犧牲部分檢測(cè)速度（2.8 FPS）的前提下，在各項(xiàng)精度指標(biāo)（AP、AP@0.5、AP@0.75、AR）上均有較大的提高；與Cascade R-CNN相比，在檢測(cè)精度上有所不及，但檢測(cè)速度提高明顯（2.2 FPS）。

4? 結(jié)? 論

人員安全是煤礦安全生產(chǎn)的重要組成部分。本文提出了一種基于Focal Loss的煤礦井下人員檢測(cè)算法對(duì)進(jìn)入危險(xiǎn)區(qū)域的人員及時(shí)發(fā)出預(yù)警。該方法先將攝像頭輸入的圖像進(jìn)行圖像預(yù)處理，隨后送入人員檢測(cè)算法中進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)有人進(jìn)入時(shí)及時(shí)作出相應(yīng)。該算法在對(duì)計(jì)算機(jī)性能要求不高的前提下保證了較快的響應(yīng)速度，同時(shí)具有較高的準(zhǔn)確性，符合煤礦井下的實(shí)際情況。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文的煤礦井下人員安全視覺(jué)監(jiān)測(cè)算法具有可行性和實(shí)用價(jià)值。

參考文獻(xiàn)：

[1] 中國(guó)煤炭工業(yè)協(xié)會(huì).2021年煤炭行業(yè)發(fā)展年度報(bào)告 [R].2022.

[2] 張新.基于LoRa和RFID技術(shù)的礦井人員定位系統(tǒng)設(shè)計(jì) [J].化工礦物與加工，2020，49（4）：34-38.

[3] 劉世森.基于UWB的礦井人員精準(zhǔn)定位技術(shù) [J].煤礦安全，2019，50（6）：118-120.

[4] 羅宇鋒，楊益龍.基于WI-FI技術(shù)的礦井人員定位算法研究 [J].計(jì)算機(jī)仿真，2015，32（11）：270-273+419.

[5] 王仁杰.基于ZigBee的井下人員定位系統(tǒng)研究 [D].焦作：河南理工大學(xué)，2018.

[6] 唐士宇，朱艾春，張賽，等.基于深度卷積神經(jīng)網(wǎng)絡(luò)的井下人員目標(biāo)檢測(cè) [J].工礦自動(dòng)化，2018，44（11）：32-36.

[7] 李偉山，衛(wèi)晨，王琳.改進(jìn)的Faster RCNN煤礦井下行人檢測(cè)算法 [J].計(jì)算機(jī)工程與應(yīng)用，2019，55（4）：200-207.

[8] 袁稼軒.基于深度學(xué)習(xí)的井下巷道行人檢測(cè)與距離估計(jì) [D].合肥：合肥工業(yè)大學(xué)，2019.

[9] 周晨暉.基于深度學(xué)習(xí)的煤礦復(fù)雜場(chǎng)景人員檢測(cè)與統(tǒng)計(jì)分析方法研究 [D].徐州：中國(guó)礦業(yè)大學(xué)，2018.

[10] JIAO L C，ZHANG F，LIU F，et al. A survey of deep learning-based object detection [J].IEEE Access，2019，7：128837-128868.

[11] HE K M，SUN J，TANG X O. Single Image Haze Removal Using Dark Channel Prior [J].IEEE transactions on pattern analysis and machine intelligence，2011，33（12）：2341-2353.

[12] XIE S N，GIRSHICK R，DOLLAR P，et al. Aggregated Residual Transformations for Deep Neural Networks [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu：IEEE，2017：5987-5995.

[13] HE K M，ZHANG X Y，REN S Q，et al. Deep Residual Learning for Image Recognition [C]//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Las Vegas：IEEE，2016：770-778.

[14] LIN T Y，DOLL?R P，GIRSHICK R，et al. Feature Pyramid Networks for Object Detection [C]//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu：IEEE，2017：936-944.

[15] LIU S，QI L，QIN H F，et al. Path aggregation network for instance segmentation [C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City：IEEE，2018：8759-8768.

[16] GHIASI G，LIN T Y，LE Q V. Nas-fpn： Learning Scalable Feature Pyramid Architecture for Object Detection [J] CoRR，2019：7029-7038.

作者簡(jiǎn)介：陳立燁（2003—），男，漢族，山東臨沂人，本科在讀，研究方向：深度學(xué)習(xí)、信息處理；黨浚哲（2002—），男，漢族，遼寧營(yíng)口人，本科在讀，研究方向：計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)；崔子航（2002—），男，漢族，河南駐馬店人，本科在讀，研究方向：計(jì)算機(jī)科學(xué)、大數(shù)據(jù)；陳思妍（2003—），女，漢族，湖南株洲人，本科在讀，研究方向：信息處理、圖像識(shí)別；段琦鋒（2001—），男，漢族，山西太原人，本科在讀，研究方向：信息傳輸、無(wú)線通信。

收稿日期：2023-02-16