一种煤矿井下图像质量评估方法技术

本发明专利技术涉及煤矿井下图像质量评估方法技术领域，具体为一种煤矿井下图像质量评估方法，包括以下步骤，数据集准备

【技术实现步骤摘要】
一种煤矿井下图像质量评估方法


[0001]本专利技术涉及煤矿井下图像质量评估方法
，尤其涉及一种煤矿井下图像质量评估方法
。

技术介绍

[0002]煤矿井下图像质量评估方法是一种被广泛用于评估在矿井环境中获取的图像的清晰度
、
对比度
、
噪声水平方面的质量的评估类方法，由于煤矿井下环境复杂，光线条件有限，矿工在执行任务时可能需要依赖于图像来进行判断和决策
。
因此，对于井下获取的图像质量进行准确评估具有重要意义，可以帮助矿工和矿务管理人员确定图像是否足够清晰以支持矿工的工作和安全，一般包含清晰度评估
、
对比度评估
、
噪声评估
、
平均值评估
、
分辨率评估
。
[0003]清晰度是指图像中目标物体的边缘清晰程度，清晰度评估方法可基于图像的锐度
、
边缘梯度指标，通过计算图像中各个区域的清晰度值来评估图像的清晰度水平
。
对比度是指图像中亮度差异的程度，对于煤矿井下图像而言，对比度的高低能够影响图像中目标物体的可见性，对比度评估方法可通过计算图像中不同区域的像素值差异来确定图像的对比度水平
。
井下环境中常常存在各种噪声源，如电磁干扰
、
照明不足，这些噪声会对图像质量产生影响，噪声评估方法可通过分析图像中的噪声水平，如高斯噪声
、
椒盐噪声，来评估图像的噪声情况
。
图像中各个像素点的颜色值在一定程度上反映了图像的质量，平均值评估方法可通过计算图像中各个颜色通道的均值来评估图像的质量水平，分辨率是指图像中能够区分的最小细节大小，在煤矿井下环境中，分辨率的高低对于矿工的视觉辨识任务至关重要，分辨率评估方法可通过计算图像中物体的边缘或细节的清晰度来评估图像的分辨率水平
。
[0004]在现有煤矿井下图像质量评估方法的实际使用过程中，由于现有特征提取方法可能受限于手工设计的特征表示，因此难以全面捕捉图像的复杂特征，导致模型在处理复杂图像场景
、
光照变化或噪声因素时的性能下降，且对于评估指标缺乏全面性衡量，导致对于图像清晰度
、
对比度
、
色彩保证度的判断结果准确性不足
。
而在整体数据集方面，数据集的收集采纳过于随机性，导致整体性能不均衡，在部分子集
、
未知测试数据方面性能较差
。

技术实现思路

[0005]本专利技术的目的是解决现有技术中存在的缺点，而提出的一种煤矿井下图像质量评估方法
。
[0006]为了实现上述目的，本专利技术采用了如下技术方案：一种煤矿井下图像质量评估方法，包括以下步骤：
[0007]数据获取，整合生成数据集；
[0008]设计卷积神经网络模型，基于所述数据集，对所述卷积神经网络模型进行模型训练；
[0009]基于所述卷积神经网络模型，执行图像质量评估；
[0010]对所述卷积神经网络模型进行性能评估
。
[0011]作为本专利技术的进一步方案，所述数据集包含各种质量等级的煤矿井下图像，各种质量等级的煤矿井下图像包含常见的图像质量问题，所述图像质量问题包括模糊
、
噪声
、
对比度不足；
[0012]所述数据获取，整合生成数据集的步骤具体为：
[0013]收集并为大规模的煤矿井下图像数据集图像标注质量等级和问题标签；
[0014]应用数据增强技术，包括旋转
、
缩放
、
平移，增加数据集的多样性并提高模型的鲁棒性；
[0015]整合数据增强技术所增强数据，整合并归类数据集
。
[0016]作为本专利技术的进一步方案，所述设计卷积神经网络模型，基于所述数据集，对所述卷积神经网络模型进行模型训练的步骤具体为：
[0017]设计卷积神经网络的架构，定义网络结构
、
卷积层
、
池化层
、
全连接层来提取图像特征；
[0018]为卷积神经网络选择合适的损失函数和优化器，并利用图像增强处理后的数据集进行网络训练；
[0019]进行模型调优
。
[0020]作为本专利技术的进一步方案，所述损失函数采用绝对误差度量预测值与真实质量值之间的差异，所述优化算法采用
Adam
优化器，并基于调节学习率参数方式，对训练过程的效果进行调整
。
[0021]作为本专利技术的进一步方案，所述进行模型调优具体指采用网格搜索方式寻找最佳的超参数配置，并通过正则化方法，包括
L1
正则化
、L2
正则化用来控制模型的复杂度，缓解过拟合问题，使用交叉验证来评估模型在不同数据子集上的性能，选择最佳的模型配置
。
[0022]作为本专利技术的进一步方案，所述基于所述卷积神经网络模型，执行图像质量评估的步骤具体为：
[0023]采用图像增强技术对所述图像质量评估的数据进行预处理；
[0024]基于计算机视觉和图像处理技术加载图像质量评估算法和特征提取方法，通过分析图像的像素值
、
频谱特征
、
纹理特征，自动检测和识别图像质量问题；
[0025]采用深度学习模型对煤矿井下图像进行质量评估；
[0026]参考多组图像质量评估指标，计算综合的图像质量评分
。
[0027]作为本专利技术的进一步方案，所述图像增强技术包含噪声去除
、
对比度增强
、
锐化，所述噪声去除具体指采用滤波技术，基于中值滤波
、
高斯滤波方法，减少图像中的噪声，所述对比度增强具体指采用直方图均衡化
、
对比度拉伸方法，增加图像的对比度和视觉效果，所述锐化具体指采用拉普拉斯算子提升图像的清晰度
。
[0028]作为本专利技术的进一步方案，所述图像质量评估指标包括结构相似性指数
、
峰值信噪比
、
自适应对比度增强；
[0029]计算综合的图像质量评分具体采用加权平均方法，基于结构相似性指数
40
％
、
峰值信噪比
20
％
、
自适应对比度增强
40
％比例分配权重
。
[0030]作为本专利技术的进一步方案，所述对所述卷积神经网络模型进行性能评估的步骤具
体为：
[0031]采用随机数生成器，以
80
％的数据作为训练集，
20
％的数据作为测试集比例，分割数据集为训练集和测试集；
[0032]使用独立的测试数据集对训练好的模型进行性能评估，性能评估的评估指标包括准确率
、
召回率<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种煤矿井下图像质量评估方法，其特征在于，包括以下步骤：数据获取，整合生成数据集；设计卷积神经网络模型，基于所述数据集，对所述卷积神经网络模型进行模型训练；基于所述卷积神经网络模型，执行图像质量评估；对所述卷积神经网络模型进行性能评估
。2.
根据权利要求1所述的煤矿井下图像质量评估方法，其特征在于，所述数据集包含各种质量等级的煤矿井下图像，各种质量等级的煤矿井下图像包含常见的图像质量问题，所述图像质量问题包括模糊
、
噪声
、
对比度不足；所述数据获取，整合生成数据集的步骤具体为：收集并为大规模的煤矿井下图像数据集图像标注质量等级和问题标签；应用数据增强技术，包括旋转
、
缩放
、
平移，增加数据集的多样性并提高模型的鲁棒性；整合数据增强技术所增强数据，整合并归类数据集
。3.
根据权利要求1所述的煤矿井下图像质量评估方法，其特征在于，所述设计卷积神经网络模型，基于所述数据集，对所述卷积神经网络模型进行模型训练的步骤具体为：设计卷积神经网络的架构，定义网络结构
、
卷积层
、
池化层
、
全连接层来提取图像特征；为卷积神经网络选择合适的损失函数和优化器，并利用图像增强处理后的数据集进行网络训练；进行模型调优
。4.
根据权利要求3所述的煤矿井下图像质量评估方法，其特征在于，所述损失函数采用绝对误差度量预测值与真实质量值之间的差异，所述优化算法采用
Adam
优化器，并基于调节学习率参数方式，对训练过程的效果进行调整
。5.
根据权利要求3所述的煤矿井下图像质量评估方法，其特征在于，所述进行模型调优具体指采用网格搜索方式寻找最佳的超参数配置，并通过正则化方法，包括
L1
正则化
、L2
正则化用来控制模型的复杂度，缓解过拟合问题，使用交叉验证来评估模型在不同数据子集上的性能，选择最佳的模型配置
。6.
根据权利要求1所述的煤矿井下图像质量评估方法，其特征在于，所述基于所述卷积神经网络模型，执行图像质量评估的步骤具体为：采用图像增强技术对所述图像质量评估的数据进行预处理；基于计算机视觉和图...

【专利技术属性】
技术研发人员：陈茂川，窦涛，杨志鹏，赵天祥，吴昊翰，马珑福，
申请(专利权)人：四川航天电液控制有限公司，
类型：发明
国别省市：