【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种基于机器视觉的矿用无轨胶轮车超速的识别方法。
技术介绍
1、在我国煤炭行业日趋国有化的背景下，煤矿生产安全和运输安全关系到国民经济的稳定和发展。在现代化的煤矿生产过程中，煤炭辅助运输是指除煤炭运输以外,人员、材料、设备等的运输。传统的辅助运输中使用轨道矿车、无极绳、小绞车等接力运输方式，但因其存在运行环节多、速度慢、用人用机多、效率低、机动性和适应性差等问题，制约了矿井尤其是特大型矿井的生产和发展。随着我国高产高效矿井的不断发展，以无轨胶轮车作为运输工具的无轨运输因其载重能力大、使用灵活、爬坡能力大和一机多用等特点已经大量应用于煤矿的生产中，其安全行驶对于煤矿整体的高效平稳运行具有日益重大的影响。
2、目前，煤矿井下无轨胶轮车的安全行驶面临诸多挑战，首先，供无轨胶轮车行驶巷道路况复杂；其次，巷道内光照不足、粉尘过多，司机视线不佳等因素，超速行为成为井下无轨胶轮车安全行驶的最大安全隐患，必须获得足够的重视。矿用无轨胶轮车超速使得车辆在复杂的煤矿井下环境中难以控制，增加了碰撞、翻车等事故的发生几率，严重威胁工人的生命安全。
技术实现思路
1、为解决现有技术存在的技术问题，本专利技术提供了一种基于机器视觉的矿用无轨胶轮车超速的识别方法，通过获取矿用无轨胶轮车运输场景监控点的车辆数据集，并进行数据预处理及模型训练和跟踪，对跟踪后的结果进行车辆超速行为的判定。
2、为实现上述目的，本专利技术所采用的技术方案为：一种基于机器视觉的矿
3、步骤一、图像源数据获取：采用安装在采集素材区域内的摄像头，获取无轨胶轮车运输场景监控点的实时视频流，截取多个时间段内无轨胶轮车行驶的视频，然后对截取到的视频进行筛选，并对视频进行逐帧截取并得到数据集用于后续处理；
4、步骤二、数据增强预处理：对步骤一中搜集到的数据进行变换和扩充；
5、步骤三、图像透视变换及像素比计算：对获取到的数据分别进行透视变换、计算像素距离与实际距离的比值r；
6、步骤四、训练数据集制作：对步骤三处理后的数据集进行标注及划分，对进行数据预处理后的图片使用labelimg软件在图像上对无轨胶轮车进行标注，标注后会生成带有位置坐标和类别名称的txt文件，对标注后的数据集按7:2:1的比例划分为训练集、测试集和验证集；
7、步骤五、模型训练：采用yolov8-gs改进算法实现无轨胶轮车的识别；
8、步骤六、基于deepsort追踪算法实现多目标追踪；
9、步骤七、计算追踪目标的行驶速度，在yolov8-gs改进算法与deepsort追踪算法的基础上，完成车辆速度的获取以及超速行为检测。
10、在步骤三中，具体步骤如下：
11、步骤s31、具体的透视变换公式为：
12、
13、其中，(x,y,z)为原始图像像素点的齐次坐标，(x,y,z)为变换之后的图像像素点的齐次坐标，将z归一化后，得到归一化后的齐次坐标(x′,y′,1)，即原图像对应的像素点二维平面坐标经过变换后的二维平面坐标为：
14、
15、步骤s32、取已知尺寸的物体置于获取源图像数据的监控点下，并采用上述步骤s31透视变换将此图像转换成俯视图后，利用像素点计算像素距离，根据参考目标的实际距离与计算出的像素距离计算出像素比r。
16、在步骤五中，具体训练步骤：
17、步骤s51、使用slim-neck设计范式对基线模型的颈部进行改造；
18、步骤s52、在颈部网络中引入注意力机制；
19、步骤s53、本专利技术使用精度、召回率、map@0.5、模型参数规模、模型计算量、模型训练时间和检测速度作为评估指标。
20、在步骤六中，具体步骤如下：
21、步骤s61、当使用softmax损失函数进行分类时，softmax损失函数为：
22、
23、其中，m为样本数量，n为类别数，是判别xi真实标签的权向量，表示判别xi类别的权向量，xi表示第i个图像的特征向量，yi表示xi的真实标签，b为偏置项；
24、采用中心损失函数对车辆数据进行训练，中心损失函数计算公式如下：
25、
26、其中，m为样本数量，xi表示第i张图片的特征值，yi为网络特征的输出，表示特征的中心值，特征中心值随着深度的特征而变化。
27、因此，softmax损失函数联合中心损失函数定义最终损失函数lvehl，计算公式如下：
28、
29、其中，λ表示二者融合关系，ls表示softmax损失函数，lc表示中心损失函数；
30、步骤s62、多目标跟踪准确度mota的计算公式如下：
31、
32、其中，fnt是第t帧的漏检目标的数量，fpt是第t帧的错误检测次数，idst是在第t帧id switch的数量，gtt表示第t帧正确标注训练数据样本数目；
33、多目标跟踪精度motp为检测框重合度阈值下正确预测的目标与预测目标总数之比，具体计算公式如下：
34、
35、其中，dt,i表示t时刻代表目标i与标注框之间的平均度量距离，即匹配误差，ct表示t时刻匹配成功的次数。
36、在步骤七中，具体步骤为：
37、步骤s71、车辆的实时位置获取：基于追踪结果获取每一帧中物体的中心点位置，计算公式如下：
38、
39、其中，u表示车辆检测框中心的水平坐标；v表示车辆检测框中心的垂直坐标；w表示车辆检测框的纵横比；h表示车辆检测框的高度；(xk,yk)表示最终计算出的车辆质心；
40、由此可得，车辆质心轨迹集合如下式所示：
41、
42、其中，表示第k帧中第i个车的质心坐标，frames为总帧数；
43、s72、车辆行驶速度的判定：使用车辆移动的像素距离通过步骤s32计算出的像素比r得到车辆的实际位移，再利用车辆测速的初始与结束位置的帧数差除以视频帧率，从而估计出车辆经过测速区域的平均车速，具体计算步骤如下：
44、通过上述步骤s32计算出的像素比r，通过车辆移动的像素距离d得到车辆的实际位移s，计算公式如下：
45、
46、其中，d为车辆移动的像素距离，r为像素距离与实际距离的比值，表示第k帧中第i个车的质心坐标，表示第k+n帧中第i个车的质心坐标；
47、车辆经过测速区域的时间t通过帧数差和视频帧率的计算得到，公式如下：
48、
49、其中，frame1为初始测速点的帧数，frame2为结束测速点的帧数，fps为视频帧率；
50、最后，车辆速度通过计算出的车辆实际位移与时间的关系得到，公式为：
51、vt＝本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，在步骤三中，具体步骤如下：
3.根据权利要求2所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，在步骤五中，具体训练步骤：
4.根据权利要求3所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，在步骤六中，具体步骤如下：
5.根据权利要求4所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，在步骤七中，具体步骤为：
【技术特征摘要】
1.一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法，其特征在于，在步骤三中，具体步骤如下：
3.根据权利要求2所述的一种基于机器视觉的矿用无轨胶轮车超速的识别方法...
【专利技术属性】
技术研发人员：赵文静，高佳锋，张付岗，闫欣慧，邵福，赵华龙，刘江，刘成，杨静，
申请(专利权)人：山西阳光三极科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。