典型文献
井下矿工多目标检测与跟踪联合算法
文献摘要：
针对现有的煤矿井下矿工多 目标跟踪算法检测速度慢、识别精度低等问题,提出了 一种基于改进YOLOv5s模型与改进Deep SORT算法的多目标检测与跟踪联合算法.多目标检测部分,在YOLOv5s的基础上进行改进,得到 YOLOv5s-GAD模型:引入幻象瓶颈卷积(GhostConv)模块和深度可分离卷积(DWConv)模块,分别替换YOLOv5s模型骨干网络和路径聚合网络中的BottleneckCSP模块,以提高特征提取速度;针对井下光线暗、图像噪点多等特点,在最小特征图中引入高效通道注意力神经网络(ECA-Net)模块,以提高模型整体精度.多目标跟踪部分,使用全尺度网络(OSNet)替换Deep SORT中的浅层残差网络进行全方位特征学习,以更好地实现行人重识别,提高目标跟踪的准确性.实验结果表明:在自定义数据集Miner21上,YOLOv5s-GAD模型的平均精度(交并比为0.5时)达97.8％,帧率达140.2帧/s,多 目标检测效果优于常用的Faster RCNN,YOLOv3,YOLOv5s模型;在公开行人数据集MOT17上,多 目标检测与跟踪联合算法的速度与准确率等综合性能优于IOU17,Deep SORT等常用多目标跟踪算法,人员身份转换次数最少,行人重识别效果最好;采用井下矿工多目标检测与跟踪联合算法能够及时检测并跟踪井下矿工,多目标跟踪效果良好.
文献关键词：
煤矿安全;多目标检测与跟踪;行人重识别;YOLOv5s;YOLOv5s-GAD;Deep SORT;全尺度网络
中图分类号：
作者姓名：
周孟然;李学松;朱梓伟;黄凯文
作者机构：
安徽理工大学 电气与信息工程学院,安徽淮南 232001
文献出处：
引用格式：
[1]周孟然;李学松;朱梓伟;黄凯文-.井下矿工多目标检测与跟踪联合算法)[J].工矿自动化,2022(10):40-47
A类：
GhostConv,DWConv,全尺度网络,Miner21,IOU17
B类：
井下矿工,多目标检测与跟踪,联合算法,煤矿井下,检测速度,速度慢,识别精度,YOLOv5s,Deep,SORT,GAD,幻象,深度可分离卷积,别替,骨干网络,路径聚合网络,BottleneckCSP,下光,光线,噪点,特征图,高效通道注意力,注意力神经网络,ECA,整体精度,OSNet,残差网络,方位特征,特征学习,行人重识别,自定义,定义数据,交并比,帧率,检测效果,Faster,RCNN,YOLOv3,开行,MOT17,多目标跟踪算法,身份转换,转换次数,煤矿安全
AB值：
0.269657
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
