井下复杂环境人员重识别研究

魏力, 云霄, 程小舟, 孙彦景

魏力，云霄，程小舟,等.井下复杂环境人员重识别研究［J］.工矿自动化，2021,47（6）：63-70.. DOI: 10.13272/j.issn.1671-251x.17701
引用本文: 魏力，云霄，程小舟,等.井下复杂环境人员重识别研究［J］.工矿自动化，2021,47（6）：63-70.. DOI: 10.13272/j.issn.1671-251x.17701
shu
WEI Li, YUN Xiao, CHENG Xiaozhou, SUN Yanjing. Research on personnel re-identification in complex underground environment[J]. Journal of Mine Automation, 2021, 47(6): 63-70. DOI: 10.13272/j.issn.1671-251x.17701
Citation: WEI Li, YUN Xiao, CHENG Xiaozhou, SUN Yanjing. Research on personnel re-identification in complex underground environment[J]. Journal of Mine Automation, 2021, 47(6): 63-70. DOI: 10.13272/j.issn.1671-251x.17701
shu

井下复杂环境人员重识别研究

  • 1.

    中国矿业大学 信息与控制工程学院， 江苏 徐州221116

  • 2.

    中钢集团马鞍山矿山研究院股份有限公司 选矿及自动化研究所， 安徽 马鞍山243000

  • 3.

    徐州市智能安全与应急协同工程研究中心， 江苏 徐州221116

基金项目: 

江苏省自然科学基金青年项目(BK20180640)

国家自然科学基金项目(61902404,51734009,51504255,51734009,61771417，62001475)

国家重点研发计划项目(2016YFC0801403)

江苏省重点研发计划项目(BE2015040)

详细信息

  • 中图分类号: TD67

Research on personnel re-identification in complex underground environment

  • 1.

    School of Information and Control Engineering, China University of Mining and Technology, Xuzhou 221116, China

  • 2.

    Research Institute of Mineral Processing and Automation, Sinosteel Maanshan General Institute of Mining Research Co., Ltd., Maanshan 243000, China

  • 3.

    Xuzhou Engineering Research Center of Intelligent Industry Safety and Emergency Collaboration, Xuzhou221116, China

HTML全文

    摘要
  • 摘要: 对煤矿井下视频监控中的人员身份进行智能识别，对提高人员监管效率、减少安全事故发生具有重要意义。受井下环境复杂、视频监控设备性能局限性影响，井下视频监控图像存在分辨率低、遮挡、背景干扰等问题，导致井下人员间差异性较小，人员重识别准确率低。针对上述问题，提出了一种基于通道注意力和距离度量的网络结构，并将其用于井下复杂环境人员重识别。针对监控图像中人员与背景不易区分的问题，在骨干网络中引入通道注意力模块，使其更加关注人员的前景特征而抑制背景信息，并将骨干网络最后一层输出的特征图大小扩大1倍，以获得更多的细粒度特征，丰富人员的特征信息，增强网络对特征的学习能力；在实现不同身份人员分类的基础上，利用人员图像间的绝对距离信息，通过距离度量模块对难以识别的人员图像进行采样和加权处理，增加难样本在反向传播时的权重，使网络更加关注具有判别力的人员特征；联合使用身份损失和距离度量损失优化特征层，使网络提取出更具判别力的人员特征，从而提高重识别准确度。采用Miner-CUMT数据集对提出的井下复杂环境人员重识别方法进行验证，结果表明该方法可充分利用井下不同身份人员的关键信息，使识别网络具有更强的判别能力，提高了井下作业人员身份识别准确度。
    Abstract: Intelligent identification of personnel in underground video monitoring in coal mines is of great significance for improving the efficiency of personnel supervision and reducing the occurrence of safety accidents. Affected by the complex underground environment and the performance limitations of monitoring video equipment, the underground video monitoring images have problems such as low resolution, occlusion and background interference, resulting in small differences among underground personnel and low accuracy of personnel re-identification. In order to solve the above problems, a network structure based on distance metric and channel attention is proposed. The structure is used for personnel re-identification in complex underground environments. In order to solve the problem that it is not easy to distinguish personnel from background in monitoring images, a channel attention module is introduced into the backbone network to make it pay more attention to the foreground characteristics of personnel and suppress the background information. Moreover, the size of the characteristic map output from the last layer of the backbone network is doubled so as to obtain more fine-grained characteristics, enrich the characteristic information of personnel and enhance the network's ability to learn characteristics. On the basis of realizing the classification of personnel with different identities, using the absolute distance information between the images of personnel, the distance metric module is used to sample and weight the personnel images who are difficult to identify, increase the weight of the difficult samples in the back propagation, and make the network pay more attention to the discriminative personnel characteristics. The identity loss and distance metric loss are jointly used to optimize the characteristic layer, so that the network can extract more discriminative personnel characteristics to improve the re-identification accuracy. The Miner-CUMT data set is used to verify the proposed method for personnel re-identification in complex underground environments. The results show that the method can make full use of the key information of personnel with different identities in the underground, so that the identification network has stronger discrimination ability and improves the accuracy of personnel identification in the underground.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(25)

  • 期刊类型引用(15)

    1. 王忠宾，李福涛，司垒，魏东，戴嘉良，张森. 采煤机自适应截割技术研究进展及发展趋势. 煤炭科学技术. 2025(01): 296-311 . 百度学术
    2. 赵一鸣，相志，张农，戴京辰. 雷达探测中煤岩介质相对介电常数变化特征. 采矿与安全工程学报. 2024(06): 1222-1229 . 百度学术
    3. 周素静，康楠，余敏. 基于变形分数阶Lorenz混沌系统的煤岩界面图像分割方法. 金属矿山. 2024(12): 246-251 . 百度学术
    4. 吴钰晶. 基于峰值检测与栅格化二次拟合算法的微粗糙裸露断面拾取方法. 煤炭工程. 2024(12): 155-160 . 百度学术
    5. 刘送永，程诚，吴洪状，崔玉明，孟德远，司垒. 基于煤岩界面识别的采煤机智能调高控制方法研究. 煤炭科学技术. 2024(S2): 186-200 . 百度学术
    6. 刘亚军，魏春明，杨德斌，郭劲松. 基于探地雷达技术的邻井探测与仿真研究. 物联网技术. 2023(02): 42-46 . 百度学术
    7. 索永录. 智能综采机组控制目标及采煤机割煤高度控制方法. 西安科技大学学报. 2023(01): 9-17 . 百度学术
    8. 贺艳军，李海雄，胡淼龙，薛竞飞. 煤岩识别技术发展综述. 工矿自动化. 2023(12): 1-11 . 本站查看
    9. 刘小雄，王海军. 薄煤层智能开采工作面煤层透明化地质勘查技术. 煤炭科学技术. 2022(07): 67-74 . 百度学术
    10. 杨宇博，田慕琴. 基于麻雀优化的二维Otsu煤岩界面识别方法. 现代电子技术. 2022(19): 49-53 . 百度学术
    11. 王世佳，王世博，刘万里. 采煤机截割高度测量模型与测量误差分析. 仪器仪表学报. 2021(04): 140-149 . 百度学术
    12. 刘万里，马修泽，张学亮. 基于探地雷达的特厚煤层厚度动态探测技术. 煤炭学报. 2021(08): 2706-2714 . 百度学术
    13. 刘万里，张学亮，王世博. 采煤工作面煤层三维模型构建及动态修正技术. 煤炭学报. 2020(06): 1973-1983 . 百度学术
    14. 高士岗，高登彦，欧阳一博，柴敬，张丁丁，任文清. 中薄煤层智能开采技术及其装备. 煤炭学报. 2020(06): 1997-2007 . 百度学术
    15. 程建远，朱梦博，王云宏，岳辉，崔伟雄. 煤炭智能精准开采工作面地质模型梯级构建及其关键技术. 煤炭学报. 2019(08): 2285-2295 . 百度学术

    其他类型引用(10)

    • 资源附件(0)
计量
  • 文章访问数:  162
  • HTML全文浏览量:  13
  • PDF下载量:  21
  • 被引次数: 25
出版历程
  • 刊出日期:  2021-06-19

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(25)
    资源附件(0)

    /

    返回文章
    返回

    苏ICP备 05016349号-2

    本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1163212    百度统计