RCEAU-Net:级联多尺度卷积和基于注意力机制的网络,用于激光束目标图像细分,在煤矿中具有复杂的背景
Wenjuan Yang1,2, Yanqun Wang1, Xuhui Zhang1,2
1School of Mechanical Engineering, Xi'an University of Science and Technology, No. 58, Mid-Yanta Road, Xi'an 710054, China.
Sensors (Basel, Switzerland)
|April 27, 2024
概括
一个新的RCEAU-Net模型改进了激光束细分,用于煤矿中的道路头部位置估计. 这提高了精度和稳定性,使得道运行更安全,更有效.
科学领域:
- 机器人和自动化 机器人和自动化
- 计算机视觉 计算机视觉
- 采矿工程 采矿工程 采矿工程
背景情况:
- 精确的杆式路头的位置估计对于道的质量,效率和煤矿的安全至关重要.
- 多激光束目标视觉定位是有效的,但受到阻碍激光特征细分的复杂地下背景的挑战.
- 现有的方法难以稳定和准确地提取激光束特征,以远距离视觉定位地下设备.
研究的目的:
- 提出一个新的语义细分网络,RCEAU-Net,用于在具有挑战性的煤矿环境中精确的激光束特征提取.
- 通过结合剩余连接,级联多尺度卷积和改善细分的注意模块来提高U-Net的性能.
- 为了验证RCEAU-Net的有效性,使用来自真实煤矿操作的定制激光束目标数据集 (LBTD).
主要方法:
- 开发了RCEAU-Net,这是一个基于U-Net的语义细分网络,在编码器/解码器中具有剩余连接,在跳过连接中具有级联多尺度卷积.
- 在编码器中集成了一种高效的多尺度注意力模块,具有跨空间学习,用于增强特征提取.
- 使用来自多个煤矿站点的图像构建了激光束目标数据集 (LBTD),用于培训和测试.
主要成果:
- 与原来的U-Net相比,RCEAU-Net的细分性能有所改善,精度增加了0.19%,精度增加了2.53%,回忆增加了22.01%,交叉和联合比率增加了8.48%.
- 该网络实现了实时性能,同时显著提高了长距离微小激光束的细分.
- 该模型有效处理复杂的背景,满足多激光束特征细分和提取的要求.
结论:
- 在复杂的煤矿环境中,RCEAU-Net提供了一个强大的解决方案,用于细分和提取激光束特征.
- 拟议的方法显著提高了长距离视觉定位的准确性和稳定性.
- 这一进步有助于确保煤矿工作面的安全和高效生产.
