基于CycleGAN的低光图像增强算法的应用在地下矿山的带式输送机上的异物检测中

科学领域:

• 计算机视觉 计算机视觉
• 人工智能的人工智能
• 图像处理 图像处理

背景情况:

• 清晰的监控图像对于煤矿中的带式输送机安全至关重要.
• 地下环境带来了诸如低照明和不均的亮度等挑战,降低了图像质量并阻碍了异物检测.
• 这会影响安全监控设备的可靠性.

研究的目的:

• 开发一种改进的基于CycleGAN的算法,用于地下煤矿的低照明图像增强.
• 在复杂的照明条件下提高异物检测系统的可靠性.

主要方法:

• 使用循环生成对抗网络 (CycleGAN) 进行无监督学习.
• 实现了多尺度卷积特征增强模块,用于更丰富的特征提取.
• 包含一个照明增强模块,用于全球亮度均等和对比度降低.
• 设计了一个动态有效的自我注意聚合模块,以尽量减少噪音和文物.
• 采用全球-本地分辨器结构,以优化照明和适应性增强阴影/亮点区域.
• 引入了自我特征保存损失,以保持语义一致性并避免细节扭曲.

主要成果:

• 在CUMT-BelT数据集上取得的PSNR为27.07dB和SSIM为0.880.
• 与YOLOv11n合并的图像增强算法在异物检测方面达到94.7%的平均平均精度 (mAP).

结论:

• 拟议的算法有效地增强了地下煤矿环境中的低光图像.
• 增强的图像显著提高了异物检测的准确性,为实时安全监控提供了宝贵的参考.