煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)

摘"要：煤礦井內(nèi)環(huán)境復(fù)雜，存在較多的危險(xiǎn)因素，單一尺度的特征提取很難實(shí)現(xiàn)精準(zhǔn)檢測(cè)目標(biāo)，無法充分保障工作人員的安全。為此，提出了煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)。通過基于自適應(yīng)鄰域的噪聲抑制方法對(duì)圖像展開去噪處理，并利用線性和非線性灰度變換方法增強(qiáng)紅外熱成像。采用特征金字塔展開多尺度融合目標(biāo)特征提取，利用多尺度融合技術(shù)，結(jié)合YOLOv5網(wǎng)絡(luò)預(yù)測(cè)損失函數(shù)，實(shí)現(xiàn)煤礦井紅外熱成像目標(biāo)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，所提算法的煤礦井紅外熱成像效果較好，能夠全部檢測(cè)到紅外熱成像目標(biāo)特征，同時(shí)PR曲線圖的AP面積較大，說明所提算法提高了目標(biāo)特征檢測(cè)的精度、效率和可靠性。

關(guān)鍵詞：多尺度融合；紅外熱成像；目標(biāo)特征檢測(cè)；特征金字塔；煤礦井

中圖分類號(hào)：TP391"""""""文獻(xiàn)標(biāo)識(shí)碼：A

Multiscale"Fusion"Target"Feature"Detection"in"Infrared

Thermal"Imaging"of"Coal"Mines

CHEN"Xiangyuan，NIU"Qing

（Guoneng"Yulin"Energy"Co.，"Ltd.，Yulin，"Shaanxi"719000，China）

Abstract：The"environment"in"coal"mine"is"complex"and"there"are"many"risk"factors."It"is"difficult"to"achieve"the"accurate"detection"target"by"single"scale"feature"extraction，"and"the"safety"of"staff"cannot"be"fully"guaranteed."Therefore，"multiscale"fusion"target"feature"detection"in"infrared"thermal"imaging"of"coal"mines"is"proposed."By"using"adaptive"neighborhood"based"noise"suppression"methodsnbsp;to"denoise"the"image，"and"utilizing"linear"and"nonlinear"grayscale"transformation"methods"to"enhance"infrared"thermal"imaging."The"multiscale"fusion"target"feature"extraction"is"carried"out"by"feature"pyramid，"and"the"multiscale"fusion"technology"is"used"to"predict"the"loss"function"combined"with"YOLOv5"network"to"realize"the"target"detection"of"infrared"thermal"imaging"in"coal"mines."The"experimental"results"show"that"the"proposed"algorithm"performs"well"in"infrared"thermal"imaging"of"coal"mines，"and"can"detect"all"infrared"thermal"imaging"target"features."At"the"same"time，"the"AP"area"of"the"PR"curve"is"larger，"indicating"that"the"proposed"algorithm"improves"the"accuracy，"efficiency，"and"reliability"of"target"feature"detection.

Key"words：multiscale"fusion;"infrared"thermal"imaging;"target"feature"detection;"characteristic"pyramid;"coal"mine"wells

煤礦井是煤炭資源的主要采集地，也是煤礦生產(chǎn)和工作的主要場(chǎng)所。然而，煤礦井內(nèi)環(huán)境復(fù)雜，存在著各種危險(xiǎn)因素，如瓦斯、粉塵等。一旦發(fā)生事故，不僅會(huì)造成煤炭資源的大量流失，還會(huì)出現(xiàn)嚴(yán)重的環(huán)境污染，甚至可能造成人員傷亡[1-2]。為此，研究煤礦井內(nèi)情況對(duì)保障煤礦井生產(chǎn)和工作安全具有重要意義和價(jià)值。

李北明等[3]通過GhostNet算法對(duì)模型采取剪枝處理，使用Mosaic和Copypaste兩種方法展開數(shù)據(jù)增強(qiáng)，提高YOLOv5的檢測(cè)準(zhǔn)確率，建立紅外安防領(lǐng)域數(shù)據(jù)集，實(shí)現(xiàn)紅外目標(biāo)檢測(cè)。但該方法去噪處理后的圖像仍存在顆粒噪聲。趙洪山等[4]利用雙邊濾波增強(qiáng)圖像紋理特征，根據(jù)特殊紋理特征和圖像掃描法，建立反映傘裙周期性的描述子，并展開紅外熱成像的粗識(shí)別。在基于密度的聚類算法（DensityBased"Spatial"Clustering"of"Applications"with"Noise，DBSCAN）的基礎(chǔ)上，建立目標(biāo)圖像的超參數(shù)求解，通過特征點(diǎn)聚類，實(shí)現(xiàn)高壓絕緣套管精細(xì)分割。但該方法的圖像增強(qiáng)效果差，無法提取到有效的細(xì)節(jié)紋理信息。宋子壯等[5]利用圖像翻譯網(wǎng)絡(luò)得出目標(biāo)域圖像，使用梯度反轉(zhuǎn)層優(yōu)化網(wǎng)絡(luò)提取特征的域間適應(yīng)性。通過最大均值差異損失縮小，提取不同紅外探測(cè)器圖像的特征分布。使用AdamW異步更新優(yōu)化算法，但該方法檢測(cè)到的目標(biāo)數(shù)量與實(shí)際數(shù)量相差較大，降低了目標(biāo)識(shí)別的精度。

為此，提出了煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)。

1"煤礦井紅外熱成像預(yù)處理

煤礦井環(huán)境較為復(fù)雜，存在較多干擾因素，獲取的紅外熱圖像往往存在噪聲，且對(duì)比度較低，會(huì)影響煤礦井紅外熱成像目標(biāo)特征的檢測(cè)和識(shí)別。為了提高煤礦井紅外熱成像目標(biāo)特征檢測(cè)的精度，進(jìn)行煤礦井紅外熱成像預(yù)處理。

1.1"煤礦井紅外熱成像的噪聲抑制

在煤礦井紅外熱成像的去噪過程中，主要采用基于自適應(yīng)鄰域的噪聲抑制，其具體思路為：通過最大類間方差法確定像素模板的最佳分割閾值。根據(jù)最佳分割閾值將像素劃分為前景、背景和噪聲，其中前景指與種子像素存在相同特征的像元，背景指固定鄰域內(nèi)與前景鄰接的部分，從而抑制煤礦井紅外熱成像中的噪聲，達(dá)到較好的紅外熱成像效果。

在煤礦井紅外熱成像的種子像素中建立一個(gè)7×7的領(lǐng)域范圍，O（o，k）表示煤礦井紅外熱成像中種子像素，其中的o是像素中的灰度，k是該灰度值出現(xiàn)的像素次數(shù)，此范圍內(nèi)存在的全部像素O的定義如式（1）所示：

O=1，O－Oo，klt;Y0，其他"（1）

其中，Y是分割閾值，用來判斷種子像素間的相似性。利用最大類間方差法將紅外熱成像的像素分為前景、背景和噪聲，以方便后續(xù)的紅外熱成像噪聲抑制。

最大類間方差法屬于閾值分割方法中的一種經(jīng)典方法，是一種非參數(shù)、無監(jiān)督的自適應(yīng)方法。將D=0，1，2，…，M設(shè)定為種子像素模板中所有灰度的集合，Ao表示灰度o出現(xiàn)在集合D中的概率，1，2，…，l表示集合D對(duì)應(yīng)背景的灰度子集，l+1，l+2，…，M表示集合D對(duì)應(yīng)目標(biāo)的灰度子集，以此推出類別θ和ν的平均灰度值和標(biāo)準(zhǔn)差，如式（2）所示：

θ0=∑lo=0Ao，θ1=∑Mo=l+1Ao

ν0=∑lo=0Ao·O/θ0，ν1=∑Mo=l+1Ao·O/θ1"（2）

由此計(jì)算類別θ和ν的類間方差表達(dá)式如式（3）所示：

σ2=θ0·θ1·（ν1－ν0）2"（3）

根據(jù)最大類間方差的規(guī)律，在灰度為0至M之間修改分割閾值Y，同時(shí)計(jì)算修改后的類間方差，類間方差最大時(shí)的Y值即為煤礦井紅外熱成像中種子像素模板的最佳分割閾值。

在煤礦井紅外熱成像中種子像素的7×7鄰域范圍內(nèi)，每一個(gè)像素1組合成的連通區(qū)域?yàn)榉N子像素的自適應(yīng)鄰域[6]，每一個(gè)含有0且至少與一個(gè)像素1相鄰的像素組合成的連通區(qū)域?yàn)楸尘皡^(qū)域。煤礦井紅外熱成像中種子像素的自適應(yīng)領(lǐng)域示意圖如圖1所示。

圖1中的煤礦井紅外熱成像種子像素的自適應(yīng)鄰域即為種子像素對(duì)應(yīng)的對(duì)象，對(duì)于單個(gè)噪聲的種子像素，種子的自適應(yīng)鄰域是種子本身；對(duì)于紅外熱成像中的細(xì)節(jié)或邊緣位置的種子像素，它的自適應(yīng)鄰域即為細(xì)節(jié)或邊緣位置的一個(gè)連通子區(qū)域[7]。找出煤礦井紅外熱成像種子像素的自適應(yīng)鄰域后，對(duì)煤礦井紅外熱成像展開去噪處理，如式（4）所示：

W=∑1q=-1"∑1m=1oqom，Mv=1

σ2"∑FvoFv，Mvgt;1""（4）

其中，F(xiàn)v是確定的煤礦井紅外熱成像種子像素的自適應(yīng)鄰域范圍；oq、om、oFv分別為自適應(yīng)鄰域范圍內(nèi)種子像素的最大灰度值、最小灰度值以及原始灰度值；Mv是在確定的自適應(yīng)鄰域范圍內(nèi)種子像素的數(shù)量（個(gè)）。當(dāng)Mv=1時(shí)，表示檢測(cè)的種子像素屬于強(qiáng)噪聲，需要對(duì)其進(jìn)行抑制處理。由此完成煤礦井紅外熱成像的噪聲抑制。

自適應(yīng)領(lǐng)域

1.2"增強(qiáng)煤礦井紅外熱成像

煤礦井紅外熱成像增強(qiáng)是指以舍棄圖像中目標(biāo)物體以外區(qū)域的信息為代價(jià)，增強(qiáng)目標(biāo)物體區(qū)域的細(xì)節(jié)信息。通過線性灰度變換和非線性灰度變換，提高煤礦井紅外熱成像的對(duì)比度，從而增強(qiáng)煤礦井紅外熱成像。

1．2．1"線性灰度變換

線性灰度變換通常用于調(diào)整圖像的亮度和對(duì)比度。在煤礦井紅外熱成像中，通過將煤礦井紅外熱成像灰度值映射到一個(gè)新的范圍，使得圖像更加清晰、明亮。在線性點(diǎn)的計(jì)算過程中，將經(jīng)過去噪處理后的灰度值范圍為q1，Q的原始煤礦井紅外熱成像g（x，y）變換成灰度值范圍為m1，M1的圖像h（x，y），具體過程如式（5）所示：

hx，y=M1－q1Q－q1·Wgx，y－q1+m1（5）

式（5）即為線性點(diǎn)的計(jì)算公式，對(duì)應(yīng)的線性灰度變換圖像如圖2所示。

通過對(duì)煤礦井紅外熱成像的線性灰度變換實(shí)行分段處理，并在分段后的不同灰度段展開壓縮或拉伸，從而在細(xì)節(jié)上改善紅外熱成像的對(duì)比度。對(duì)圖像h（x，y）進(jìn)行分段設(shè)計(jì)后的圖像表達(dá)式如式（6）所示：

h（x，y）′=

l1gx，y+m1，0≤Wgx，y≤g1

l2gx+g1，y+h1，g1lt;Wgx，y≤g2

l3gx+g2，y+h2，g2lt;Wgx，y≤g3（6）

其中，l1、l2、l3指線性變換圖像被分段后不同直線的斜率，h1、h2分別為分段線性灰度變換的縱坐標(biāo)值。

1．2．2"非線性灰度變換

非線性灰度變換通常用于處理圖像中的低對(duì)比度等問題。在煤礦井紅外熱成像中，由于煤礦井環(huán)境較暗，煤礦井紅外熱成像可能存在低對(duì)比度區(qū)域，因此通過非線性灰度變換提高圖像的質(zhì)量和對(duì)比度。對(duì)數(shù)變換算法和Gamma校正算法是非線性變換中的兩種主要算法。對(duì)數(shù)變換處理煤礦井紅外熱成像主要是拓展圖像中灰度值較低的部分，壓縮圖像中灰度值較高的部分。經(jīng)過非線性灰度變換，將原始煤礦井紅外熱成像g（x，y）變換成圖像h2（x，y）的過程如式（7）所示：

h2（x，y）=gx，y+lg"v（7）

式中，v是常數(shù)。

Gamma校正的實(shí)質(zhì)是：設(shè)定ε是煤礦井紅外熱成像的灰度值，η表示煤礦井傳感器的入射光強(qiáng)度，此時(shí)入射光強(qiáng)度對(duì)圖像灰度值的影響如式（8）所示：

ε=η"h2x，y（8）

其中，η表示常數(shù)。

為實(shí)現(xiàn)煤礦井紅外熱成像增強(qiáng)，需要使入射光的強(qiáng)度和煤礦井紅外熱成像灰度成正比[8]，將圖像灰度值進(jìn)行Gamma校正，此時(shí)Gamma校正變換式如式（9）所示：

ε1=lfε"（9）

其中，lf表示常數(shù)。

當(dāng)η取不同值時(shí)，Gamma校正[9]函數(shù)曲線如圖3所示。

由圖3可知，當(dāng)ηlt;1和ηgt;1時(shí)，入射光亮度和圖像的灰度值呈非線性變換；當(dāng)η=1時(shí)，Gamma校正函數(shù)曲線為線性變換。

將線性灰度變換和非線性灰度變換分別應(yīng)用于原始煤礦井紅外熱成像，將得到的兩個(gè)增強(qiáng)后的圖像進(jìn)行加權(quán)平均，獲取到增強(qiáng)效果更好的煤礦井紅外熱成像，表達(dá)式如式（10）所示：

E=w1h（x，y）′+w2ε1""（10）

其中，w1、w2分別表示線性灰度變換和非線性灰度變換的權(quán)重。以此達(dá)到較好的煤礦井紅外熱成像增強(qiáng)效果。

2"煤礦井紅外熱成像目標(biāo)特征檢測(cè)

利用多尺度融合技術(shù)，對(duì)經(jīng)過預(yù)處理的煤礦井紅外熱成像進(jìn)行煤礦井紅外熱成像目標(biāo)特征提取，結(jié)合YOLOv5網(wǎng)絡(luò)預(yù)測(cè)損失函數(shù)，實(shí)現(xiàn)煤礦井紅外熱成像目標(biāo)特征檢測(cè)。

2.1"提取煤礦井紅外熱成像目標(biāo)多尺度融合特征

由于煤礦井內(nèi)環(huán)境復(fù)雜，光線較弱，因此單一尺度的特征提取很難檢測(cè)到紅外熱成像目標(biāo)，多尺度融合技術(shù)可以通過融合不同尺度的紅外熱成像目標(biāo)信息，使得檢測(cè)結(jié)果更為可靠。另一方面，煤礦井中紅外熱成像目標(biāo)的大小和方向各不相同，單一的檢測(cè)算法難以適應(yīng)各種目標(biāo)，多尺度融合技術(shù)能夠更好地適應(yīng)不同的目標(biāo)需要，在不同尺度下對(duì)目標(biāo)特征進(jìn)行多角度、多方向的檢測(cè)，使紅外熱成像目標(biāo)檢測(cè)更加全面。為此，采用多尺度融合技術(shù)，將煤礦井紅外熱成像按照不同的比例縮放，得到不同尺度的圖像。多尺度是指不同比例下對(duì)圖像進(jìn)行縮放處理以獲得不同尺度的圖像。包括：大尺度的圖像經(jīng)過較小的縮放比例；中尺度的圖像經(jīng)過中等程度的縮放比例；小尺度的圖像經(jīng)過較小的縮放比例。在每個(gè)尺度下，提取一系列目標(biāo)相關(guān)的特征，如紋理特征、形狀特征和顏色特征等，描述目標(biāo)的屬性和特點(diǎn)。使用卷積神經(jīng)網(wǎng)絡(luò)（如VGG、ResNet等）對(duì)每個(gè)尺度的圖像進(jìn)行特征提取。利用特征金字塔[10]放入特征聚合層中展開多尺度融合特征提取。不同尺度圖像特征融合利用各尺度特征的權(quán)重進(jìn)行加權(quán)融合，根據(jù)不同尺度特征的貢獻(xiàn)值進(jìn)行加權(quán)求和從而實(shí)現(xiàn)融合。

將紅外熱成像輸入Focus模塊中采取切片處理，然后對(duì)處理后的圖像展開卷積操作以得到特征映射。利用Focus模塊展開卷積層替換。在對(duì)每個(gè)尺度的煤礦井紅外線成像目標(biāo)分別進(jìn)行特征提取時(shí)，利用在卷積層中嵌入的Focus模塊得到相應(yīng)的特征圖。對(duì)于不同尺度的特征圖，可以采用特征金字塔進(jìn)行特征融合，以得到多尺度融合的特征表示。采用特征金字塔中的特征圖進(jìn)行級(jí)聯(lián)，堆疊較高分辨率的特征圖和較低分辨率的特征圖，從而形成一個(gè)多通道的特征聚合層。

采用CSP方法將特征聚合層的特征映射分為兩部分，并利用跨階段結(jié)構(gòu)層次方法進(jìn)行合并處理。通過金字塔模塊，最大程度地融合特征聚合層。利用多尺度融合[11]將特征聚合層中存在的大感受野特征以及深層網(wǎng)絡(luò)中存在的高語義特征融合處理，由此完成煤礦井紅外熱成像多尺度融合特征提取。

2.2"檢測(cè)煤礦井紅外熱成像目標(biāo)特征

提取到煤礦井紅外熱成像目標(biāo)特征后，展開煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)。煤礦井內(nèi)的物體在紅外熱成像中通常呈現(xiàn)出固定的形狀，紅外熱成像儀與目標(biāo)物體的相對(duì)位置會(huì)對(duì)目標(biāo)在紅外熱成像中的幾何特征產(chǎn)生直接影響。YOLOv5網(wǎng)絡(luò)預(yù)測(cè)層中紅外熱成像儀與目標(biāo)物體的相對(duì)位置可以通過目標(biāo)成像的幾何特征與角點(diǎn)信息呈現(xiàn)，且引入了CSPDarknet53作為骨干網(wǎng)絡(luò)，通過自適應(yīng)的多尺度訓(xùn)練和測(cè)試來適應(yīng)不同大小的目標(biāo)，使得主干網(wǎng)絡(luò)與特征金字塔融合得更緊密。與其他YOLO版本相比，YOLOv5具有更高的速度和檢測(cè)精度，因此結(jié)合YOLOv5網(wǎng)絡(luò)預(yù)測(cè)損失函數(shù)，將不同尺度的紅外熱成像目標(biāo)特征融合[12-13]，實(shí)現(xiàn)檢測(cè)煤礦井紅外熱成像目標(biāo)特征。

礦井內(nèi)目標(biāo)區(qū)域在紅外熱成像中通常呈固定形狀，目標(biāo)區(qū)域的四個(gè)角點(diǎn)一般受到空間順序的限制，為此，設(shè)定四個(gè)角點(diǎn)的順序按照順時(shí)針方向，空間序列對(duì)目標(biāo)特征檢測(cè)的約束為：

x1≤x2x4≤x3y1≥y2y3≥y4"（11）

其中，（x1，y1）、（x2，y2）、（x3，y3）、（x4，y4）分別表示紅外熱成像中目標(biāo)物體預(yù)測(cè)框的四個(gè)角點(diǎn)對(duì)應(yīng)的坐標(biāo)。根據(jù)四個(gè)角點(diǎn)坐標(biāo)，計(jì)算目標(biāo)預(yù)測(cè)框中心點(diǎn)在紅外熱圖像中的坐標(biāo)，如式（12）所示：

pxo=x2+x3－x1+x42pyo=y2+y3－y1+y42""（12）

在進(jìn)行多尺度融合目標(biāo)特征檢測(cè)時(shí)，需要考慮到交互比（IoU）的影響[14]，以保證包含目標(biāo)特征的紅外熱成像與不包含目標(biāo)特征的紅外熱成像的比例平衡。煤礦井的目標(biāo)特征檢測(cè)具有特殊性，已有的交并比測(cè)評(píng)方法無法及時(shí)檢測(cè)到目標(biāo)物體的真實(shí)框與預(yù)測(cè)框的重合角度以及方向，為解決上述問題，需要尋找目標(biāo)物體與預(yù)測(cè)框的最小封閉框，此時(shí)交并比的損失G如式（13）所示：

G=1－ED1∩D2/D1+D2－D1∩D2+

DH－D1∪D2/DH（13）

其中，D1表示經(jīng)過特征提取后的紅外熱成像目標(biāo)物體在煤礦井紅外熱成像中所占的面積；D2表示煤礦井紅外熱成像中目標(biāo)預(yù)測(cè)框的面積；DH表示目標(biāo)物體與預(yù)測(cè)框形成的最小封閉框的面積。由式（13）可推出，煤礦井紅外熱成像目標(biāo)框中心點(diǎn)置信度Zconf的預(yù)測(cè)如式（14）所示：

Zconf=∑zobjG"""（14）

其中，z（obj）為目標(biāo)物體是否在預(yù)測(cè)框中的二值量。對(duì)紅外熱成像中目標(biāo)框的長(zhǎng)寬進(jìn)行預(yù)測(cè)，如式（15）所示：

Zbox=μ∑Zconf［（pxo－G）2+（pyo－G）2+

（eo－o）2+（jo－o）2］（15）

其中，eo、jo為紅外熱成像目標(biāo)物體預(yù)測(cè)框的規(guī)格；o、o為紅外熱成像中目標(biāo)物體的規(guī)格；μ表示預(yù)測(cè)量的權(quán)重系數(shù)。

對(duì)紅外熱成像中目標(biāo)類別Zclass的預(yù)測(cè)定義如式（16）所示：

Zclass=∑A·Zbox"（16）

其中，A表示檢測(cè)對(duì)象出現(xiàn)在紅外熱成像預(yù)測(cè)框中時(shí)，每個(gè)預(yù)測(cè)類別存在的概率（%）。

依據(jù)目標(biāo)物體四個(gè)角點(diǎn)的坐標(biāo)和序列約束，對(duì)目標(biāo)物體的角點(diǎn)Zcorner展開預(yù)測(cè)，如式（17）所示：

Zcorner=μ∑Zclass""（17）

為了實(shí)現(xiàn)煤礦井紅外熱成像目標(biāo)特征檢測(cè)，分別計(jì)算目標(biāo)框中心點(diǎn)置信度預(yù)測(cè)Zconf損失值、目標(biāo)框的長(zhǎng)寬預(yù)測(cè)Zbox損失值、目標(biāo)類別預(yù)測(cè)Zclass損失值、目標(biāo)物體的角點(diǎn)預(yù)測(cè)Zcorner損失值[15]，其計(jì)算過程如式（18）所示：

Lconf=Zconf－Sconf

Lbox=Zbox－Sbox

Lclass=Zclass－Sclass

Lcorner=Zcorner－Scorner""（18）

式中，Sconf、Sbox、Sclass、Scorner分別表示目標(biāo)框中心點(diǎn)置信度實(shí)際值、目標(biāo)框的長(zhǎng)寬實(shí)際值、目標(biāo)類別實(shí)際值、目標(biāo)物體的角點(diǎn)實(shí)際值。

由此可推出YOLOv5網(wǎng)絡(luò)預(yù)測(cè)損失函數(shù)，如式（19）所示：

L=Lbox+Lconf+Lclass+Lcorner""（19）

將提取到的紅外熱成像幾何特征輸入式（19）中，完成煤礦井紅外熱成像目標(biāo)特征檢測(cè)。

3"實(shí)驗(yàn)與分析

為了驗(yàn)證煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)的整體有效性，需要對(duì)其展開測(cè)試。選擇一臺(tái)配備有NVIDIA"GPU的計(jì)算機(jī)，GPU的型號(hào)為NVIDIA"GTX"1060，并在該計(jì)算機(jī)中安裝Python"3.X環(huán)境。紅外熱成像工具選擇RS6780紅外熱成像儀，進(jìn)行煤礦井紅外熱成像目標(biāo)特征檢測(cè)實(shí)驗(yàn)。煤礦井工作環(huán)境如圖4所示。

將紅外熱成像儀放置在煤礦井道側(cè)面，采集到的數(shù)據(jù)形式為視頻，利用抽幀得到500組640×480的紅外熱成像數(shù)據(jù)。

3．1"煤礦井紅外熱成像效果

由于受到亮度等因素的影響，采集到的煤礦井紅外熱成像清晰度較低，直接影響煤礦井紅外熱成像效果。為此，現(xiàn)采用所提算法、文獻(xiàn)[3]算法和文獻(xiàn)[4]算法對(duì)煤礦井紅外熱成像展開處理，不同算法的煤礦井紅外熱成像清晰度如圖5所示。

由圖5可知，原始紅外熱成像的清晰度較低，經(jīng)文獻(xiàn)[3]和文獻(xiàn)[4]算法處理過的圖像仍存在噪聲，清晰度仍然較低。使用所提算法能夠有效清除原始紅外熱成像中存在的顆粒噪聲和條紋噪聲，提高了圖像的清晰度，表明所提算法的煤礦井紅外熱成像效果較好。主要是因?yàn)樗崴惴ú捎昧嘶谧赃m應(yīng)鄰域的噪聲抑制，通過最大類間方差法確定了最佳分割閾值，抑制了煤礦井紅外熱成像中的噪聲，具有較好的紅外熱成像效果。

3．2"煤礦井紅外熱成像目標(biāo)特征檢測(cè)精度

選取某一時(shí)刻的煤礦井紅外熱成像，采用3種算法展開煤礦井紅外熱成像目標(biāo)檢測(cè)。煤礦井紅外熱成像目標(biāo)特征檢測(cè)結(jié)果如圖6所示。

由圖6可知，文獻(xiàn)[3]算法和文獻(xiàn)[4]算法的煤礦井紅外熱成像目標(biāo)特征檢測(cè)結(jié)果中的目標(biāo)框與實(shí)際人臉位置相差較大，且存在漏檢的問題，而所提算法能夠全部檢測(cè)到紅外熱成像目標(biāo)特征，說明所提算法的煤礦井紅外熱成像目標(biāo)特征檢測(cè)精度更高。這是因?yàn)樗崴惴ㄍㄟ^煤礦井紅外熱成像預(yù)處理，去除了紅外熱成像中的干擾因素，增強(qiáng)了紅外熱成像，從而提高了煤礦井紅外熱成像目標(biāo)特征檢測(cè)的精度。

3．3"煤礦井紅外熱成像目標(biāo)特征檢測(cè)可靠性

在煤礦井紅外熱成像的目標(biāo)特征檢測(cè)中，準(zhǔn)確率P表示紅外熱成像的目標(biāo)檢測(cè)值與目標(biāo)真實(shí)值的比值；召回率R表示檢測(cè)的煤礦井紅外熱成像目標(biāo)數(shù)量在所有目標(biāo)中所占的比例。mAP計(jì)算可以驗(yàn)證算法的可靠性，其中，AP是指PR曲線下方的面積。PR曲線下方的面積越大，說明該算法的煤礦井紅外熱成像目標(biāo)特征檢測(cè)結(jié)果越可靠。

統(tǒng)計(jì)3種算法的準(zhǔn)確率和召回率，得到的PR曲線圖如圖7所示。

由圖7中的PR曲線可知，所提算法對(duì)紅外熱成像目標(biāo)特征檢測(cè)的準(zhǔn)確率和召回率都高于文獻(xiàn)[3]算法和文獻(xiàn)[4]算法，且AP面積更大，表示所提算法的煤礦井紅外熱成像目標(biāo)特征檢測(cè)的可靠性較高。這是因?yàn)樗崴惴ɡ枚喑叨热诤霞夹g(shù)，通過融合不同尺度的紅外熱成像目標(biāo)特征，使得目標(biāo)特征檢測(cè)結(jié)果更加可靠。

3．4"煤礦井紅外熱成像目標(biāo)特征檢測(cè)時(shí)間

選取不同時(shí)刻的煤礦井紅外熱成像，分別命名為1、2、3、4、5、6、7、8、9、10。采用3種算法展開煤礦井紅外熱成像目標(biāo)檢測(cè)，對(duì)比不同算法的檢測(cè)時(shí)間，如表1所示。

根據(jù)表1可知，文獻(xiàn)[3]算法和文獻(xiàn)[4]算法的平均檢測(cè)時(shí)間分別為15.5"ms和19.1"ms，而所提算法的平均檢測(cè)時(shí)間僅為9.1"ms，說明所提算法具有較高的檢測(cè)效率。

4"結(jié)"論

本文提出了煤礦井紅外熱成像中的多尺度融合目標(biāo)特征檢測(cè)。該算法對(duì)礦井內(nèi)的紅外熱成像展開降噪以及增強(qiáng)處理。利用多尺度融合技術(shù)，結(jié)合特征金字塔進(jìn)行特征提取，結(jié)合YOLOv5網(wǎng)絡(luò)預(yù)測(cè)損失函數(shù)，實(shí)現(xiàn)煤礦井紅外熱成像目標(biāo)特征檢測(cè)。經(jīng)過實(shí)驗(yàn)驗(yàn)證，該算法有效提高了紅外熱成像的清晰度，說明所提算法的煤礦井紅外熱成像效果較好，目標(biāo)特征檢測(cè)精度、效率和可靠性較高。

參考文獻(xiàn)

［１］"李團(tuán)結(jié)，白光星，張琦，等.基于微色譜和正壓輸氣技術(shù)的煤礦自燃火災(zāi)監(jiān)測(cè)系統(tǒng)[J].煤礦安全，2022，53（11）：113-117.

［2］"孫繼平，范偉強(qiáng).礦井紅外熱成像遠(yuǎn)距離測(cè)溫誤差分析與精確測(cè)溫方法[J].煤炭學(xué)報(bào)，2022，47（4）：1709-1722.

［3］"李北明，金榮璐，徐召飛，等.基于特征蒸餾的改進(jìn)GhostYOLOv5紅外目標(biāo)檢測(cè)算法[J].鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2022，43（1）：20-26.

［4］nbsp;趙洪山，張則言，孟航，等.基于高壓絕緣套管紋理特征的紅外目標(biāo)檢測(cè)[J].紅外技術(shù)，2021，43（3）：258-265.

［5］"宋子壯，楊嘉偉，張東方，等.基于無監(jiān)督域適應(yīng)的低空海面紅外目標(biāo)檢測(cè)[J].光學(xué)學(xué)報(bào)，2022，42（4）：127-134.

［6］"劉瑋.基于紅外成像的金屬表面缺陷視覺檢測(cè)方法研究[J].世界有色金屬，2019，531（15）：255-256.

［7］"曲海成，申磊.面向目標(biāo)檢測(cè)的SAR圖像去噪和語義增強(qiáng)[J].光子學(xué)報(bào)，2022，51（4）：329-343.

［8］"王一竹，李淵，楊宇.基于人眼亮度感知的S型函數(shù)圖像對(duì)比度增強(qiáng)算法[J].電子科技大學(xué)學(xué)報(bào)，2022，51（4）：600-607.

［9］"李輝，王歡，王冬秀.基于改進(jìn)深度森林的抗惡意代碼攻擊算法仿真[J].計(jì)算機(jī)仿真，2022，39（1）：353-357.

［10］彭濟(jì)耀，劉子楊，馮傳旭，等.面向交通標(biāo)志檢測(cè)的尺度感知雙向特征金字塔網(wǎng)絡(luò)[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2022，34（1）：133-141.

［11］陳欣，萬敏杰，馬超，等.采用多尺度特征融合SSD的遙感圖像小目標(biāo)檢測(cè)[J].光學(xué)精密工程，2021，29（11）：2672-2682.

［12］許婷婷，傅俊瓊，羅昆.基于CNN和多尺度融合的駕駛員打電話行為檢測(cè)[J].計(jì)算機(jī)技術(shù)與發(fā)展，2022，32（2）：88-93.

［13］胡振宇，陳琦，朱大奇.基于顏色平衡和多尺度融合的水下圖像增強(qiáng)[J].光學(xué)精密工程，2022，30（17）：2133-2146.

［14］周華平，郭偉.改進(jìn)YOLOv5網(wǎng)絡(luò)在遙感圖像目標(biāo)檢測(cè)中的應(yīng)用[J].遙感信息，2022，37（5）：23-30.

［15］馬躍坤，李再幃，趙彥旭，等.無砟軌道板表面裂縫的紅外熱成像檢測(cè)方法[J].鐵道科學(xué)與工程學(xué)報(bào)，2022，19（3）：579-587.