摘要
摘要：随着我国经济发展方式的不断的变化和发展，其中煤炭行业的发展更是在前沿，智能化要求的不断提高，智能化掘进成为煤炭安全高效采掘的发展趋势。正常的生产生活环境的人体识别已经较为成熟，识别准确率也很高，但是在煤矿的掘进工作面，光线比较差，烟尘比较多，视觉成像效果很差。因此实现掘进工作面人体识别需要攻克的技术难点之一就是准确完成人体图像的识别和定位。目前,已有学者在目标识别方面进行广泛的研究,但传统的人体识别方法存在特征提取困难、泛化能力弱、未实现定位等问题。深度学习作为人工智能的一个重要分支，已广泛应用于许多领域，特别是在机器视觉和语音识别中，其性能与传统学习方法相比有了很大的提高，并且具有良好的迁移学习能力。本文提出了一种改进的YOLOv4算法，作为一种经典的深度学习方法，用于在掘进工作面的特定场景下人体的智能、高精度识别。与其他算法相比，YOLOv4通过对不同的数据集进行聚类分析，具有更好的锚定值，并通过使用拉普拉斯算子和高斯滤波器来减少矿尘和冲击的影响，通过增加特征金字塔的层数获得更丰富的详细信息，具有良好的抗干扰能力。实验结果表明，与YOLOv4、YOLOv 3、SSD和Faster RCNN四种算法相比，本文提出的改进YOLOv4具有更好的检测精度、更快的检测速度和鲁棒性。
出版日期
2023年04月21日（中国期刊网平台首次上网日期，不代表论文的发表时间）
