基于改进双流法的井下配电室巡检行为识别

被引：11

作者：

党伟超 ^{[1
]}

张泽杰 ^{[1
]}

白尚旺 ^{[1
]}

龚大力 ^{[2
]}

吴喆峰 ^{[2
]}

机构：

[1] 太原科技大学计算机科学与技术学院

[2] 精英数智科技股份有限公司

来源：

工矿自动化 | 2020年 / 46卷 / 04期

关键词：

井下配电室; 巡检行为识别; 双流卷积神经网络; 视频分段; 特征融合;

D O I：

10.13272/j.issn.1671-251x.2019080074

中图分类号：

TP391.41 []; TD611.2 [];

学科分类号：

080203 ; 0819 ;

摘要：

井下配电室监控视频持续时间较长且行为类型复杂,传统双流卷积神经网络(CNN)法对此类行为识别效果较差.针对该问题,对双流CNN法进行改进,提出了一种基于改进双流法的井下配电室巡检行为识别方法.通过场景分析,将巡检行为分为站立检测、下蹲检测、走动、站立记录、坐下记录5种类型,并制作了巡检行为数据集IBDS5.将每个巡检行为视频等分为3个部分,分别对应巡检开始、巡检中和巡检结束;对3个部分视频分别随机采样,获取代表空间特征的RGB图像和代表运动特征的连续光流图像,并分别输入空间流网络和时间流网络进行特征提取;对2个网络的预测特征进行加权融合,获取巡检行为识别结果.实验结果表明,以Res Net152网络结构为基础,且权重比例为1∶2的空间流和时间流双流融合网络具有较高的识别准确度,Top-1准确度达到98.92%;本文方法在IBDS5数据集和公共数据集UCF101上的识别准确率均优于3D-CNN、传统双流CNN等现有方法.

引用

页码：75 / 80

页数：6

共 3 条

[1] 基于视频图像的矿井水灾识别及趋势预测方法研究 [J].