本发明涉及井下风险检测，具体而言，涉及一种基于yolo-v7的井下风险检测方法。
背景技术：
1、煤矿安全性是与煤矿工作人员以及煤矿企业部门息息相关的重要工作，对人员生命和国家财产安全的保护具有举足轻重的作用。由于煤矿环境的特殊性，煤矿安全管理的信息化应用总体上还处于初级阶段，对于井下的风险检测主要依靠巡检员进行巡查。近年来,随着工业成像、计算机视觉和深度学习等领域的新技术层出不穷，基于图像的工业检测技术得到了长足的发展。智能检测技术不仅具有优秀的检测精度与效率,还能提供简便、安全的操作环境，被广泛应用于无人质检、生产控制和异常溯源等场景。目前的智能检测技术往往基于地面环境，针对地下煤矿矿道工作场景的研究尚处于空白状态。为了提高煤矿信息化水平，加快煤矿智能化建设，有必要针对地下煤矿矿道工作场景构建数据集，开发基于目标识别技术的风险检测算法，通过对摄像头回传的视频信息进行实时监测，及时、快速地发现井下工作场景的风险及隐患，保证单轨道运输路线及周边环境的安全性。因此设计了一种基于yolo-v7的井下风险检测方法。
技术实现思路
1、为了弥补以上不足，本发明提供了一种基于yolo-v7的井下风险检测方法，旨在改善上述背景技术中的问题。
2、本发明实施例提供了一种基于yolo-v7的井下风险检测方法，包括以下步骤：
3、s1.数据采集：通过数据采集设备对数据进行采集，所述数据采集的形式为图像和视频格式，所述数据采集设备与环境和最终部署时使用的设备与环境尽可能相似；
4、s2.数据增强与标注：对于采集到的数据，针对井下环境的特殊性，采用数据增强的方法进行样本生成，扩充数据集，并根据任务目标对数据集进行标注，将数据制作为训练yolo-v7神经网络所需的格式，构建单轨吊轨道巡检数据库；
5、s3.算法训练及调参：根据yolo-v7算法进行训练，并对检测结果进行分析，对网络模型进行适当的调优修改，提高模型对井下环境的适应性；
6、s4.实时检测和反馈：通过程序将数据采集设备传回的视频流输入训练好的模型进行目标检测，程序将根据检测结果和任务要求进行提示和报警；针对异常和风险，程序会根据井下安置的定位标识符识别对应的路段，进行定位，进行及时排查修复。
7、在上述实现过程中，通过采集高清晰度的矿道环境及风险情形的图片，通过添加噪声、调节亮度的方法扩充原始数据集，构建单轨吊轨道巡检数据库，提高目标检测算法针对井下环境的识别精度。
8、在一种具体的实施方案中，所述s3中yolo-v7算法是基于深度学习的回归方法，采用全卷积神经网络进行实时目标检测，所述yolo-v7算法的核心为将整张图片作为网络的输入，直接在输出层对边界框的位置和类别进行回归。
9、在一种具体的实施方案中，所述s2中采用数据增强的方法具体为yolo目标检测算法，所述yolo目标检测算法采用mosaic和mixup两种图像预处理技术。
10、在上述实现过程中，基于yolo-v7目标识别算法实现智能检测预警及目标定位，如工人是否正确佩戴安全帽、矿车是否行驶至岔道口等，并实现单轨道的精确识别，为检测单轨道运输中的安全隐患提供基础。
11、在一种具体的实施方案中，所述mosaic图像预处理技术的步骤包括：随机选取四张图片，通过几何变换的方式拼接成一张图片，丰富检测物体的背景，提升小目标的检测效果，所述几何变换的方式包括随机裁剪、缩放和旋转。
12、在一种具体的实施方案中，所述mixup技术的步骤包括：将两张不同类别的图片按照一定的混合系数进行融合，提高网络在测试阶段的鲁棒性。
13、在一种具体的实施方案中，所述s2中针对井下环境的特殊性，对所述数据采集设备采集到的高清晰度图片，通过添加噪声和调节亮度的方法扩充原始数据集的体量，提高模型针对井下环境的识别精度。
14、在一种具体的实施方案中，所述yolo-v7神经网络的结构包括训练数据单元、backbone单元、neck单元、head单元和锚框单元，所述yolo-v7神经网络的处理步骤包括：进行训练数据，通过backbone单元初步提取经过预处理的数据的图像特征，之后再经neck单元处理后输出三层不同尺寸的特征图，所述三层特征图最终经过head单元处理输出预测结果，所述三层不同尺寸的特征图在经过head单元后输出三个尺寸的锚框，完成占画面比例较大目标和占画面比例较小的目标的同时检测。
15、在上述实现过程中，根据项目实际检测需求设计神经网络中neck层输出的特征图尺寸，保证锚框与检测目标的大小相匹配，提高检测精度，同时针对yolo目标检测算法常用的定位损失函数存在的收敛速度慢，难易样本不平衡的问题，采用focal-eiou损失函数，即加快了收敛速度，又提高了回归精度。
16、在一种具体的实施方案中，所述s4中进行目标检测时利用yolo目标检测算法进行检测，所述yolo目标检测算法在训练模型时通过前向传播和反向传播对神经网络参数进行优化，所述反向传播用于通过损失函数计算真实值与预测值的误差，得到神经网络中每个神经元的残差，再基于链式求导法则确定残差梯度，通过梯度下降法对神经网络参数进行优化调试。
17、在一种具体的实施方案中，所述yolo目标检测算法中的损失函数采用eiou函数，采用如下公式计算定位损失：
18、
19、式中：b、bgt分别为预测框和真实框的中心点位置，ρ为两个中心点间的欧式距离；w和wgt分别为预测框和真实框的宽度；h和hgt分别为预测框和真实框的高度；cw和ch分别为覆盖两个框的最小边界框的宽和高；c为覆盖两个框的最小边界框的对角线长度。
20、在一种具体的实施方案中，所述eiou损失函数包括三个部分：重叠损失，中心距离损失和宽高损失，所述eiou损失函数结合用于图像领域解决数据不平衡造成的模型性能问题的focal loss函数，采用focal-eiou loss计算惩罚项：
21、focal-eiou＝iouγeiou
22、式中：γ为控制异常值抑制程度的参数，iou为传统的损失函数。
23、与现有技术相比，本发明的有益效果：
24、1、本发明通过采集高清晰度的矿道环境及风险情形的图片，通过添加噪声、调节亮度的方法扩充原始数据集，构建单轨吊轨道巡检数据库，提高目标检测算法针对井下环境的识别精度；
25、2、本发明根据项目实际检测需求设计神经网络中neck层输出的特征图尺寸，保证锚框与检测目标的大小相匹配，提高检测精度，同时针对yolo目标检测算法常用的定位损失函数存在的收敛速度慢，难易样本不平衡的问题，采用focal-eiou损失函数，即加快了收敛速度，又提高了回归精度；
26、3、本发明基于yolo-v7目标识别算法实现智能检测预警及目标定位，如工人是否正确佩戴安全帽、矿车是否行驶至岔道口等，并实现单轨道的精确识别，为检测单轨道运输中的安全隐患提供基础；
27、4、本发明使用计算机视觉技术代替人工检测，减少了人为因素，解决了人工检测工作强度大、检测不到位的问题，符合煤矿智能化建设减人增效、无人则安的指导意见，算法运行于gpu/npu边缘架构，易于部署且能耗小，不影响矿道正常工作的进行。