基于多分支注意力卷积神经网络的井下安全监控图像增强算法
郑高洁, 王 飞, 王莹辉
2026, 55(6):
229-235.
摘要
(
15 )
PDF (1844KB)
(
0
)
相关文章 |
计量指标
井下环境恶劣,光线昏暗,粉尘、水汽多,导致井下安全监控图像质量不佳。为提高井下安全监控图像的
清晰度,提出了一种基于多分支注意力卷积神经网络的图像增强算法。该算法由注意力子网络、噪声子网络、增强子
网络和强化子网络组成。通过剪枝与量化实现模型压缩,借助亮度与噪声监测模块自适应调整算法参数,并运用多
模态融合技术,以优化算法性能。结果表明:所提算法的平均运行时间为0.056 s,峰值信噪比(Peak Signal to Noise
Ratio,PSNR)平均值达到32.56 dB,结构相似性指数(Structural Similarity Index,SSIM)平均值为0.91,平均绝对误差
(Mean Absolute Error,MAE)平均值为0.043。在疑似瓦斯泄漏区域、设备故障区域和人员面部区域的图像增强中,所
提算法的fPSNR
、fSSIM
和fMAE
值均显著优于多尺度Retinex颜色恢复(Multi Scale Retinex with Color Restoration,MSRCR)
算法和卷积神经网络图像增强(Convolutional Neural Network Image Enhancement,CNN-IE)算法。实际应用中,所提算
法在不同场景下的fPSNR
值均大于33 dB,fSSIM
为0.92~0.96,fMAE
小于0.025。研究反映出,该算法能够有效提升图像
质量,满足实时性要求,为矿井安全监控提供了有效的技术支持,有助于提升矿井安全生产水平。