没有合适的资源?快使用搜索试试~ 我知道了~
软件影响12(2022)100290原始软件出版物Rocky-CenterNet:使用卷积神经网络和椭圆检测岩石Patricio Loncomillaa, Pavan Samtanib,Javier Ruiz-del-Solara,ba智利圣地亚哥Avenida Tupper 2007智利大学高级采矿技术中心b智利圣地亚哥Avenida Tupper 2007智利大学电气工程系自动清洁装置保留字:物体检测岩石检测卷积神经网络Pytorch深度学习A B标准Rocky-CenterNet是一种基于卷积网络的算法,旨在检测岩石和其他椭圆形物体。Rocky-CenterNet不是将岩石表示为边界框或分割掩码,而是将岩石建模为椭圆。Rocky-CenterNet提供了岩石形状的丰富描述,和基于边界框的物体检测器一样快Rocky-CenterNet的原始实现可在线获得。它构建在CenterNet的原始实现之上,CenterNet本身是在Pytorch中实现的。Rocky-CenterNet可用于采矿相关任务中重型机械的自动化,例如使用LHD和自主破岩锤自动装载材料。代码元数据当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/SoftwareImpacts/SIMPAC-2022-43可再生胶囊的永久链接https://codeocean.com/capsule/5287006/tree/v1法律代码许可证MIT使用git的代码版本控制系统使用Python、pytorch、C++、cuda、opencv的软件代码语言、工具和服务编译要求,操作环境依赖性Linux,Pytorch如果可用,链接到开发人员文档/手册https://github.com/amtc-rock-detectors/Rocky-CenterNet/blob/master/README.md问题支持电子邮件ploncomi@ing.uchile.cl1. 介绍近年来,从图像中检测目标一直是一个热门话题。在这项任务中使用卷积神经网络和其他网络架构取得了令人印象深刻的结果。大多数检测器使用边界框或分割掩码来表示检测。尽管分割掩模提供了关于对象形状的丰富信息,但它们的计算需要比将对象检测为边界框更多的处理时间[1]。这一事实被解释为,因为分割掩码的生成是作为边界框的检测之后的额外步骤来然后,使用原文DOI:https://doi.org/10.1016/j.eswa.2022.116537。对于需要在具有有限计算能力的平台中进行实时处理有些物体可以成功地表示为椭圆,如岩石的情况[1]。岩石检测对于某些应用非常重要,例如重型机械的自动化和地下采矿中使用的例如,自主式LHD(装载-牵引-卸载)装载机需要检测无法装载到铲斗中的超大岩石此外,需要自主岩石破碎锤来检测单独的岩石,以评估哪些岩石需要由锤破碎,并决定在哪个点撞击岩石。在最后一个应用中,需要关于岩石形状的信息,本文中的代码(和数据)已由Code Ocean认证为可复制:(https://codeocean.com/)。更多关于生殖器的信息徽章倡议可在https://www.elsevier.com/physical-sciences-and-engineering/computer-science/journals上查阅。*通讯作者。电子邮件地址:ploncomi@ing.uchile.cl(P. Loncomilla),pavan. ing.uchile.cl(P. Samtani),jruizd@ing.uchile.cl(J. Ruiz-del-Solar)。https://doi.org/10.1016/j.simpa.2022.100290:2022年4月4日;接受日期:2022年2665-9638/©2022作者。由Elsevier B.V.出版。这是一篇开放获取的文章,使用CC BY许可证(http://creativecommons.org/licenses/by/4.0/)。可在ScienceDirect上获得目录列表软件影响杂志 首页:www.journals.elsevier.com/software-impactsP. 隆科米拉山口Samtani和J.鲁伊斯德尔索尔软件影响12(2022)1002902Fig. 1. 使用Rocky-CenterNet进行检测的示例。图二. Rocky-CenterNet的架构。选择攻击点由于地下采矿中使用的计算平台因此,它们的计算能力是有限的,这使得分割掩模的计算受到限制。在[1]中,介绍了一种名为Rocky-CenterNet的检测器。它通过将对象表示为椭圆而不是边界框来检测对象。Rocky-CenterNet比CenterNet [2]更快,CenterNet是一种将对象表示为边界框的检测器。然后,它提供了一个更好的表示岩石的形状,和一个更好的性能方面的处理时间。示例性检测如图所示。1.一、Rocky-CenterNet的实现是公开的,以及用于岩石检测的训练权重。在这项工作中,实施的描述,以及其对研究和工业应用的影响。2. Rocky-CenterNet的描述2.1. 方法[1]这是一个简单的概念,它是一个简单的概念,一个简单的概念。对象检测器,检测对象的中心点,然后回归其属性,如表示检测到的对象的边界框的宽度和高度。CenterNet计算几个特征图,在岩石检测的情况下有五个:一个热图表示岩石在每个位置的存在,两个特征图表示岩石的宽度和高度,两个特征图用于校正岩石的位置由于CenterNet是一个单阶段检测器,它提供了比Faster R-CNN [3]或Mask R-CNN [4]等两阶段检测器更好的运行时间。Rocky-CenterNet将岩石表示为椭圆。在热图中检测椭圆的中心。然后,使用用于CenterNet的相同参数化,但具有以下差异:(a)修改宽度和高度特征图以回归椭圆的长轴和短轴,(b)使用新的特征图将椭圆的取向分类到可能的箱中,以及(c)使用额外的特征图来回归检测到的方位仓内如[1]中所述,表示可能的椭圆的方向被划分为多个椭圆形的多个区间。然后,每个箱覆盖大小���=180闪烁������������的间隔。在检测椭圆时,首先 将角度分类到一个椭圆 形区间中,然后回归角度值与区间当应用包括比例变化的数据增强时,需要使用相同的仿射变换来变换地面实况椭圆。因此,椭圆被转换成它们的矩阵形式,然后将该矩阵与表示仿射变换的矩阵相乘。Rocky-CenterNet的架构如图所示。 二、2.2. 执行代码构建在CenterNet的官方实现上[2],该实现主要基于Pytorch[5]。Rocky-CenterNet的实现需要实现几个组件:与椭圆方向相关的网络P. 隆科米拉山口Samtani和J.鲁伊斯德尔索尔软件影响12(2022)1002903网络结构的变化,以及椭圆/多边形和边界框之间的处理和转换功能最后一个组件对于处理标记为多边形的数据集和计算与检测相关的度量此外,实现了用于将数据增强应用于图像和椭圆的代码新组件的所有代码都是用python实现的。特别是,与网络训练和推理相关的代码是使用pytorch实现的,而数据增强是通过使用opencv来实现图像的,并通过使用numpy来实现椭圆的。处理椭圆和多边形的代码基于Shapely。所有的代码都是公开的,并在MIT许可证下发布此外,经过训练的模型是可用的,这使得能够使用现成的系统。3. 研究和工业影响3.1. 对研究的岩石的探测是一个重要的课题,因为它已经在不同的研究领域得到了解决:铁路监测[6],其中岩石的存在可能是危险的;岩石类型的检测和分类,用于评估岩体稳定性,用于制定支持计划[7];探测火星卫星图像中的块坠落[8];探测AUV在类似火星的环境中的岩石[9];探测火星和月球图像上的岩石坠落[10,11];以及其他研究课题。所有这些作品都将岩石表示为边界框,这提供了关于岩石形状的不良信息。因此,这些研究领域可以受益于将岩石表示为椭圆,这提供了更准确的岩石表示。通过使用椭圆表示检测,可以开发受益于岩石表示的3.2. 产业影响在许多工业应用中,岩石的检测非常重要。岩石检测用于开发自主破岩锤[1,12,13]。然而,使用边界框作为表示限制了系统选择有用的撞击点的能力。此外,岩石的检测可以用于通过检测旁边的人和其他物体来自动化移动采矿设备[1,14]。如前所述,椭圆比边界框提供了更多关于岩石形状的信息,并且没有额外的计算开销[1]。然后,像自主岩石破碎锤和自主LHD装载机这样的应用可以受益于检测椭圆形的岩石[1],因为所开发的岩石检测器是公开可用的。竞合利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作致谢这项工作的部分资金来自CONICYT,智利PIA赠款AFB18004,FONDECYT,智利1201170和FONDEF,智利IDEA ID19I10142。引用[1]P. Loncomilla,P. Samtani,J.R. del Solar,在具有挑战性的采矿环境中使用卷积神经网络和椭圆作为边界框的替代方案来检测岩石,专家系统。Appl. 194(2022)116537.[2] X. Zhou,等,中国藓类D. Wang,P. Krähenbühl,Objects as points,2019,arXivpreprintarXiv:1904.07850.[3] S. Ren , K. 赫 利 河 Girshick , J. Sun , Faster R-CNN : Towards real-timeobjectdetection with region proposal networks,IEEE Trans. Pattern Anal.马赫内特尔39(2017)1137-1149。[4] K. 他 , G. Gkioxari , P. Dollar , R. Girshick , Objects as points , 2017 , arXivpreprintarXiv:1904.07850.[5]A. 帕斯克河格罗斯,F。Massa,A.Lerer,J.Bradbury,G.Chanan,T.基林,Z.林,N. 吉梅尔辛湖Antiga,A.Desmaison,A.Kopf,E.杨,Z.DeVito,M.赖森,A. Tejani,S.奇拉姆库尔蒂湾施泰纳湖,澳-地Fang,J. Bai,S. Chintala,PyTorch:An imperative style,high-performance deep learning library.沃勒克,H 。 拉 罗 谢 勒 A. 贝 盖 尔 齐 默 , F. d'Alché Buc , E. 福 克 斯 河 , 巴 西 - 地 Garnett(Eds.),进展神经信息处理系统,第32卷,Curran Associates,Inc. 2019年,页8024-8035[6] Y. Li,H.Dong,H.Li,X.张湾,澳-地Zhang,Z.Xiao,多块SSD基于无人机铁路场景监视中小目标检测方法研究。J. Aeronaut. (2020年)。[7] X. Liu,H. Wang,H. Jing,中国茶条A.绍湖,澳-地王,基于快速R-CNN方法的岩石类型智能识别研究,IEEE Access 8(2020)21804-21812。[8] L. 法纳拉湾Gwinner,E.Hauber,J.Oberst,块坠落的自动检测在火星的北极地区,行星。空间科学180(2020)104733。[9] F. Furlán,E. Rubio,H. Sossa,V. Ponce,CNN基于行星环境的探测器:性能评估。Neurorobotics 14(2020).[10] V.T.比克尔角Lanaras,A. Manconi,S.勒夫大学Mall,使用卷积神经网络自动检测月球落石,IEEE Trans. Geosci。远程传感器。57(2019)3501-3511。[11]V.T. Bickel,S.J. Conway,P.-A. Tesson,A.Manconi,S.勒夫大学购物中心,深学习驱动的探测和火星落石测绘,IEEE J. Sel. Top. Appl. 地球观测远程传感器13(2020)2831[12] L. Niu,K. Chen,K. Jia,J. Mattila,机器人岩石破碎的高效3D视觉感知,在:2019 IEEE第15届自动化科学与工程国际会议,CASE,2019年。[13] L. 改善重型机械手的视觉感知,2020年的挑战性情景[14] G. Somua-Gyimah,用于采矿和建筑环境中地形识别和物体检测任务的计算机视觉系统,2019年。
下载后可阅读完整内容,剩余1页未读,立即下载
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
我的内容管理 收起
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
会员权益专享
最新资源
- 保险服务门店新年工作计划PPT.pptx
- 车辆安全工作计划PPT.pptx
- ipqc工作总结PPT.pptx
- 车间员工上半年工作总结PPT.pptx
- 保险公司员工的工作总结PPT.pptx
- 报价工作总结PPT.pptx
- 冲压车间实习工作总结PPT.pptx
- ktv周工作总结PPT.pptx
- 保育院总务工作计划PPT.pptx
- xx年度现代教育技术工作总结PPT.pptx
- 出纳的年终总结PPT.pptx
- 贝贝班班级工作计划PPT.pptx
- 变电值班员技术个人工作总结PPT.pptx
- 大学生读书活动策划书PPT.pptx
- 财务出纳月工作总结PPT.pptx
- 大学生“三支一扶”服务期满工作总结(2)PPT.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)