-
题名基于深度学习的带式输送机非煤异物识别方法
被引量：25
- 1
-
-
作者
胡璟皓
高妍
张红娟
靳宝全
-
机构
太原理工大学电气与动力工程学院
太原理工大学新型传感器与智能控制教育部与山西省重点实验室
-
出处
《工矿自动化》
北大核心
2021年第6期57-62,90,共7页
-
基金
山西省科技基础条件平台项目(201605D121028)。
-
文摘
针对现有非煤异物图像识别法识别目标单一、模型缺乏定位能力等问题,提出一种基于深度学习的带式输送机非煤异物识别方法。该方法以目标检测算法YOLOv3为基础框架,采用Focal Loss函数替换YOLOv3模型中的交叉熵损失函数,对YOLOv3模型进行改进;通过调节最佳超参数(权重参数α和焦点参数γ)来平衡样本之间的比例,解决非煤异物样本不平衡问题,使模型在训练时更专注学习复杂目标样本特征,提高模型预测性能;搭建了异物数据集,并通过异物数据集对分类性能和速度进行实验。结果表明:Focal Loss函数在异物数据集中表现优于交叉熵损失函数,在γ=2,α=0.75时准确率提升5%,故最佳超参数为γ=2,α=0.75;改进后的YOLOv3模型对锚杆、角铁、螺母3种非煤异物的识别精确率分别提升了约4.7%,3.5%和6.8%,召回率分别提升了约6.6%,3.5%和6.0%;模型在2080Ti平台下每张图像预测类别与实际类别一致,且置信度在94%以上。
-
关键词
带式输送机
非煤异物识别
目标预测
深度学习
YOLOv3
Focal
Loss函数
-
Keywords
belt conveyor
non-coal foreign object identification
target detection
deep learning
YOLOv3
Focal Loss function
-
分类号
TD528.1
[矿业工程—矿山机电]
-
