期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于注意力增强YOLOv5l的矿粉品位识别算法优化研究
1
作者
丁鹏益
徐振洋
+1 位作者
郭连军
王雪松
《金属矿山》
CAS
北大核心
2024年第11期151-157,共7页
现阶段传统化学分析方法获取品位存在费时费力等问题,通过图像识别分析块状矿石品位又存在形状干扰严重的问题,为此提出了一种基于YOLOv5针对矿石矿粉特征的图像识别方法。同时,在训练过程中添加卷积注意力模块(Convolutional Block Att...
现阶段传统化学分析方法获取品位存在费时费力等问题,通过图像识别分析块状矿石品位又存在形状干扰严重的问题,为此提出了一种基于YOLOv5针对矿石矿粉特征的图像识别方法。同时,在训练过程中添加卷积注意力模块(Convolutional Block Attention Module,CBAM)、挤压和激发模块(Squeeze and Excitation Module,SENet)进入训练网络,通过注意力机制增强学习矿粉具体特征的能力,将注意力聚焦于矿粉明显细节,忽略矿粉图中无用信息,提高识别精度;其次通过修改损失函数增强其分类效果,研究损失函数对矿粉识别效果的影响。研究表明:在铁矿粉品位识别中,添加CBAM注意力模块的网络模型识别矿粉的训练精度达到86%,使用SENet注意力模块的网络训练精度为80%,均略高于原有模型的79%,修改损失函数的网络模型训练精度降低了5%,得出YOLOv5l+CBAM且损失函数设置为0.5的网络模型最佳。研究结果反映出所提方法对矿粉特征图像识别具有一定的适用性。
展开更多
关键词
铁矿
矿石品位
YOLOv5
图像识别
卷积注意力
模块
挤压和激发模块
在线阅读
下载PDF
职称材料
题名
基于注意力增强YOLOv5l的矿粉品位识别算法优化研究
1
作者
丁鹏益
徐振洋
郭连军
王雪松
机构
辽宁科技大学矿业工程学院
辽宁省金属矿产资源绿色开采工程研究中心
沈阳工业大学建筑与土木工程学院
出处
《金属矿山》
CAS
北大核心
2024年第11期151-157,共7页
基金
国家自然科学基金项目(编号:51974187)。
文摘
现阶段传统化学分析方法获取品位存在费时费力等问题,通过图像识别分析块状矿石品位又存在形状干扰严重的问题,为此提出了一种基于YOLOv5针对矿石矿粉特征的图像识别方法。同时,在训练过程中添加卷积注意力模块(Convolutional Block Attention Module,CBAM)、挤压和激发模块(Squeeze and Excitation Module,SENet)进入训练网络,通过注意力机制增强学习矿粉具体特征的能力,将注意力聚焦于矿粉明显细节,忽略矿粉图中无用信息,提高识别精度;其次通过修改损失函数增强其分类效果,研究损失函数对矿粉识别效果的影响。研究表明:在铁矿粉品位识别中,添加CBAM注意力模块的网络模型识别矿粉的训练精度达到86%,使用SENet注意力模块的网络训练精度为80%,均略高于原有模型的79%,修改损失函数的网络模型训练精度降低了5%,得出YOLOv5l+CBAM且损失函数设置为0.5的网络模型最佳。研究结果反映出所提方法对矿粉特征图像识别具有一定的适用性。
关键词
铁矿
矿石品位
YOLOv5
图像识别
卷积注意力
模块
挤压和激发模块
Keywords
iron
ore grade
YOLOv5
image recognition
CBAM
SENet
分类号
TD672 [矿业工程—矿山机电]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于注意力增强YOLOv5l的矿粉品位识别算法优化研究
丁鹏益
徐振洋
郭连军
王雪松
《金属矿山》
CAS
北大核心
2024
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
