-
题名煤矿井下残缺信息的多目标检测方法研究
- 1
-
-
作者
孙林
陈圣
姚旭龙
张艳博
陶志刚
梁鹏
-
机构
华北理工大学人工智能学院
华北理工大学矿业工程学院
河北省矿山绿色智能开采技术创新中心
中国矿业大学(北京)力学与建筑工程学院
深部岩土力学与地下工程国家重点实验室
-
出处
《煤炭科学技术》
CSCD
北大核心
2024年第S2期211-220,共10页
-
基金
国家自然科学基金资助项目(52074123)
河北省自然科学基金资助项目(E2021209148)。
-
文摘
煤矿井下目标检测技术是建设智慧矿山不可或缺的内容,可以提供实时监测和识别能力,但井下光照不均匀、遮挡严重等因素造成了井下部分目标的信息缺失,极大降低了目标检测的准确率。基于此,提出一种改进YOLOv5s的井下残缺信息的多目标检测算法。考虑到残缺目标易与井下背景相混淆,该算法通过在YOLOv5s的Backbone部分融入CBAM注意力模块,增强特征图中与残缺目标相关的通道和空间信息,从而增强抑制背景干扰能力。同时,为了有效地提取和强化小目标和被遮挡目标的细节特征,使用加权双向特征金字塔网络BiFPN代替原网络的PANet结构。其次,为了更好地适应井下残缺目标形状的变化,采用引入了额外边界框坐标信息的EIoU函数来优化原有损失函数。最后通过自建井下数据集对改进算法进行验证,实验结果表明:所提出的目标检测算法可以更好地解决井下监控环境中目标尺寸较小、部分区域被遮挡、纹理和形状变化对目标检测精度的影响,改进后模型的平均准确率达到了91.3%,相较于原模型提高了2.7%左右,F1-Score达到了90.0%,相较于原模型提高了1.9%左右。
-
关键词
残缺目标检测
YOLOv5
注意力机制
加权双向特征金字塔网络
EIoU函数
-
Keywords
detection of incomplete targets
YOLOv5
attention mechanism
BiFPN
EIoU function
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
