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DR-YOLOM的带式输送机运行状态多任务检测方法
1
作者
李永安
陈腾杰
+1 位作者
王宏伟
张之好
《煤炭科学技术》
北大核心
2025年第S1期454-467,共14页
煤矿井下带式输送机运行状态的检测是带式输送机安全运行的关键,但现有检测方法大多只能处理单一检测任务,难以实现多任务同时检测。针对现有技术难以实现综合检测的现状,提出一种基于改进YOLOM的带式输送机运行状态多任务检测方法:使...
煤矿井下带式输送机运行状态的检测是带式输送机安全运行的关键,但现有检测方法大多只能处理单一检测任务,难以实现多任务同时检测。针对现有技术难以实现综合检测的现状,提出一种基于改进YOLOM的带式输送机运行状态多任务检测方法:使用单一网络同时完成大尺寸煤块识别、输送带边缘检测和煤流状态检测3项任务。相较于各任务使用单独模型的方法,将3个不同的颈部和头部集成到具有共享主干的模型中,可以节省大量计算资源和推理时间。首先,在低照度和多尘雾的运输巷道内,采集图像语义信息薄弱使得模型对目标语义信息的提取能力较差。因此利用扩张式残差模块(DWR)替换主干网络P6层和P8层C2f模块中的Bottleneck结构,在减少参数量的同时增强模型提取多尺度上下文语义信息的能力。其次,针对模型需进行目标识别和分割不同类型任务的需求,采用具有跳层连接结构的高效层聚合网络(RepGFPN)优化特征融合部分,在控制模型参数数量和推理速度的同时极大提高模型对不同检测任务的检测精度;最后,为应对3种标签形状各异的检测任务,引入Inner-CIoU损失函数,弥补CIoU损失函数在不同检测任务中泛化能力较弱的不足。为验证DR-YOLOM算法的适用性和鲁棒性,选用U-net和DeepLabV3+网络模型与DRYOLOM多任务检测模型分割任务的分割效果进行对比分析,采用Faster RCNN和Yolov8进行目标检测效果对比,同时进行模型改进前后的损失函数与精度曲线对比。结果表明,相较于主流的单一检测算法,DR-YOLOM多任务检测算法有更好的综合检测能力,并且该算法可以在维持少量参数量的同时,保证高的目标识别精度、分割精度以及合适的推理速度,其中大尺寸煤块识别的mAP50为90%,输送带边缘分割和煤流分割的mIoU分别为78.7%,96.6%,模型参数数量为4.43 M,推理速度可以达到40 fps,对比基础模型mAP50、mIoU分别提高了1.3%、0.7%、2.1%。为验证DRYOLOM算法的实用性,使用巡检机器人在实验室进行视频数据采集,并用DR-YOLOM多任务检测算法对其采集的视频数据进行检测。实验结果表明,DR-YOLOM多任务检测算法能够满足带式输送机运行状态的多任务检测要求。
展开更多
关键词
带式输送机
多任务
检测
大尺寸煤块识别
输送带边缘
检测
煤流状态检测
在线阅读
下载PDF
职称材料
题名
基于DR-YOLOM的带式输送机运行状态多任务检测方法
1
作者
李永安
陈腾杰
王宏伟
张之好
机构
太原理工大学机械与运载工程学院
太原理工大学山西省煤矿智能装备工程研究中心
智能采矿装备技术全国重点实验室
出处
《煤炭科学技术》
北大核心
2025年第S1期454-467,共14页
基金
山西省重点研发计划资助项目(202102100401017)。
文摘
煤矿井下带式输送机运行状态的检测是带式输送机安全运行的关键,但现有检测方法大多只能处理单一检测任务,难以实现多任务同时检测。针对现有技术难以实现综合检测的现状,提出一种基于改进YOLOM的带式输送机运行状态多任务检测方法:使用单一网络同时完成大尺寸煤块识别、输送带边缘检测和煤流状态检测3项任务。相较于各任务使用单独模型的方法,将3个不同的颈部和头部集成到具有共享主干的模型中,可以节省大量计算资源和推理时间。首先,在低照度和多尘雾的运输巷道内,采集图像语义信息薄弱使得模型对目标语义信息的提取能力较差。因此利用扩张式残差模块(DWR)替换主干网络P6层和P8层C2f模块中的Bottleneck结构,在减少参数量的同时增强模型提取多尺度上下文语义信息的能力。其次,针对模型需进行目标识别和分割不同类型任务的需求,采用具有跳层连接结构的高效层聚合网络(RepGFPN)优化特征融合部分,在控制模型参数数量和推理速度的同时极大提高模型对不同检测任务的检测精度;最后,为应对3种标签形状各异的检测任务,引入Inner-CIoU损失函数,弥补CIoU损失函数在不同检测任务中泛化能力较弱的不足。为验证DR-YOLOM算法的适用性和鲁棒性,选用U-net和DeepLabV3+网络模型与DRYOLOM多任务检测模型分割任务的分割效果进行对比分析,采用Faster RCNN和Yolov8进行目标检测效果对比,同时进行模型改进前后的损失函数与精度曲线对比。结果表明,相较于主流的单一检测算法,DR-YOLOM多任务检测算法有更好的综合检测能力,并且该算法可以在维持少量参数量的同时,保证高的目标识别精度、分割精度以及合适的推理速度,其中大尺寸煤块识别的mAP50为90%,输送带边缘分割和煤流分割的mIoU分别为78.7%,96.6%,模型参数数量为4.43 M,推理速度可以达到40 fps,对比基础模型mAP50、mIoU分别提高了1.3%、0.7%、2.1%。为验证DRYOLOM算法的实用性,使用巡检机器人在实验室进行视频数据采集,并用DR-YOLOM多任务检测算法对其采集的视频数据进行检测。实验结果表明,DR-YOLOM多任务检测算法能够满足带式输送机运行状态的多任务检测要求。
关键词
带式输送机
多任务
检测
大尺寸煤块识别
输送带边缘
检测
煤流状态检测
Keywords
belt conveyor
multi task detection
identification of large-sized coal blocks
belt edge detection
coal flow detection
分类号
TP391 [自动化与计算机技术—计算机应用技术]
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DR-YOLOM的带式输送机运行状态多任务检测方法
李永安
陈腾杰
王宏伟
张之好
《煤炭科学技术》
北大核心
2025
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
