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
一种煤矿井下多目标检测算法
1
作者
范守俊
陈希琳
+4 位作者
魏良跃
王青玉
张世源
董飞
雷少华
《工矿自动化》
CSCD
北大核心
2024年第12期173-182,共10页
目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形...
目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。
展开更多
关键词
煤矿井下多目标检测
YOLOv8n
动态蛇形卷积
CA注意力机制
特征提取
特征融合
在线阅读
下载PDF
职称材料
题名
一种煤矿井下多目标检测算法
1
作者
范守俊
陈希琳
魏良跃
王青玉
张世源
董飞
雷少华
机构
兖矿能源集团股份有限公司
中国矿业大学信息与控制工程学院
安徽大学互联网学院
徐州高新区安全应急装备产业技术研究院
出处
《工矿自动化》
CSCD
北大核心
2024年第12期173-182,共10页
基金
国家自然科学基金项目(52074273)
江苏省自然科学基金项目(BK20231060)
兖矿能源集团科学技术项目(YK2023B07-R47)。
文摘
目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时,对复杂小目标的检测效果不佳,易出现漏检和误检现象。针对上述问题,基于单阶段目标检测算法YOLOv8n,提出了一种基于动态蛇形卷积的特征提取(FEDSC)−双向特征金字塔网络与语义和细节融合的特征融合(FFBD)的煤矿井下多目标检测算法,即采用FEDSC替换YOLOv8n的主干网络,扩大感受野;将FFBD作为颈部网络,减少目标误检和漏检;引入SIoU的解耦检测头作为检测层,提高模型对小目标的适应能力与模型收敛速度。实验结果表明:①FEDSC−FFBD算法的mAP@0.5为97.00%,模型参数量为4.22×106个,每秒浮点运算数为21.7×109。②FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%,对安全帽小目标的识别准确率为90.90%,较YOLOv8n算法提升了11%。③与其他YOLO系列算法相比,FEDSC−FFBD算法的mAP@0.5最高,较YOLOv5s,YOLOv9c,YOLOv10n和YOLOv11n算法分别提升了3.60%,1%,10.50%和6.40%。④FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下,提高了多类别目标的检测精度,改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下,克服了光照强度分布不均对小尺度目标检测带来的挑战。
关键词
煤矿井下多目标检测
YOLOv8n
动态蛇形卷积
CA注意力机制
特征提取
特征融合
Keywords
multi-target detection in underground coal mine
YOLOv8n
dynamic serpentine convolution
CA attention mechanism
feature extraction
feature fusion
分类号
TD67 [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
一种煤矿井下多目标检测算法
范守俊
陈希琳
魏良跃
王青玉
张世源
董飞
雷少华
《工矿自动化》
CSCD
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
