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
共找到8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：
基于改进YOLOv8的煤矿输送带异物目标检测方法研究 被引量：1
1
作者 吴胜 《选煤技术》 CAS 2024年第3期29-34,共6页
现有煤矿输送带异物目标检测方法所提出的网络结构复杂,而且选煤厂入煤工段和矿井运输工段的输送带光照强度低,存在粉尘等微小颗粒物的干扰,检测精度和检测效率均难以满足实际工况要求。为解决上述问题,文章构建了融合轻量化网络的改进Y... 现有煤矿输送带异物目标检测方法所提出的网络结构复杂,而且选煤厂入煤工段和矿井运输工段的输送带光照强度低,存在粉尘等微小颗粒物的干扰,检测精度和检测效率均难以满足实际工况要求。为解决上述问题,文章构建了融合轻量化网络的改进YOLOv8检测算法——YOLOv8-MobileNetV1。该模型以YOLOv8为基础,将传统的C2F卷积层替换为轻量化网络MobileNetV1来减少模型的参数量;将传统的空间金字塔池化层修改为大核金字塔池化层,以进一步提升模型的性能和泛化能力;同时融合CVH注意力机制模块来提高网络深层次信息的提取能力,从而提高煤矿输送带运输过程中的异物识别精度和检测效率。为验证该模型的有效性,自行构建了选煤厂和矿井输送带运输过程中常见异物(大块和锚杆)的数据集,并按照8∶1∶1的比例随机划分为训练集、验证集和测试集,从检测精度和检测效率两方面进行评价。实验结果表明:YOLOv8-MobileNetV1算法的大块和锚杆的目标检测精度为81.30%和89.46%,平均检测精度达到了85.38%,帧率为83.5 fps。相较于传统的目标检测算法,YOLOv8-MobileNetV1算法提高了煤矿输送带异物目标检测精度和检测效率,满足了实际工况所需的准确性和时效性,为煤矿安全生产做出了保障。 展开更多
关键词 异物目标检测 煤矿输送带异物目标检测方法 改进YOLOv8 轻量化网络 注意力机制 平均检测精度 帧率
在线阅读 下载PDF
低照度尘雾下煤、异物及输送带早期损伤多尺度目标智能检测方法
2
作者 樊红卫 刘金鹏 +5 位作者 曹现刚 张超 张旭辉 李曼 马宏伟 毛清华 《煤炭学报》 CSCD 北大核心 2024年第S2期1259-1270,共12页
煤炭开采过程中矸石等异物不可避免将混入煤块中,且铁器等容易对输送带造成损伤,煤矿运输系统的智能化需要对矸石等异物和输送带损伤等进行一体化视觉检测。针对井下低照度、光照不均及尘雾等因素导致监测图像不清晰以及带面早期损伤小... 煤炭开采过程中矸石等异物不可避免将混入煤块中,且铁器等容易对输送带造成损伤,煤矿运输系统的智能化需要对矸石等异物和输送带损伤等进行一体化视觉检测。针对井下低照度、光照不均及尘雾等因素导致监测图像不清晰以及带面早期损伤小目标检测难题,提出一种低照度尘雾环境下煤炭、异物及带面早期损伤的多尺度目标智能检测方法。首先通过限制对比度自适应直方图均衡化对低照度尘雾图像进行预处理以增强图像对比度;接着通过增加浅层检测层凸显带面早期损伤小目标位置和形状等细节信息,提升带面早期损伤检测性能,且在不影响检测精度前提下去掉部分检测层及相应特征提取模块以缩小模型;然后针对主干网络特征提取能力不足问题,使用PartialConv与Res2Net构建新的P_Res2Block多尺度特征表征模块,并将其替换主干网络中C3模块的Bottleneck,得到一种新的P_RC3轻量级多尺度特征提取模块,以增加模型的感受野,提升对小目标的关注度;最后在主干网络和特征融合网络中引入轻量级高效通道注意力机制来提升通道利用率和带面早期损伤检测精度。实验结果表明,在自主构造的低照度尘雾图像数据集上,相比原始YOLOv5s,所提方法的带面早期损伤检测精度AP0.5提高了10.00%,最终精度达到91.30%,模型参数量、计算量和模型大小分别降低了34.85%、6.33%、29.86%,证明改进方法可在降低模型复杂度情况下很好地解决低照度尘雾环境下小目标检测难题。 展开更多
关键词 煤矿图像识别 煤炭与异物检测 输送带表面早期损伤 注意力机制 多尺度特征提取
在线阅读 下载PDF
基于改进YOLOv8的煤矿输送带异物检测 被引量：4
3
作者 洪炎 汪磊 +2 位作者 苏静明 汪瀚涛 李木石 《工矿自动化》 CSCD 北大核心 2024年第6期61-69,共9页
现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8... 现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。 展开更多
关键词 输送带异物检测 YOLOv8 SE网络 高效通道注意力机制 轻量化 小目标检测 自适应平均池化 自适应最大池化
在线阅读 下载PDF
基于YOLOv5n-CND的矿用输送带异物检测
4
作者 孙奥然 赵培培 +2 位作者 杨迪 张君逸 于洪健 《工矿自动化》 北大核心 2025年第1期38-44,共7页
针对异物图像背景复杂、特征提取能力弱、粘连小目标的检测精度低、检测框定位及尺度失真等问题,提出了一种基于YOLOv5n-CND的矿用输送带目标检测算法。首先,采用C2f对特征金字塔进行优化,使用更少参数解决在井下异物图像采集背景复杂... 针对异物图像背景复杂、特征提取能力弱、粘连小目标的检测精度低、检测框定位及尺度失真等问题,提出了一种基于YOLOv5n-CND的矿用输送带目标检测算法。首先,采用C2f对特征金字塔进行优化,使用更少参数解决在井下异物图像采集背景复杂且存在复杂目标干扰对小目标检测不敏感的问题;然后,采用归一化高斯瓦萨斯坦距离(NWD)回归损失函数替代CIoU,改善多尺度异物检测效果不佳的问题,实现粘连小目标的精准检测;最后,添加目标检测头(Dy Head),将尺度、空间和任务3种注意力机制结合,提高对异物轮廓的特征提取能力,增强对多尺度目标的适应能力。实验结果表明:YOLOv5n-CND的mAP@0.5、mAP@0.5∶0.95、参数量及检测速度分别为87.9%,55.9%,4.49×106个,85.5帧/s,满足煤矿井下异物检测需求;YOLOv5n-CND的mAP@0.5和mAP@0.5∶0.95较YOLOv5n分别提高了2.6%和3.4%,较YOLOv5s-CBAM分别提高了1.7%和3.8%;模型参数量在YOLOv5n的基础上略有提升,但较其他模型参数量均有所降低。选取异物与背景相近的细长检测物、光照比较低的锚杆检测物、大量煤矸石混杂的检测物、含有多个异物4种场景进行测试,结果表明:基于YOLOv5n-CND的矿用输送带异物检测算法未出现误检及重复检测的情况,漏检较少,检测框定位准确,对粘连小目标的处理效果更好,能够实现输送带异物的准确检测。 展开更多
关键词 矿用输送带 异物检测 粘连小目标检测 YOLOv5n C2f模块 归一化高斯瓦萨斯坦距离模块 Dy Head检测头
在线阅读 下载PDF
基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测
5
作者 梅晓虎 吕小强 雷萌 《工矿自动化》 CSCD 北大核心 2024年第8期99-104,111,共7页
针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物... 针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物检测。该模型在高效层聚合网络(ELAN)模块中添加特征拼接单元,形成阶梯ELAN(Stair−ELAN)模块,将不同层级的低维特征与高维特征进行融合,加强了特征层级间的直接联系,提升了信息捕获能力,增强了模型对不同尺度目标和复杂场景的适应性;针对检测头引入阶梯特征融合(Stair−fusion),形成阶梯检测头(Stair−head)模块,通过逐层融合不同分辨率的检测头特征,增强了中低分辨率检测头的特征表达能力,实现了特征信息的互补。实验结果表明:Stair−YOLOv7−tiny模型在输送带异物开源数据集CUMT−BelT上的检测效果优于CBAM−YOLOv5,YOLOv7−tiny及其轻量化模型,准确率、平均精度均值、召回率和精确率分别达98.5%,81.0%,82.2%和88.4%,检测速度为192.3帧/s;在某矿井下输送带监控视频分析中,Stair−YOLOv7−tiny模型未出现漏检或误检,实现了输送带异物的准确检测。 展开更多
关键词 输送带异物检测 YOLOv7−tiny 多尺度目标检测 Stair−fusion 高效层聚合网络 检测头
在线阅读 下载PDF
基于Fast_YOLOv3算法的煤矿胶带运输异物检测 被引量：16
6
作者 任国强 韩洪勇 +1 位作者 李成江 尹燕芳 《工矿自动化》 北大核心 2021年第12期128-133,共6页
现有煤矿胶带运输异物检测方法检测精度较低、检测速度较慢,YOLOv3算法有较快的检测速度和较高的检测精度,但其用于煤矿胶带运输异物检测时存在对小目标检测效果不佳、容易出现漏检和正负样本不均衡等情况。针对上述问题,设计了Fast_YOL... 现有煤矿胶带运输异物检测方法检测精度较低、检测速度较慢,YOLOv3算法有较快的检测速度和较高的检测精度,但其用于煤矿胶带运输异物检测时存在对小目标检测效果不佳、容易出现漏检和正负样本不均衡等情况。针对上述问题,设计了Fast_YOLOv3算法:通过改进先验框及边界框,以适应煤矿胶带运输小目标异物检测场景;增加反卷积网络,以提高小目标异物检测能力;引入Focal Loss改进损失函数中负样本置信度的交叉熵,解决正负样本数量不均衡问题,提高检测精度。设计了StiPic数据增强方法,对煤矿胶带运输图像进行预处理,以提高Fast_YOLOv3模型训练效率及对小目标异物的检测精度。实验及现场测试结果表明,Fast_YOLOv3算法对于胶带运输异物的平均检测精度达90.12%,平均检测时间为35 ms,对小目标异物的检出率达93.50%,满足胶带运输现场对异物检测精度和实时性的要求。 展开更多
关键词 煤矿胶带运输 异物检测 目标检测 Fast_YOLOv3算法 StiPic数据增强 反卷积网络
在线阅读 下载PDF
地铁车辆附着异物的数据集扩充方法和检测模型随机mixup训练方法研究(上)
7
作者 黎志国 《铁道技术监督》 2025年第2期59-62,共4页
现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物... 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。 展开更多
关键词 地铁车辆 附着异物 图像识别 深度卷积神经网络 目标检测 数据集 模型训练 训练方法
在线阅读 下载PDF
地铁车辆附着异物的数据集扩充方法和检测模型随机mixup训练方法研究(下)
8
作者 黎志国 《铁道技术监督》 2025年第3期61-65,共5页
现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物... 现有的地铁车辆异物检测模型存在真实训练数据匮乏、检测精度低等问题,难以满足实际应用的需要。对此,从公开数据集和互联网中收集废弃塑料袋等异物图像并标注异物轮廓,利用随机旋转、缩放等方法扩展图像数据,利用泊松融合算法,将异物图像与可能附着异物的图像随机融合,生成附着异物图像数据集。采用随机mixup方法,利用扩充后的数据集,训练基于YOLOv4网络的地铁车辆附着异物检测模型,并开展验证试验。试验结果表明,利用扩充后的异物数据集,采用随机mixup方法训练后的检测模型,检测效果更佳。 展开更多
关键词 地铁车辆 附着异物 图像识别 深度卷积神经网络 目标检测 数据集 模型训练 训练方法
在线阅读 下载PDF
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
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部