-
题名基于改进YOLOv8的煤矿输送带异物检测
被引量：4
- 1
-
-
作者
洪炎
汪磊
苏静明
汪瀚涛
李木石
-
机构
安徽理工大学电气与信息工程学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第6期61-69,共9页
-
基金
国家重点研发计划项目(2021YFD2000204)
国家自然科学基金项目(12304236,32301688,52174141)
+2 种基金
安徽数字农业工程技术研究中心开放项目(AHSZNYGCZXKF021)
大学生创新创业基金项目(202210361053,202310361037)
安徽理工大学研究生创新基金项目(2024cx2067)。
-
文摘
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。
-
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
-
Keywords
foreign object detection on conveyor belts
YOLOv8
SE network
efficient channel attention mechanism
lightweight
small object detection
adaptive average pooling
adaptive maximum pooling
-
分类号
TD634.1
[矿业工程—矿山机电]
-
