井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物...井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物检测模型。首先,利用迁移学习策略,提高模型泛化能力,解决数据集较小的问题;其次,在特征融合层的改进型空间金字塔池化模块(Spatial Pyramid Pooling Fast,SPPF)添加坐标注意力(Coordinate Attention,CA)机制,提升模型特征的表达能力;之后,使用损失函数WIoU(Wise Intersection over Union)代替损失函数CIoU(Complete Intersection over Union),加快模型训练速度;最后,利用在线难例挖掘(Online Hard Example Mining,OHEM)策略,帮助模型更好地学习难分类的样本。试验结果表明,井下皮带异物检测模型在自建异物检测数据集上mAP@0.5和mAP@0.5-0.95分别取得了92.5%和79.4%的检测效果,与原YOLOv8相比分别增加了2.6百分点和1.8百分点,并且本模型在实际矿山的检测中取得了90.4%的检测效果,表明模型在实际矿井环境中具有较强的适用性,可为井下皮带异物的检测提供技术支持。展开更多
密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研...密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。展开更多
文摘井下运煤带式输送机是煤炭生产运输的关键环节。由于运煤皮带上出现的锚杆、槽钢、铁棍等异物,皮带在运行过程中容易出现纵向撕裂甚至断带等事故。针对煤矿井下的皮带异物检测问题,提出了一种基于迁移学习和在线难例挖掘的井下皮带异物检测模型。首先,利用迁移学习策略,提高模型泛化能力,解决数据集较小的问题;其次,在特征融合层的改进型空间金字塔池化模块(Spatial Pyramid Pooling Fast,SPPF)添加坐标注意力(Coordinate Attention,CA)机制,提升模型特征的表达能力;之后,使用损失函数WIoU(Wise Intersection over Union)代替损失函数CIoU(Complete Intersection over Union),加快模型训练速度;最后,利用在线难例挖掘(Online Hard Example Mining,OHEM)策略,帮助模型更好地学习难分类的样本。试验结果表明,井下皮带异物检测模型在自建异物检测数据集上mAP@0.5和mAP@0.5-0.95分别取得了92.5%和79.4%的检测效果,与原YOLOv8相比分别增加了2.6百分点和1.8百分点,并且本模型在实际矿山的检测中取得了90.4%的检测效果,表明模型在实际矿井环境中具有较强的适用性,可为井下皮带异物的检测提供技术支持。
文摘密集场景下群株生菜的有效分割与参数获取是植物工厂生长监测中的关键环节。针对群株生菜中个体生菜鲜质量提取问题,该研究提出一种利用实例分割模型提取个体生菜点云,再以深度学习点云算法预测个体鲜质量的方法。该方法以群株生菜为研究对象,利用深度相机采集群株生菜俯视点云,将预处理后的点云数据输入实例分割模型Mask3D中训练,实现背景与生菜个体的实例分割,之后使用鲜质量预测网络预测个体生菜鲜质量。试验结果表明,该模型实现了个体生菜点云的分割提取,无多检和漏检的情况。当交并比(intersection over union,IoU)阈值为0.75时,群株生菜点云实例分割的精确度为0.924,高于其他实例分割模型;鲜质量预测网络实现了直接通过深度学习处理点云数据,预测个体生菜鲜质量的目的,预测结果的决定系数R2值为0.90,均方根误差值为12.42 g,优于从点云中提取特征量,再回归预测鲜质量的传统方法。研究结果表明该研究预测生菜鲜质量的精度较高,为利用俯视单面点云提取群株生菜中个体生菜表型参数提供了一种思路。
