针对带式输送机煤量检测技术精度较低、实时性较差等问题,提出了一种基于深度神经网络的煤量测量方法。首先,在BiSeNet的基础上引入TFF结构和交叉熵损失函数,构建new Large TFF模型。其次,在深度预测方面,构建Large TFF2网路模型,针对...针对带式输送机煤量检测技术精度较低、实时性较差等问题,提出了一种基于深度神经网络的煤量测量方法。首先,在BiSeNet的基础上引入TFF结构和交叉熵损失函数,构建new Large TFF模型。其次,在深度预测方面,构建Large TFF2网路模型,针对边缘检测效果差等问题,引入新的损失函数指导模型训练。然后,针对带式输送机上实时煤量预测任务需求,基于new Large TFF和Large TFF2构建Large TFF4多任务网络模型,并引入深度与语义的组合损失函数。最后,在静态煤量计算的基础上,引入ORB关键点定位技术,实验动态煤量测量。实验结果表明,带式输送机动态煤量检测方法的FPS为25左右,误差为5%左右,能够满足带式输送机高速运转时煤量测量要求。展开更多
文摘针对带式输送机煤量检测技术精度较低、实时性较差等问题,提出了一种基于深度神经网络的煤量测量方法。首先,在BiSeNet的基础上引入TFF结构和交叉熵损失函数,构建new Large TFF模型。其次,在深度预测方面,构建Large TFF2网路模型,针对边缘检测效果差等问题,引入新的损失函数指导模型训练。然后,针对带式输送机上实时煤量预测任务需求,基于new Large TFF和Large TFF2构建Large TFF4多任务网络模型,并引入深度与语义的组合损失函数。最后,在静态煤量计算的基础上,引入ORB关键点定位技术,实验动态煤量测量。实验结果表明,带式输送机动态煤量检测方法的FPS为25左右,误差为5%左右,能够满足带式输送机高速运转时煤量测量要求。
