Video Experimental Relacionado
Updated: Jun 15, 2026
03:31
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
1.1K
Detección del tamaño de las rocas voladas basada en una red eficiente de eliminación de neblina y fusión de
Pingfeng Li1,2, Shoudong Xie1,2, Wanzhong Zhang1,2
1Key Laboratory of Safety Intelligent Mining in Non-Coal Open-Pit Mines, National Mine Safety Administration, Zhaoqing, 526530, China.
Scientific reports
|March 1, 2026
Resumen
Este estudio presenta un método de visión por computadora YOLOv8 mejorado para la detección precisa del tamaño de las rocas voladas, mejorando el rendimiento en condiciones polvorientas y la identificación de rocas finas.
Área de la Ciencia:
- Ingeniería de Minas; Visión por Computadora; Procesamiento de Imágenes
Sus antecedentes:
- La distribución del tamaño de las partículas del mineral es crucial para la evaluación de voladuras y la eficiencia energética de la trituración.; Los desafíos en la detección del tamaño del mineral incluyen acumulación densa, tamaños no uniformes, polvo y pérdida de objetivos inducida por el movimiento.; Los métodos de visión por computadora existentes requieren mejoras para un análisis robusto del tamaño del mineral.
Objetivo del estudio:
- Desarrollar un método avanzado de visión por computadora para la detección precisa del tamaño de las rocas voladas.; Mejorar la robustez de los modelos de detección de minerales contra interferencias ambientales como el polvo y las condiciones húmedas.; Mejorar las tasas de precisión y recuperación para la detección de varios tamaños de mineral, especialmente partículas finas.
Principales métodos:
- Se desarrolló una red eficiente de eliminación de neblina que combina atención a las características y una estructura escalable compuesta.; Se introdujo una nueva red de fusión de características que integra modelos de secuencias de convolución y Vmamba con fusión de características multiescala.; Se utilizó la cabeza dinámica para optimizar la cabeza de detección de objetos para mejorar la fusión de características y la discriminación del mineral.
Principales resultados:
- El método propuesto, una mejora de YOLOv8, demostró un aumento del 7% en la precisión promedio para ocho categorías de tamaño de mineral en comparación con YOLOv8n.; La precisión promedio general (mAP50) mejoró un 7,6% en conjuntos de datos con polvo, humo y condiciones húmedas.; La precisión de detección de minerales finos (<72 mm) aumentó un 18,8%, con un aumento de la tasa de recuperación del 13,8%.
Conclusiones:
- El método desarrollado mejora significativamente la precisión y la robustez de la detección del tamaño de las rocas voladas.; La integración de la eliminación de neblina, la fusión de características multidimensionales y las cabezas de detección optimizadas aborda los desafíos clave en el análisis del mineral.; Este enfoque ofrece una solución prometedora para estadísticas precisas del tamaño de las partículas del mineral en aplicaciones industriales.
