基于ESCBAM和多通道特征融合的煤炭流外体分类
Qiqi Kou1, Haohui Ma2, Jinyang Xu2
1School of Computer Science and Technology, China University of Mining and Technology, Xuzhou 221116, China.
Sensors (Basel, Switzerland)
|August 12, 2023
概括
这项研究引入了一种高效的深度学习网络,用于对带式输送机上的异物进行分类. 这种新的方法提高了准确性和处理速度,同时降低了计算复杂性,以提高煤炭运输安全.
科学领域:
- 工程 工程师 工程师 工程师
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 带式输送机中的异物会导致严重的操作问题,如划伤,撕裂和堵塞.
- 现有的分类网络受到大参数,高计算复杂性,低准确性和缓慢处理速度的影响.
研究的目的:
- 开发一个新的深度学习网络,以有效地对煤带输送机中的异物进行分类.
- 通过提高准确性,速度和计算效率来解决当前方法的局限性.
主要方法:
- 提出了一种集成多道功能融合策略的新型网络,以提高功能利用率.
- 开发了一个信息融合网络,使用深度可分离的卷积和改进的残余网络结构.
- 引入了一种新的增强空间和道注意力 (ESCBAM) 机制,以改善图像上下文理解和功能性能.
主要成果:
- 拟议的方法显著减少参数和计算复杂性.
- 实现了高分类准确度和快速处理速度.
- 有效地对带式输送机上的异物进行分类,证明了卓越的性能.
结论:
- 这种新型网络为煤带输送机中异物检测提供了一个计算效率高,准确的解决方案.
- 欧洲央行注意力机制和多道功能融合有助于提高网络性能.
- 这种方法提高了煤炭运输系统的安全性和效率.
