Yolov8n-FADS:在复杂的地下环境中提高矿工头盔检测精度的研究
Zhibo Fu1, Jierui Ling1, Xinpeng Yuan1
1School of Coal Engineering, Shanxi Datong University, Datong 037000, China.
Sensors (Basel, Switzerland)
|June 27, 2024
概括
一个新的算法,Yolov8n-FADS,增强了矿工头盔在复杂的地下环境中的检测. 这种改进的算法实现了更高的准确性和效率,同时减少了内存和参数使用量.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 采矿安全技术 采矿安全技术
背景情况:
- 矿工头盔检测对于地下环境中的安全至关重要.
- 现有的算法在复杂的地下条件和阻塞中扎.
- 需要精确的检测系统来减少手动监控工作量.
研究的目的:
- 开发一种改进的算法,用于在具有挑战性的地下环境中准确检测矿工头盔.
- 为了增强复杂的视觉模式的特征提取和感知能力.
- 为了优化模型,减少内存足迹和参数数量.
主要方法:
- 引入了注意力序列融合 (ASF) 和P2检测层 (ASF-P2结构),用于全面的特征提取.
- 增强了脊柱,以有效捕捉稀疏的特征.
- 集成的SEAMHead与SEAM模块,以改善封闭处理.
- 利用焦点损失来解决罕见类别的检测.
主要成果:
- 与原始模型相比,实现了29%的内存压缩和36.7%的参数减少.
- 在地下佩戴头盔时,检测准确度提高了4.9%.
- ASF-P2结构有效地提取全球和本地图像特征.
- 在封闭的场景中,SEAMHead显著提高了性能.
结论:
- Yolov8n-FADS算法在地下头盔检测准确性和效率方面取得了重大进展.
- 拟议的修改增强了模型感知复杂模式和处理阻塞的能力.
- 这项技术可以减少监控工作量,并提高采矿操作的整体监控效率.


