RRBM-YOLO:研究高效和轻量级的卷积神经网络,用于地下煤识别
Yutong Wang1,2, Ziming Kou1,2, Cong Han1,2
1School of Mechanical Engineering, Taiyuan University of Technology, Taiyuan 030024, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
一个新的硬件友好的煤图像识别算法,RRBM-YOLO,提高了在光线较差的情况下的识别效率. 这种先进的模型实现了高精度和速度,使其适合工业应用.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 煤炭标识对于煤炭选至关重要,但面临着低效率和高计算需求等挑战.
- 现有的算法通常需要复杂的计算和强大的硬件,这限制了它们的实际应用.
研究的目的:
- 开发一种"硬件友好型"的煤炭图像识别算法,以提高效率和准确性.
- 解决目前在低光和复杂工业环境中的方法的局限性.
主要方法:
- 拟议的RRBM-YOLO算法集成暗光增强与YOLOv8骨干.
- 使用Retinexformer进行暗光增强,并集成RepGhost,BiFPN和MCA模块.
- 在模拟正常和差的地下照明条件的定制数据集上进行培训和测试.
主要成果:
- 实现了0.988的精度,用于煤识别.
- 与原来的YOLOv8.8.2相比,mAP@0.5(%) 和mAP@0.5:0.95(%) 分别增加了10.49%和36.62%.
- 推断速度达到了8.1 GFLOPS,证明了准确性和速度之间的平衡.
结论:
- RRBM-YOLO算法提供了卓越的检测精度和推断速度.
- 显示出卓越的准确性,稳定性和煤炭加工工业应用的巨大潜力.
