一个轻量级的煤探测模型,基于并行深度残留网络
Shexiang Jiang1,2, Xinrui Zhou1,2
1Anhui Key Laboratory of Mine Intelligent Equipment and Technology, Anhui University of Science and Technology, Huainan, Anhui, China.
PeerJ. Computer science
|March 10, 2025
概括
一个新的轻量级煤炭道检测模型,P-RNet,在复杂的地下采矿条件下准确识别煤炭道. 这种模式提供了有效的识别与低部署成本,提高运营效率.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 采矿工程 采矿工程 采矿工程
背景情况:
- 精确识别煤炭道对于高效的地下煤炭运输至关重要.
- 现有的模型面临复杂的成像条件和高部署成本的挑战.
研究的目的:
- 为地下采矿开发一种轻量级且准确的煤探测模型.
- 为了解决功能提取,升级样本和优化用于现实世界部署的局限性.
主要方法:
- 提出了一种平行深度残留网络 (P-RNet) 用于轻质煤带检测.
- 设计了一个特征提取模块 (FEM),与训练和推理脱.
- 优化了特征融合模块 (FFM) 使用轻量级的上采样操作员.
- 采用了Lookahead优化器和广泛的学习率实验,以实现强大的参数优化.
主要成果:
- 采用P-RNet模型,可有效地提高煤识别准确度.
- 提出的方法成功地解决了复杂的图像条件和提升样本文物的问题.
- 该模型实现了低部署成本,使其适合实际应用.
结论:
- 在地下采矿中,P-RNet提供了一种有效的解决方案,用于准确识别煤炭.
- 该模型的轻量级设计和优化的组件有助于低成本部署.
- 这项研究有助于提高煤炭运输过程的效率和安全性.
