最小YOLO:基于YOLOv8的显微镜下矿物成分的轻量级识别方法
Zeyang Qiu1, Xueyu Huang1,2, Xiangyu Xu1
1School of Software Engineering, Jiangxi University of Science and Technology, Nanchang 330013, China.
Sensors (Basel, Switzerland)
|April 12, 2025
概括
一种新的轻量级方法,Minim-YOLO,可以在边缘设备上快速识别矿物质. 这种计算机视觉方法在显著减少计算资源的情况下实现了高精度,支持智能采矿操作.
科学领域:
- 地质工程是地质工程.
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 智能采矿依赖于高效的矿物识别来进行矿石分类.
- 目前的方法可能不适合在资源有限的边缘计算设备上部署.
研究的目的:
- 为边缘设备开发一种轻量级和高效的矿物识别方法.
- 为了在智能采矿应用中实现快速矿物分类.
主要方法:
- 提出了基于 YOLOv8.8 的轻量级模型 Minima-YOLO.
- 推出了YOLOv8微型,更快的EMA模块与PConv和EMA注意力,GhostConv和Slim-Neck结构.
- 利用可见光显微镜对矿物质图像数据进行分析.
主要成果:
- 在自建的矿物数据集上实现了99.4%的mAP50.
- 将FLOP降低到2.3G,参数降低到0.72M,模型大小降低到1.63MB.
- 保持了103 FPS的高推断速度.
结论:
- 最小YOLO为矿物识别提供了高效,轻量级的解决方案.
- 与其他物体检测方法相比,该算法表现出卓越的性能.
- 为快速矿物分类提供智能,环保的计算机视觉方法.
更多相关视频
11:03Nanoscale Characterization of Liquid-Solid Interfaces by Coupling Cryo-Focused Ion Beam Milling with Scanning Electron Microscopy and Spectroscopy
Published on: July 14, 2022
3.4K
10:03Characterization of Electrode Materials for Lithium Ion and Sodium Ion Batteries Using Synchrotron Radiation Techniques
Published on: November 11, 2013
25.4K
