基于EMBS-YOLOv8s的煤炭和河的多尺度融合轻量级目标检测方法
Lin Gao1, Pengwei Yu1, Hongjuan Dong2
1Mechanical Engineering School, Inner Mongolia University of Science and Technology, Baotou 014010, China.
Sensors (Basel, Switzerland)
|April 28, 2025
概括
这项研究介绍了EMBS-YOLOv8s,这是一种轻量级的煤炭检测模型,可以提高准确性和效率. 改进的模型实现了96.0%的平均精度,超过了原来的YOLOv8,同时降低了复杂性并增加了用于智能煤炭分类的检测速度.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 精确的煤检测对于智能煤炭分类至关重要.
- 现有方法的准确性低,模型结构复杂.
- 需要有效和精确的煤炭道检测系统.
研究的目的:
- 提出一个多尺度的聚变轻型煤炭团目标检测方法.
- 为了提高煤炭检测模型的准确性和降低复杂性.
- 开发一个适合实时智能分类应用的模型.
主要方法:
- 使用对比度有限的自适应式直方图平衡 (CLAHE) 进行图像预处理.
- 在子网络中实施了增强的多尺度双向特征金字塔网络 (EMBSFPN).
- 将CIoU损失函数替换为Wise-SIoU损失函数,以改善收和样本平衡.
主要成果:
- 在定制数据集上,EMBS-YOLOv8s模型实现了96.0%的平均精度.
- 与YOLOv8s相比,模型复杂性降低了:参数 (29.59%),FLOP (12.68%) 和大小 (28.44%) 相比.
- 实现了每秒93.28的检测速度,展示了实时功能.
- 有效地将错误和错过的检测最小化在具有挑战性的条件下,如低亮度和运动模糊.
结论:
- 拟议的EMBS-YOLOv8s模型在煤探测方面提供了卓越的性能.
- 该方法为智能煤炭分类提供了一个轻量级,准确和高效的解决方案.
- 在复杂和不利的成像场景中,EMBS-YOLOv8s表现出强度.
