基于改进的YOLOv8模型的图像细分算法及其在地下煤炭和道识别中的应用
Lei Zhu1,2, Wenzhe Gu1, Chengyong Liu1
1China Coal Energy Research Institute Co., L td., Xi'an, Shaanxi, China.
PloS one
|May 9, 2025
概括
本研究介绍了一种改进的YOLOv8模型,用于智能采矿中精确的煤炭和带图像细分. 改进的模型实现了卓越的准确性和速度,优于以前的版本,用于高效的地下应用.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 采矿工程 采矿工程 采矿工程
背景情况:
- 煤炭和沟识别对于智能煤矿建设至关重要.
- 现有的细分算法存在低准确度,错过检测和缓慢速度的问题.
研究的目的:
- 开发一个快速而准确的煤炭带细分模型.
- 改进YOLOv8架构以提高性能.
主要方法:
- 通过用深度可分离卷曲 (DSC) 取代标准卷曲,修改了YOLOv8的骨干.
- 将CBAM模块集成到子网络中,以改善特征差异化.
- 将数据集扩展到11,265张图像和微调的超参数.
主要成果:
- 实现了95.67%的精度,95.74%的回忆,32.11 FPS和96.88%的mAP.
- 与基线YOLOv8和其他模型 (YOLOv3,YOLOv5,YOLOv7) 相比,显著改善.
- 通过转移学习成功地将该模型应用于地下煤图像细分.
结论:
- 改进的YOLOv8模型提供了一个可靠和高效的解决方案,用于煤图像细分.
- 这些改进为准确性和处理速度提供了实质性的提升.
- 该模型显示了智能采矿操作的实际可行性.
