开发基于深度学习的外来物体检测算法,用于煤矿输送带.

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:

• 现有的外来物体检测模型在复杂的地下煤矿环境中难以获得准确性和效率.
• 这些模型往往对细小的外来物体的识别能力较差,导致错误和错过的检测.
• 目前的方法是计算密集型,大尺寸,很难在边缘设备上部署,阻碍实时应用程序.

研究的目的:

• 为煤矿输送带开发一个更准确,更有效的异物检测算法.
• 解决现有模型在具有挑战性的地下条件下检测小而纤细的外来物体方面的局限性.
• 创建一个适合在采矿环境中边缘部署的轻量级和快速检测模型.

主要方法:

• 提出了一种改进的YOLOv11算法,结合了ADown下采样模块,用于增强小物体检测和参数减少.
• 集成了SegNext注意力机制,以提高图像细分性能.
• 通过轻量级的上下文引导机制优化了C3k2模块,并使用轻量级检测头 (LSCD) 进行多尺度特征处理.

主要成果:

• 与原始模型相比,改进的模型实现了平均平均精度 (mAP) 的1.5%,精度的1.2%和回忆的2%.
• 模型复杂度的显著降低:参数减少了28%,计算负载减少了33%,存储大小减少了29%.
• 改进后的模型显示了对小型和纤细的外来物体的检测性能提高,以及更好的部署灵活性.

结论:

• 建议改进的YOLOv11算法有效地提高了煤矿输送带上的异物检测.
• 这些修改带来了更高的准确性,更低的计算成本和更小的模型大小,使其适合边缘部署.
• 这项研究为在地下煤矿开采中实时检测异物提供了有价值的解决方案.