Jove
Visualize
联系我们

相关实验视频

Updated: Jan 10, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

996

开发基于深度学习的外来物体检测算法,用于煤矿输送带.

Jierui Ling1, Zhibo Fu2, Xinpeng Yuan3

  • 1School of Coal Engineering, Shanxi Datong University, Datong, 037000, China. lingjierui225@163.com.

Scientific reports
|November 27, 2025
PubMed
概括

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

A Feasibility Study of Using an In-Ear EEG System for a Quantitative Assessment of Stress and Mental Workload.

Sensors (Basel, Switzerland)·2026
Same author

Retraction notice to "Rapid identification model of mine water inrush source using random forest optimized by multi-strategy improved sparrow search algorithm" [Heliyon 10 (2024) e35708].

Heliyon·2025
Same author

Research on downhole drilling target detection based on improved Yolov8n.

Scientific reports·2025
Same author

Lightweight coal mine conveyor belt foreign object detection based on improved Yolov8n.

Scientific reports·2025
Same author

Rapid identification model of mine water inrush source using random forest optimized by multi-strategy improved sparrow search algorithm.

Heliyon·2024
Same author

Research on improved gangue target detection algorithm based on Yolov8s.

PloS one·2024
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

这项研究引入了一种改进的YOLOv11算法,用于在煤矿输送带上检测异物. 改进后的模型提供了更高的准确性和效率,这对于复杂的地下环境至关重要.

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%.
关键词:
边缘设备 边缘设备图像细分 图像细分 图像细分轻量化 轻量化 轻量化 轻量化 轻量化实时检测检测实时检测.共有的卷积层.这就是YOLOv11的意义.

更多相关视频

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.6K

相关实验视频

Last Updated: Jan 10, 2026

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

996
Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
08:27

Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines

Published on: January 5, 2024

1.6K
  • 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.