在完全机械化的采矿面上基于视觉检测大型煤炭碎片,使用自适应加权注意力和转移学习

科学领域:

• 采矿工程 采矿工程 采矿工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 挖掘机输送机卸载端口在机械化采矿中至关重要,但容易受到大型煤炭碎片的堵塞.
• 对于粉碎机器人而言,现有的视觉感知方法在复杂的采矿环境中缺乏准确性和实时性能.
• 准确识别大型煤炭碎片对于防止运营中断至关重要.

研究的目的:

• 为煤矿粉碎机器人开发先进的视觉检查方法,以准确检测大型煤炭碎片.
• 提高采矿操作中的视觉感知系统的实时性能和准确性.
• 解决当前方法在具有挑战性的环境中识别大型煤块的局限性.

主要方法:

• 建议使用转移学习和自适应加权注意力机制的LCDet方法.
• 设计了一个轻量级的骨干网络,集成卷积以实现高效的特征表示.
• 实施了自适应加权注意力机制,以关注煤炭碎片并减少背景噪音.

主要成果:

• 在公开和自建数据集上,LCDet实现了高精度和回忆,超过了YOLOv8n.
• 在检测准确性和模型复杂性之间展示了有利的平衡,适合机器人部署.
• 实验结果显示LCDet在检测大型煤碎片方面具有卓越的性能和低参数数量的有效性.

结论:

• LCDet能够轻量化和准确地检测大型煤炭碎片,这对于自动化采矿操作至关重要.
• 该方法支持实时部署在粉碎机器人上,提高机械化采矿的效率和安全性.
• LCDet为防止堵塞和提高整体采矿生产率提供了一个有希望的解决方案.