-
作者
张磊王浩盛雷伟强王斌林建功
-
单位
山西大同大学煤炭工程学院
-
摘要
传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强。现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求。针对该问题,在YOLOv5s模型基础上进行改进,构建了YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法。YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度。消融实验结果表明:YOLOv5sSDE模型对煤矸图像的检测准确率达87.9%,平均精度均值(mAP)达92.5%,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3%,mAP提升1.3%,参数量减少22.2%,计算量下降24.1%,检测速度提升6.4%。同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低,YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近,但在运动模糊和低照度情况下,YOLOv5s-SDE模型整体检测效果更优。
-
关键词
煤矸目标检测实时智能煤矸分选深度学习YOLOv5s注意力机制深度可分离卷积损失函数
-
基金项目(Foundation)
山西省研究生教育创新项目(2021Y739);2022年大同市科技计划重点研发(高新技术领域)项目(2022005);山西大同大学2022年度校级揭榜招标项目(2021ZBZX3);山西大同大学2021年度产学研专项研究项目(2021CXZ2);山西大同大学研究生教育创新项目(21CX02,21CX37);
-
文章目录
0 引言
1 基于YOLOv5s-SDE的带式输送机煤矸目标检测
1.1 YOLOv5s-SDE结构
1.2 SE模块
1.3 深度可分离卷积网络
1.4 边界框回归损失函数
2 实验分析
2.1 参数配置及数据采集
2.2 YOLOv5s-SDE模型训练结果
2.3 消融实验
2.4 对比实验
3 结论
-
引用格式
张磊,王浩盛,雷伟强,王斌,林建功.基于YOLOv5s-SDE的带式输送机煤矸目标检测[J].工矿自动化,2023,49(04):106-112.DOI:10.13272/j.issn.1671-251x.2022080043.
-
相关文章