网络首发-2024-06-19 15:09:42工矿自动化
论文-2024年 第06期工矿自动化
论文-2023年 第05期安徽理工大学学报（自然科学版）
论文-2022年 第08期工矿自动化
关键词：矿井图像增强 ; 矿井低照度图像 ; TopHat加权引导滤波 ; Retinex ; 自适应Gamma校正
图表-2024-07-11工矿自动化
Table 3
表 3 表 3 主流算法对比结果Table 3. Table 3. Comparison results of mainstream algorithms
| 算法 | 精确度/% | mAP@50/% | 参数量/ 106个 | 权重大小/ MiB | 每秒浮点 运算数/109 |
| YOLOv3 | 87.54 | 89.06 | 12.12 | 24.4 | 18.9 |
| YOLOv5 | 89.38 | 88.52 | 2.50 | 5.3 | 7.1 |
| YOLOv7−tiny | 84.40 | 89.70 | 6.01 | 12.3 | 13 |
| YOLOv8 | 88.60 | 88.20 | 3.00 | 6.3 | 8.1 |
| Faster−RCNN | 66.13 | 55.09 | 136.73 | 108.0 | 401.7 |
| SSD | 74.05 | 65.20 | 23.87 | 91.09 | 274.0 |
| 文献[22]中算法 | 81.40 | 89.30 | 6.87 | 14.1 | 14.2 |
| 文献[24]中算法 | 90.60 | 89.60 | 1.92 | 4.1 | 4.7 |
| CED−YOLO | 91.69 | 92.27 | 2.34 | 5.0 | 6.2 |
期刊：工矿自动化 - 2024年 - 06期
图表-2024-07-11工矿自动化
图表-2024-07-11工矿自动化
图表-2024-07-11工矿自动化
图表-2024-07-11工矿自动化
Table 2
表 2 表 2 消融实验结果Table 2. Table 2. Ablation experiment results
| 序号 | A | B | C | D | E | 精确度/% | 召回率/% | mAP@50/% | mAP@50∶95/% | 参数量/ 106个 | 权重大小/ MiB | 每秒浮点 运算数/109 | 速度/ （帧·s−1） |
| 1 | × | × | × | × | × | 88.60 | 80.19 | 88.20 | 56.70 | 3.00 | 6.3 | 8.1 | 162.55 |
| 2 | √ | × | × | × | × | 89.25 | 83.09 | 89.36 | 58.62 | 3.00 | 6.3 | 8.1 | 163.23 |
| 3 | √ | √ | × | × | × | 89.45 | 87.98 | 92.32 | 59.94 | 2.68 | 5.5 | 6.9 | 156.68 |
| 4 | √ | √ | √ | × | × | 89.02 | 86.26 | 92.96 | 62.21 | 2.79 | 5.9 | 11.7 | 94.49 |
| 5 | √ | √ | √ | √ | × | 92.03 | 84.30 | 91.92 | 60.89 | 2.79 | 5.9 | 11.7 | 111.26 |
| 6 | √ | √ | √ | √ | √ | 91.69 | 83.25 | 92.27 | 61.59 | 2.34 | 5.0 | 6.2 | 73.92 |
期刊：工矿自动化 - 2024年 - 06期
图表-2024-07-11工矿自动化
Table 1
表 1 表 1 实验硬件配置Table 1. Table 1. Experimental hardware configuration
| 实验环境 | 配置 |
| 操作系统 | Windows 10 |
| CPU | Intel（R） Core（TM）i5−13490F CPU@2.50 GHz |
| GPU | NVIDIA GeForce GTX 4060（8 G） |
| 深度学习框架 | PyTorch 1.9.1+CUDA 11.1+CUDNN 8.0.5 |
| 编译器 | Python 3.8.18 |
| 内存 | 32 GiB |
期刊：工矿自动化 - 2024年 - 06期
来对平台产品吐槽CCAJ有关的所有问题您都可以咨询，全天在线，欢迎反馈
