10.13272/j.issn.1671-251x.2021110055
煤矿副井矿车装载物智能识别方法
基于卷积神经网络实现煤矿副井矿车装载物自动分类在实际应用中因触发条件简易导致误判与漏判情况,且非矿车物体经过检测区域时会引起司控道岔误动作.针对该问题,提出了基于目标检测模型的煤矿副井矿车装载物智能识别方法.在煤矿副井井口安装工业相机采集矿车装载物图像并进行人工标注,构建矿车识别数据集,对Faster R-CNN,YOLOv4,SSD 3种目标检测模型的识别准确率与实时性进行评估,根据评估结果,得出YOLOv4模型更适用于矿车装载物识别任务的结论;为降低模型大小,提高识别速度,对YOLOv4模型进行改进,采用轻量级网络MobileNet替换原有主干特征提取网络CSPDarknet53,构建MobileNetv3-YOLOv4模型,测试结果表明MobileNetv3-YOLOv4模型的平均精度均值(mAP)为95.03%,识别速度为44帧/s,较YOLOv4模型分别提高了 0.77%,27帧/s;为方便现场应用和部署,提高矿车装载物识别模型在嵌入式平台上的性能,提出了基于层间融合和模型量化的模型加速方法,并将加速前后的MobileNetv3-YOLOv4模型移植到Jetson TX2进行矿车装载物识别现场试验,结果表明识别速度由MobileNetv3-YOLOv4模型加速前的18.3帧/s提升至35.42帧/s,mAP为94.68%,满足现场实时、精确检测需求,且仅在矿车经过检测区域时启动检测任务,避免了因其他物体引起的司控道岔误动作现象.
煤矿智能化、副井轨道分运、矿车装载物识别、目标检测模型、YOLOv4、模型加速
48
TD54/67(矿山运输与设备)
国家自然科学基金;国家自然科学基金
2022-05-07(万方平台首次上网日期,不代表论文的发表时间)
共7页
14-19,30