10.12075/j.issn.1004-4051.20230330
基于机器视觉的煤矸石分选方法研究
传统的煤矸石分选方法存在成本高、效率低以及安全性不足等问题.近年来,随着深度学习相关技术的迅速发展,基于目标检测算法的智能选矸已经成为矸石分选的重要研究方向.为实现矸石与煤块的高效分选,本文提出一种基于机器视觉与深度学习相结合的检测方法.该方法以YOLOv5s模型为基础,首先,在主干部分中加入卷积注意力模块(CBAM)用于提高网络的特征提取能力;其次,在颈部网络部分采用加权双向特征金字塔结构(BiFPN)来增强网络的多尺度特征融合,避免漏检与误检现象的发生;再次,在预测部分使用EIoU函数作为改进后模型的损失函数,以进一步提高检测精度;最后,在训练前对原有数据集进行扩充,使模型的泛化能力得到进一步加强.实验结果表明:改进后模型平均检测精度为95.3%,较原模型提高了2.1%,能够有效地替代人工分选.
煤矸石分选、深度学习、YOLOv5s模型、BiFPN结构、损失函数
33
TD94;TP391.4(选矿)
山西省基础研究计划项目202103021224199
2024-02-02(万方平台首次上网日期,不代表论文的发表时间)
共8页
114-121