基于CBA-YOLO模型的煤矸石检测
桂方俊
李尧
中国矿业大学(北京)机电与信息工程学院,北京 100083
摘要：煤矸石检测中存在样本间特征差异小、目标密集等问题,导致现有煤矸石检测方法精度不高且实时性较差.针对该问题,提出了一种基于CBA-YOLO模型的煤矸石检测方法.CBA-YOLO模型以速度较快、精度较高的YOLOv5m为基础模型,在YOLOv5m的Backbone中加入卷积块注意力模块(CBAM),通过串联空间注意力模块和通道注意力模块,在聚焦特征差异的同时降低数据维度,提高煤矸石检测性能;在Neck部分采用双向特征金字塔网络(BiFPN)结构,通过融合不同尺度的特征提高模型计算效率,从而提升煤矸石检测速度;在Prediction部分采用Alpha-IoU函数作为损失函数,通过设置权重系数加速对高置信度目标的学习,进一步提高煤矸石检测精度.实验结果表明:CBA-YOLO模型对煤矸石的平均检测精度达98.2％,比YOLOv5模型提高了3.4％,检测速度提升了 10％;CBA-YOLO模型的鲁棒性更强,可有效避免漏检、误检和重叠现象.
关键词：煤矸石检测YOLOv5CBA-YOLO深度学习注意力机制双向特征金字塔网络损失函数
分类号：TD948.9(选矿)
论文发表日期：2022-06-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 128-133 )
英文信息