基于HGTC-YOLOv8n模型的煤矸识别算法研究
滕文想1
王成2
费树辉3
1.安徽理工大学 机电工程学院,安徽 淮南 232001;安徽理工大学 矿山智能技术与装备省部共建协同创新中心,安徽 淮南 232001;安徽中科光电色选机械有限公司博士后科研工作站,安徽 合肥 2312002.安徽理工大学 机电工程学院,安徽 淮南 2320013.安徽理工大学 机电工程学院,安徽 淮南 232001;安徽理工大学 矿山智能技术与装备省部共建协同创新中心,安徽 淮南 232001
摘要：现有基于深度学习的煤矸识别方法在煤矿井下低照度、高噪声及运动模糊等复杂工况下存在煤矸识别精度低、小目标煤矸容易漏检、模型参数量和运算量大,难以部署到计算资源有限的设备中等问题,提出了一种基于HGTC-YOLOv8n模型的煤矸识别算法.采用HGNetv2网络替换YOLOv8n的主干网络,通过多尺度特征的有效提取,提高煤矸识别效果并减少模型的存储需求和计算资源消耗;在主干网络中嵌入三重注意力机制模块Triplet Attention,捕获不同维度间的交互信息,增强煤矸图像目标特征的提取,减少无关信息的干扰;选用内容感知特征重组模块(CARAFE)来改进YOLOv8n颈部特征融合网络上采样算子,利用上下文信息提高感受视野,提高小目标煤矸识别准确率.实验结果表明:①HGTC-YOLOv8n模型的平均精度均值为 93.5%,模型的参数量为2.645×106,浮点运算量为 8.0×109,帧速率为 79.36帧/s.②平均精度均值较YOLOv8n模型提升了 2.5%,参数量和浮点运算量较 YOLOv8n模型分别下降了 16.22%和 10.11%.③ 与 YOLO系列模型相比,HGTC-YOLOv8n模型的平均精度均值最高,且参数量和浮点运算量最少,检测速度较快,综合检测性能最佳.④基于HGTC-YOLOv8n模型的煤矸识别算法在煤矿井下复杂工况下,改善了煤矸识别精度低、小目标煤矸容易漏检等问题,满足煤矸图像实时检测要求.
关键词：煤矸识别小目标识别YOLOv8n内容感知特征重组模块三重注意力机制Triplet AttentionHGNetv2
分类号：TD67(矿山电工)
资助基金：机械工业联合会矿山采选装备智能化重点实验室开放基金项目(2022KLMIO4)安徽理工大学引进人才基金(13230411)
论文发表日期：2024-05-10
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：8( 52-59 )
英文信息