基于KRB-YOLOv5s的煤矸识别方法

TP391; 为解决煤矿高粉尘、低照度、高噪声与堆叠等复杂环境因素导致的煤矸识别精度低、漏检与误检问题,提出一种基于KRB-YOLOv5s算法的煤矸识别方法.采用K均值聚类(K-means++)算法对数据集进行重新聚类,以得到更精准的锚框参数;在YOLOv5s主干网络中引入大核卷积结构重参数(RepLKNet)网络,通过大核卷积架构提取目标更高层级的特征信息;在YOLOv5s颈部引入加权双向特征金字塔(BiFPN)网络,通过双向跨尺度连接对目标多尺度特征进行快速捕捉与融合.在煤矸数据集上开展实验,结果表明:与其他YOLO系列检测算法相比,KRB-YOLOv5s算法在高粉尘、低照度、高噪声与堆叠...

Full description

Saved in:
Bibliographic Details
Published in辽宁工程技术大学学报（自然科学版） Vol. 43; no. 4; pp. 385 - 392
Main Authors 葛庆楠, 程刚, 赵东洋
Format Journal Article
LanguageChinese
Published 安徽理工大学 深部煤矿采动响应与灾害防控国家重点实验室,安徽 淮南 232001 2024
Subjects
煤矸智能分选
大核卷积架构
煤矸识别方法
recognition method for coal and gangue
多尺度特征
YOLOv5s algorithm
multi-scale features
large kernel convolutional architecture
YOLOv5s算法
intelligent sorting of coal and gangue
Online AccessGet full text

Cover

More Information
Summary:TP391; 为解决煤矿高粉尘、低照度、高噪声与堆叠等复杂环境因素导致的煤矸识别精度低、漏检与误检问题,提出一种基于KRB-YOLOv5s算法的煤矸识别方法.采用K均值聚类(K-means++)算法对数据集进行重新聚类,以得到更精准的锚框参数;在YOLOv5s主干网络中引入大核卷积结构重参数(RepLKNet)网络,通过大核卷积架构提取目标更高层级的特征信息;在YOLOv5s颈部引入加权双向特征金字塔(BiFPN)网络,通过双向跨尺度连接对目标多尺度特征进行快速捕捉与融合.在煤矸数据集上开展实验,结果表明:与其他YOLO系列检测算法相比,KRB-YOLOv5s算法在高粉尘、低照度、高噪声与堆叠工况下的综合检测性能最佳,识别精度均值(mAP)达94.5%,比YOLOv5s算法提高了3.3个百分点.研究结论为煤矿复杂工况下煤矸智能分选提供参考.
ISSN:1008-0562
DOI:10.11956/j.issn.1008-0562.20230363