-
题名基于CED-YOLOv5s模型的煤矸识别方法研究
被引量：1
- 1
-
-
作者
何凯
程刚
王希
葛庆楠
张辉
赵东洋
-
机构
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
安徽理工大学机械工程学院
-
出处
《工矿自动化》
CSCD
北大核心
2024年第2期49-56,82,共9页
-
基金
安徽高校协同创新资助项目(GXXT-2021-076)。
-
文摘
由于煤矿井下高噪声、低照度、运动模糊的复杂工况和煤矸易聚集现象,导致煤矸目标检测模型特征提取困难及煤矸分类、定位不准确问题。针对该问题,提出一种基于CED-YOLOv5s模型的煤矸识别方法。首先,在YOLOv5s主干网络中引入坐标注意力(CA)机制,通过将坐标信息嵌入信道关系和长程依赖关系中对特征图进行编码,充分利用通道注意力信息和空间注意力信息,使模型更加关注重要特征,抑制无用信息。其次,在YOLOv5s的检测头部引入EIoU回归损失函数,将目标框与锚框的宽高差异最小化,以增强目标的位置和边界信息,提高模型在密集目标下的定位精度和收敛速度;最后,在YOLOv5s的检测头部引入轻量化解耦头,解耦出单独的特征通道,分别用于分类任务和回归任务,解决了原模型中耦合头部分类任务与回归任务的相互干扰问题,进一步提升了模型的并行运算效率与检测精度。实验结果表明:CED-YOLOv5s模型与其他YOLO系列目标检测模型相比,综合性能最佳,平均检测精度达94.8%,相较于YOLOv5s模型提升了3.1%,检测速度达84.8帧/s,可充分满足煤矿井下煤矸实时检测需求。
-
关键词
煤矸识别
YOLOv5s
坐标注意力
损失函数
轻量化解耦头
密集目标定位
-
Keywords
coal gangue recognition
YOLOv5s
coordinate attention
loss function
lightweight decoupling head
dense object positioning
-
分类号
TD67
[矿业工程—矿山机电]
-
-
题名基于改进YOLOv5的小麦穗目标检测模型
- 2
-
-
作者
张世豪
董峦
逄正钧
秦立浩
-
机构
新疆农业大学计算机与信息工程学院
-
出处
《农业工程》
2023年第3期50-56,共7页
-
文摘
小麦穗的自动检测在小麦估产和育种方面具有较大科研价值,当前小麦穗检测方面仍存在模型复杂度较高、精度较低等问题。将深度学习技术应用于小麦穗检测,提出了基于改进YOLOv5的小麦穗精确检测模型。模型将YOLOv5主干网络中的卷积模块替换为Ghost卷积,实现模型轻量化;使用ACON激活函数替换默认的SiLU激活函数,从而使激活函数更加灵活以扩大设计空间;使用对所有IoU Loss增加α幂的Alpha-IoU Loss替换YOLOv5默认的CIoU Loss以提高模型前期收敛速度;在网络中加入加权双向特征金字塔(BiFPN),改进的模型可实现参数量降低63.3%、计算量降低66.8%的情况下mAP仅降低2.17%,可满足实际应用和移动端部署的要求。提出了使用解耦头(Decouple Head)替换默认YOLOHead,比官方YOLOv5的mAP提高1.83%,证明了解耦头可以提高模型精度。
-
关键词
深度学习
目标检测
小麦穗检测
轻量化模型
YOLO
head解耦头
-
Keywords
deep learning
target detection
wheat spike detection
lightweight model
YOLO head decoupling head
-
分类号
S126
[农业科学—农业基础科学]
-
