Метод обнаружения посторонних тел в шахтной ленте на основе YOLOv4

Jun 12, 2023

Том 13 научных докладов, номер статьи: 8881 (2023) Цитировать эту статью

83 доступа

1 Альтметрика

Подробности о метриках

В процессе транспортировки горнодобывающей ленты могут появиться различные посторонние предметы, которые окажут сильное воздействие на дробилку и ленту, тем самым влияя на ход производства и вызывая серьезные несчастные случаи. Поэтому важно обнаруживать посторонние предметы на ранних стадиях проникновения в системы ленточных конвейеров горнодобывающей промышленности. Для решения этой проблемы в данной статье предлагается метод YOLOv4_GECA. Во-первых, добавляется модуль внимания GECA для создания модели обнаружения посторонних объектов YOLOv4_GECA в минеральном поясе для расширения возможностей извлечения признаков посторонних объектов. Во-вторых, на основе этой модели снижение скорости обучения при повторном косинусном отжиге используется для улучшения производительности модели по обнаружению изображений посторонних объектов. Наконец, мы собрали информацию об изображениях ленточного транспорта на золотом руднике Пай Шань Лоу в Шэньяне и создали набор данных для обнаружения инородных тел на ремне. Результаты экспериментов показывают, что средняя точность обнаружения метода YOLOv4_GECA, предложенного в этой статье, составляет 90,1%, скорость отзыва — 90,7%, а среднее время обнаружения — 30 мс, что соответствует требованиям к точности обнаружения и производительности в реальном времени при участок шахтной ленточной транспортировки.

Обнаружение инородных тел играет важную роль в переработке руды и контроле качества продукции. Ленточные конвейеры для руды могут быть загружены всеми видами посторонних предметов при транспортировке руды, таких как стальные стержни, железные тросы, железо, дерево, пластиковые трубы и т. д., что может оказать огромное влияние на дробилки, шаровые мельницы и ленты. Традиционными методами обнаружения инородных тел являются ручной метод обнаружения, лучевой метод и спектральный метод обнаружения. Ручной метод обнаружения сильно влияет на психическое состояние работников и неэффективен. Лучевой метод более стабилен, но дорог и вреден для организма человека1. Метод спектрального обнаружения имеет относительно низкий уровень ложного обнаружения, недостатком является то, что он подвержен помехам, сложно обслуживать оборудование и трудно обнаружить посторонние предметы в железной руде для обнаружения железа. Из-за влияния человеческого фактора и внешнего вмешательства вышеуказанные методы обнаружения инородных тел являются медленными, дорогостоящими и сложными в обслуживании, с высокой скоростью утечек, что затрудняет их повсеместное продвижение на горнодобывающих предприятиях.

С развитием глубокого обучения широко используются методы обнаружения объектов, основанные на сверточных нейронных сетях, а методы обнаружения инородных тел, основанные на глубоком обучении, стали горячей точкой исследований. Существующие методы обнаружения объектов в основном основаны на привязке и без привязки. Среди них в основном используются двухступенчатые Faster R-CNN и одноступенчатые серии YOLO, SSD и т. д. В 2015 году Ren2 et al. предложил Faster R-CNN, который улучшил скорость алгоритма выборочного поиска для извлечения областей-кандидатов и стал первым сквозным детектором целей глубокого обучения, работающим практически в реальном времени. YOLO (вы смотрите только один раз)3 был предложен Redmon et al. в 2015 году как первый одноступенчатый детектор в области глубокого обучения. Основным улучшением YOLOv24 по сравнению с предыдущей версией является предлагаемый алгоритм совместного обучения, который обеспечивает более точную локализацию при сохранении скорости обработки YOLO. YOLOv35 включает введение FPN для многомасштабного прогнозирования, а также использует лучшую базовую сеть. Darknet-53 и функция двоичной перекрестной энтропии, а также может достичь баланса между скоростью и точностью за счет изменения сетевой структуры модели. YOLOv46 является важной вехой в серии YOLO с появлением CSPDarknet-53 для извлечения функций, добавление сетей SPP для улучшения извлечения изображений и использование функции активации Mish — эти улучшения также делают YOLOv4 чрезвычайно эффективным и мощным детектором объектов. Лю7 и др. предложил алгоритм SSD в 2015 году, который вводит методы обнаружения с несколькими ссылками и несколькими разрешениями, а сеть разных уровней обнаруживает объекты с разными масштабами, а эффект обнаружения небольших целей значительно улучшается. YOLOv58 использует адаптивное вычисление опорного кадра и механизм многосемантического объединения, который обеспечивает быстрое и эффективное объединение богатой семантической информации высокого уровня с информацией о местоположении низкого уровня для достижения быстрого обнаружения объектов. YOLOv69 включает в себя идеи недавнего сетевого проектирования, стратегии обучения, методы тестирования, количественная оценка и методы оптимизации для создания набора развертываемых сетей разных размеров для различных случаев использования. YOLOv710 разрабатывает несколько обучаемых методов «мешка с бесплатными», которые позволяют обнаруживать цели в реальном времени, что значительно повышает точность обнаружения без увеличение стоимости вывода при эффективном сокращении примерно 40% параметров и 50% вычислительных затрат существующих детекторов целей в реальном времени.