Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2025

Powiadomienia systemowe

Sesja wygasła!

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: MLCA

Sortuj według:

Ogranicz wyniki do:

Stacked fine ore detection method based on SPDM-YOLO network

Yang Lirong, Yang Hui, Zhu Xiaolong

Gospodarka Surowcami Mineralnymi

2025

Vol. 41, iss. 3

73--91

To address the issue of low accuracy in detecting stacked fine ore particles using existing target detection algorithms, which subsequently affect the crusher’s ore crushing and screening process, a new ore detection method based on the SPDM-YOLO deep learning network is proposed. The study focuses on detecting stacked fine tungsten ore particles ranging in size from 6 mm to 50 mm. The initial step involves incorporating SPD-Conv into YOLOv9, whereby it replaces the conventional CNN’s step-length convolutional layer and pooling layer. This is done to reduce the loss of ore target detail information. Secondly, a lightweight hybrid local channel attention module (MLCA) is integrated into the backbone to improve focus on target features and enhance the model’s ability to process intricate details. Finally, the Inner-FocalerIoU loss function is proposed by combining the advantages of Inner-IoU and Focaler-IoU. Replacing the original CIoU loss function with it as the edge loss function of the algorithm not only improves the accuracy of calculating the overlap of the bounding box but also effectively speeds up the edge regression process. The Mosaic data enhancement method was employed to augment the dataset for experimental purposes. The findings indicate that the enhanced YOLOv9 network model improves the accuracy (P) by 3.09%, the detection precision (PR) by 2.41%, and the mean average precision (mAP) by 2.18% compared to the original model. This substantiates the assertion that the augmented algorithm is more efficacious in recognition.

Aby rozwiązać problem niskiej dokładności wykrywania ułożonych drobnych cząstek rudy za pomocą istniejących algorytmów wykrywania celu, co następnie wpływa na proces kruszenia i przesiewania rudy kruszarki, zaproponowano nową metodę wykrywania rudy opartą na głębokiej sieci uczenia SPDM-YOLO. Badanie koncentruje się na wykrywaniu ułożonych drobnych cząstek rudy wolframu o rozmiarze od 6 mm do 50 mm. Początkowy krok obejmuje włączenie SPD-Conv do YOLOv9, dzięki czemu zastępuje on konwencjonalną warstwę splotową CNN o długości kroku i warstwę pulowania. Ma to na celu zmniejszenie utraty szczegółowych informacji o docelowej rudzie. Ponadto lekki hybrydowy moduł uwagi lokalnego kanału (MLCA) jest zintegrowany z kręgosłupem, aby poprawić koncentrację na cechach docelowych i zwiększyć zdolność modelu do przetwarzania skomplikowanych szczegółów. Na koniec zaproponowano funkcję strat Inner-FocalerIoU, łącząc zalety Inner-IoU i Focaler-IoU. Zastąpienie oryginalnej funkcji strat CIoU nią jako funkcją strat krawędzi algorytmu nie tylko poprawia dokładność obliczeń nakładania się pola ograniczającego, lecz także skutecznie przyspiesza proces regresji krawędzi. Do rozszerzenia zestawu danych do celów eksperymentalnych zastosowano metodę wzbogacania danych Mosaic. Wyniki wskazują, że ulepszony model sieci YOLOv9 zwiększa dokładność (P) o 3,09%, precyzję wykrywania (PR) o 2,41% i średnią precyzję (mAP) o 2,18% w porównaniu z oryginalnym modelem. Potwierdza to twierdzenie, że rozszerzony algorytm jest skuteczniejszy w rozpoznawaniu.