Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Research on light weight intelligent identification method of coal and gangue

Li Deyong, Wang Guofa, Guo Yongcun, Yang Yuhao, Wang Shuang, Wang Wenshan

Physicochemical Problems of Mineral Processing

2024

Vol. 60, iss. 2

art. no. 187975

Accurate identification of coal and gangue is essential for clean and efficient use of coal. Existing target detection algorithms are ineffective in detecting small-target and overlapping gangue, and contain complex network structure and large parameter volume, which cannot meet the demand of real-time detection of edge devices. To address the above problems, a lightweight detection and identification approach of coal gangue based on improved YOLOv5s is proposed. The depth-separable convolutions are used to replace ordinary convolutions, and the C3 (Concentrated-Comprehensive Convolution Block) Ghost module is constructed to replace all C3 modules in the YOLOv5s to reduce model computation and parameters. The CA (Coordinate Attention) attention mechanism is introduced to strengthen the attention to the target to be detected, suppress irrelevant background interference, and improve the detection accuracy of the model. The Focal- EIOU (Focal and Efficient Intersection Over Union) loss function was introduced to replace the original CIOU. Extensive experiments substantiated the proposed approach can effectively and quickly detect the small-target and overlapping coal gangue accurately, and the mAP (mean Average Presicion) reaches 97.7%. Compared with the original YOLOv5s, the proposed approach reduces the number of parameters and the amount of computation by 48.5% and 43%, respectively, under the premise of maintaining the same detection accuracy.

Research on Coal Gangue Detection and Recognition Based on Lightweight Network MS-YOLOV3

Li Deyong, Wang Guofa, Wang Shuang, Wang Wenshan, Du Ming

Gospodarka Surowcami Mineralnymi

2022

T. 38, z. 4

133--152

The rapid and accurate detection and identification of coal gangue is one of the premises and key technologies of the intelligent separation of coal gangue, which is of considerable importance for the separation of coal gangue. Focusing on the problems in the current deep learning algorithms for the detection and recognition of coal gangue, such as large model memory and slow detection speed, a rapid detection method for lightweight coal gangue is proposed. YOLOv3 is taken as the basic structure and improved. The MobileNetv2 lightweight feature extraction network is selected to replace Darknet53 as the main network of the detection algorithm to improve the detection speed. Spatial pyramid pooling (SPP) is added after the backbone network to convert different feature maps into fixed feature maps in order to improve the positioning accuracy and detection capability of the algorithm, thereby obtaining the lightweight network MS-YOLOV3. The experimental equipment was set up and multi-condition coal and gangue datasets were constructed. The model was trained and the identification and positioning results of the model were tested under different sizes, illumination intensities and various working conditions, and compared with other algorithms. Experimental results show that the proposed algorithm can detect the coal gangue quickly and accurately, with an mAP of 99.08%, a speed of 139 fps and a memory occupation of only 9.2 M. In addition, the algorithm can effectively detect mutually stacking coal and gangue of different quantities and sizes under different lights with high confidence and with a certain degree of environmental robustness and practicability. Compared with the YOLOv3, the performance of the proposed algorithm is significantly improved. Under the premise that the accuracy is unchanged, the FPS increases by 127.9% and the memory decreases by 96.2%. Therefore, the MS-YOLOv3 algorithm has the advantages of small memory, high accuracy and fast speed, which can provide online technical support for the detection and identification of coal and gangue.

Szybkie i dokładne wykrywanie oraz identyfikacja skały płonnej jest jedną z przesłanek i kluczowych technologii inteligentnej separacji skały płonnej. Koncentrując się na problemach związanych z obecnymi algorytmami wykrywania i rozpoznawania skały płonnej z głębokim uczeniem, takimi jak duża pamięć modelu i niska prędkość wykrywania, zaproponowano metodę szybkiego wykrywania lekkiej skały płonnej. YOLOv3 jest traktowany jako struktura podstawowa i ulepszony. Lekka sieć ekstrakcji funkcji Mobilenetv2 została wybrana w celu zastąpienia Darknet53 jako głównej sieci algorytmu wykrywania w celu poprawy szybkości wykrywania. Spatial Pyramid Pooling (SPP) jest dodawany po sieci szkieletowej w celu konwersji różnych map obiektów na mapy stałych funkcji, aby poprawić dokładność pozycjonowania i zdolność wykrywania algorytmu, uzyskując w ten sposób lekką sieć MS-YOLOV3. Ustawiono sprzęt eksperymentalny i skonstruowano wielowarunkowe zbiory danych dotyczące węgla i skały płonnej. Model został przeszkolony, a wyniki identyfikacji i pozycjonowania modelu zostały przetestowane przy różnych rozmiarach, natężeniu oświetlenia i różnych warunkach pracy oraz porównane z innymi algorytmami. Wyniki eksperymentu pokazują, że zaproponowany algorytm jest w stanie szybko i dokładnie wykryć skałę węglową, z mAP na poziomie 99,08%, szybkością 139 fps i zajęciem pamięci zaledwie 9,2 MB. Ponadto może skutecznie wykrywać różne światła, różne rozmiary, wzajemne układanie w stosy oraz wielokrotną ilość węgla i skały płonnej, z dużą pewnością i pewną odpornością środowiskową i wykonalnością. W porównaniu z YOLOv3 wydajność proponowanego algorytmu jest znacznie lepsza. Przy założeniu, że dokładność pozostaje w zasadzie niezmieniona, FPS wzrasta o 127,9%, a pamięć spada o 96,2%. Dlatego algorytm MS-YOLOv3 ma zalety małej pamięci, wysokiej dokładności i dużej szybkości, co może zapewnić wsparcie techniczne dla wykrywania i identyfikacji węgla i skały płonnej online.