期刊导航
期刊开放获取
重庆大学
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于改进YOLO v4的煤矸石识别检测技术研究
1
作者
崔斌
陈林
+8 位作者
亓玉浩
张坤
赵得福
黄梁松
李明霞
孔祥俊
杜明超
蒋祥卿
刘源
《煤炭工程》
北大核心
2023年第12期161-166,共6页
为提高煤矸石分拣的精度和可靠性,提出了一种基于改进YOLO v4的煤矸石识别网络,引入了Focal损失函数,使用K-means++聚类算法优化初始锚定框,将PANet中的五次卷积操作替换为CSP结构,同时引入空洞卷积的金字塔结构,降低模型参数,实现模型...
为提高煤矸石分拣的精度和可靠性,提出了一种基于改进YOLO v4的煤矸石识别网络,引入了Focal损失函数,使用K-means++聚类算法优化初始锚定框,将PANet中的五次卷积操作替换为CSP结构,同时引入空洞卷积的金字塔结构,降低模型参数,实现模型的轻量化,增加了一条跨连接边构成BiFPN结构,提高对中等目标的检测能力,得到My-YOLO v4目标检测模型。本研究对所提出的My-YOLO v4识别检测方法与SSD、YOLO v3、YOLO v4三种检测方法进行实验对比分析。实验结果表明,该检测算法在测试集上检测煤与煤矸石混合的mAP值为98.14%,FPS为28.3 f/s,相较于SSD、YOLO v3检测算法识别精度分别提高了5.41%、2.87%,相较于YOLO v4目标检测模型识别速度提高了7.7 f/s,通过对比分析实验数据验证了My-YOLO v4目标检测模型整体性能的有效提高。
展开更多
关键词
煤矸识别
深度学习
目标检测
带式输送系统
my-yolo
v4
下载PDF
职称材料
题名
基于改进YOLO v4的煤矸石识别检测技术研究
1
作者
崔斌
陈林
亓玉浩
张坤
赵得福
黄梁松
李明霞
孔祥俊
杜明超
蒋祥卿
刘源
机构
山东科技大学山东省机器人与智能技术重点实验室
欧普瑞泰环境科技有限公司
青岛华夏橡胶工业有限公司
北斗天地股份有限公司
青海能源发展(集团)有限公司
出处
《煤炭工程》
北大核心
2023年第12期161-166,共6页
基金
山东省重大科技创新工程项目(2019SDZY04)。
文摘
为提高煤矸石分拣的精度和可靠性,提出了一种基于改进YOLO v4的煤矸石识别网络,引入了Focal损失函数,使用K-means++聚类算法优化初始锚定框,将PANet中的五次卷积操作替换为CSP结构,同时引入空洞卷积的金字塔结构,降低模型参数,实现模型的轻量化,增加了一条跨连接边构成BiFPN结构,提高对中等目标的检测能力,得到My-YOLO v4目标检测模型。本研究对所提出的My-YOLO v4识别检测方法与SSD、YOLO v3、YOLO v4三种检测方法进行实验对比分析。实验结果表明,该检测算法在测试集上检测煤与煤矸石混合的mAP值为98.14%,FPS为28.3 f/s,相较于SSD、YOLO v3检测算法识别精度分别提高了5.41%、2.87%,相较于YOLO v4目标检测模型识别速度提高了7.7 f/s,通过对比分析实验数据验证了My-YOLO v4目标检测模型整体性能的有效提高。
关键词
煤矸识别
深度学习
目标检测
带式输送系统
my-yolo
v4
Keywords
coal gangue recognition
deep learning
target detection
belt conveyor system
my-yolo
v4
分类号
TP028.8 [自动化与计算机技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于改进YOLO v4的煤矸石识别检测技术研究
崔斌
陈林
亓玉浩
张坤
赵得福
黄梁松
李明霞
孔祥俊
杜明超
蒋祥卿
刘源
《煤炭工程》
北大核心
2023
0
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部