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
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：
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
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
使用帮助 返回顶部