CN115147392A - 一种基于改进YOLOv4的煤矸石检测方法和装置 - Google Patents
一种基于改进YOLOv4的煤矸石检测方法和装置 Download PDFInfo
- Publication number
- CN115147392A CN115147392A CN202210857925.2A CN202210857925A CN115147392A CN 115147392 A CN115147392 A CN 115147392A CN 202210857925 A CN202210857925 A CN 202210857925A CN 115147392 A CN115147392 A CN 115147392A
- Authority
- CN
- China
- Prior art keywords
- coal gangue
- yolov4
- target detection
- coal
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于改进YOLOv4的煤矸石检测方法和装置,涉及煤矸石识别相关技术领域,其通过引入Focal损失函数以应对样本识别难易不均衡的问题,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,得到一种基于改进YOLOv4的煤矸石目标检测模型,目标检测模型在验证集上mAP达到了98.14%,FPS为28.3Hz,实现煤矸石的快速准确识别,具有较高的实时性和准确率。
Description
技术领域
本发明涉及煤矸石识别技术领域,尤其涉及一种基于改进YOLOv4的煤矸石检测方法和装置。
背景技术
在我国,煤炭是重要的资源,我国煤炭资源丰富,产量巨大,但在煤炭开采的同时,煤矸石的排出量也是相当巨大。煤矸石的密度大、发热量小,会对原煤的质量造成严重的影响,降低煤炭燃烧的效率,而且煤矸石燃烧时会产生大量的硫化物气体污染空气。此外,煤矸石中的某些成分又可以被提炼出来为人们所用,因此将煤矸石从煤中分离不仅可以提高煤的利用效率,同时也符合安全生产的要求。
将煤矸石从煤中分离主要分两部分,一是煤矸石识别,二是煤矸石分拣。其中,煤矸石识别主要有三种方法,分别是人工识别、机械识别与γ射线识别,人工识别法是由工人视觉观察或手动接触煤矸石来进行分辨,这种方式劳动强度大,工作环境恶劣,生产效率低,煤矸石拣选率也直接受人员素质、管理水平等人为因素影响,分选质量得不到保证;机械识别法是利用煤矸石的物理特性的不同来分选,如浅槽、重介、跳汰等,其存在的问题是:设备结构复杂,能耗高,运行成本高,对环境污染比较大,难以在井下使用等;γ射线识别法操作复杂,且操作风险较高。
发明内容
本发明提供一种基于改进YOLOv4的煤矸石检测方法和装置,旨在解决上述的技术缺陷。
本发明提供的具体技术方案如下:
第一方面,本发明提供的一种基于改进YOLOv4的煤矸石检测方法,所述煤矸石检测方法包括:
采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集;
对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集;
在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型;
对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练;
采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
可选的,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
将YOLOv4目标检测算法的置信度和分类的二分交叉熵损失函数替换为FocalLoss函数;其中,Focal Loss函数公式为:FL(pt)=-α(1-pt)γlog(pt),α为正负样本的权值;γ为难易样本的权值。
可选的,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心。
可选的,所述采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心包括:
步骤(1):在采集到的煤与煤矸石图像数据集的所有标注框中随机选择一个框的宽高作为初始的聚类中心;
步骤(2):对于数据集中所有的锚定框,选择一样的中心点,根据其宽高数据与已经获得的聚类中心的宽高数据计算数据集中所有锚定框与聚类中心的IOU并计算两者的距离情况,去样本框与所有聚类中心中距离最近的距离值D(distance=1-IOU),选出下一个聚类中心,其中,D越大被选为聚类中心的概率越大;
步骤(3):重复步骤(2),直至选出K个聚类中心;
步骤(4):计算每个数据中的点到选择的k个聚类中心的距离,并根据距离远近划分到所对应的类中;
步骤(5):对划分好的类重新计算出新的聚类中心,与初始聚类中心进行比较;
步骤(6):若聚类中心发生变化,重复步骤(4)和步骤(5);若没变化,输出聚类结果。
可选的,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
将YOLOv4目标检测算法的PANet中的五次卷积操作替换为CSP结构,并且,在YOLOv4目标检测算法中通过添加连接主干网络提取的中间特征层与中间YOLO-Head以及一条残差边构成BiFPN结构。
可选的,对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价的评价指标包括模型检测结果平均准确率和每秒传输帧数。
第二方面,本发明还提供一种基于改进YOLOv4的煤矸石检测装置,所述煤矸石检测装置包括:
图像获取模块,用于采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集;
图像处理模块,用于对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集;
模型处理模块,用于在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型;
模型训练模块,用于对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练;
检测识别模块,用于采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
第三方面,本申请提供一种电子设备,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现上述第一方面所述的方法。
第四方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述第一方面所述的方法。
第五方面,本申请提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的方法。
本发明提供的一种基于改进YOLOv4的煤矸石检测方法和装置,通过引入Focal损失函数以应对样本识别难易不均衡的问题,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,得到一种基于改进YOLOv4的煤矸石目标检测模型,目标检测模型在验证集上mAP达到了98.14%,FPS为28.3Hz,实现煤矸石的快速准确识别,具有较高的实时性和准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种基于改进YOLOv4的煤矸石检测方法的流程示意图;
图2为本发明实施例的一种基于改进YOLOv4的煤矸石检测装置的结构示意图;
图3本发明实施例的一种改进后的YOLOv4煤矸石目标检测网络的结构示意图;
图4为本发明实施例的一种电子设备的结构示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作进一步地详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面将结合图1~图4对本发明实施例的一种基于改进YOLOv4的煤矸石检测方法和装置进行详细的说明。
参考图1、图3所示,本发明实施例提供的一种基于改进YOLOv4的煤矸石检测方法包括:
步骤S101:采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集。
本发明实施例采用的图像获取装置可以是相机或摄像头,示例的,使用相机对不同环境下的煤和煤矸石样本进行图像拍摄采集,采集完成后,对出现拍摄模糊、拍摄到工作人员等严重影响识别精度的图像进行筛选和剔除,进而得到煤与煤矸石图像数据集。
步骤S102:对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集。
对采集到的煤与煤矸石图像数据集进行图像标注可以采用人工标注,也可以采用现有技术中基于人工智能的数据标注模型和算法进行自动化标注,本发明实施例对此不作限定。
数据增强也叫数据扩增,是在不实质性的增加数据的情况下,让有限的数据产生等价于更多数据的价值。数据增强可以分为,有监督的数据增强和无监督的数据增强方法。其中有监督的数据增强又可以分为单样本数据增强和多样本数据增强方法,无监督的数据增强分为生成新的数据和学习增强策略两个方向。数据增强算法属于现有技术,本发明实施例在此不再累述。
步骤S103:在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型。
参考图3所示,本发明实施例在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,可以提升算法在煤矸石数据集中精度性能表现的同时保持算法推理速度。
参考图3所示,本发明实施例首先将YOLOv4目标检测算法的置信度和分类的二分交叉熵损失函数替换为Focal Loss函数,进而可以在一定程度上缓解背景分类不平衡以及减少易分类目标所占的损失比重的问题。其中,Focal Loss函数公式为:FL(pt)=-α(1-pt)γlog(pt),α为正负样本的权值;γ为难易样本的权值。
Focal Loss函数在交叉熵损失基础上改进,通过减少简单背景样本以及简单分类样本所占权值让模型专注于前景识别困难物体的检测。Focal Loss函数公式为:FL(pt)=-α(1-pt)γlog(pt)。式中,α为正负样本的权值;γ为难易样本的权值。α、γ取值根据实际工况择优选择,以期获得最优的模型和算法性能。
然后,参考图3所示,采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心,有效避免了K-means算法需人为确定或随机给定初始聚类中心,造成聚类效果差的问题。选用K-means++算法优化初始聚类中心,有效避免了K-means算法需人为确定或随机给定初始聚类中心,造成聚类效果差的问题,Kmeans++选择初始点的原则是让聚类中心相互之间的距离尽量的远。
采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心包括:
步骤(1):在采集到的煤与煤矸石图像数据集的所有标注框中随机选择一个框的宽高作为初始的聚类中心;
步骤(2):对于数据集中所有的锚定框,选择一样的中心点,根据其宽高数据与已经获得的聚类中心的宽高数据计算数据集中所有锚定框与聚类中心的IOU并计算两者的距离情况,去样本框与所有聚类中心中距离最近的距离值D(distance=1-IOU),选出下一个聚类中心,其中,D越大被选为聚类中心的概率越大;
步骤(3):重复步骤(2),直至选出K个聚类中心;
步骤(4):计算每个数据中的点到选择的k个聚类中心的距离,并根据距离远近划分到所对应的类中;
步骤(5):对划分好的类重新计算出新的聚类中心,与初始聚类中心进行比较;
步骤(6):若聚类中心发生变化,重复步骤(4)和步骤(5);若没变化,输出聚类结果。
最后,为了适当降低参数量,同时保证特征融合效果,参考图3所示,将YOLOv4目标检测算法的PANet中的五次卷积操作替换为CSP结构,并且,在YOLOv4目标检测算法中通过添加连接主干网络提取的中间特征层与中间YOLO-Head以及一条残差边构成BiFPN结构。由于在煤矸石检测任务中,大部分的煤与矸石大小都处在较为中等的大小,故改进的YOLOv4煤矸石目标检测算法通过添加了连接主干网络提取的中间特征层与中间YOLO-Head以及一条残差边,构成BiFPN结构,提高对于中等目标的检测能力。
由于YOLOv4目标检测网络参数量较大,故而限制了其在煤矸石检测任务中的作用,而在其中PANet则占其中大部分参数,为了适当降低参数量,同时保证特征融合效果,改进的YOLOv4煤矸石目标检测网络采用CSP结构代替PANet中的五次卷积操作。
步骤S104:对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练。
其中,对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价的评价指标包括模型检测结果平均准确率(mean Av-erage Precision,mAP)和每秒传输帧数(Frames PerSecond,FPS)。目标检测网络通过平均准确率mAP(mean Av-erage Precision),即各个类别AP(Average Pre-cision)的平均值来评价算法的性能,在计算AP之前首先需要计算准确率(Precision)和召回率(Recall);通过每秒传输帧数(Frames Per Second,FPS),衡量画面是否流畅,其可以直接反应硬件对改进后的YOLOv4煤矸石目标检测网络模型以及其前后处理过程的处理速度。
式中,TP为被模型预测为正类的正样本;FP为被模型预测为正类的负样本;FN为被模型预测为负类的正样本。
将改进的YOLOv4煤矸石目标检测模型在GTX1080Ti硬件平台以及Ubuntu18.04系统下记录10次深度学习模型对200张煤矸石图片进行处理所需的时间,并取10次计算结果的平均值作为模型的速度指标。
步骤S105:采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
本发明提供的一种基于改进YOLOv4的煤矸石检测方法和装置,通过引入Focal损失函数以应对样本识别难易不均衡的问题,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,得到一种基于改进YOLOv4的煤矸石目标检测模型,目标检测模型在验证集上mAP达到了98.14%,FPS为28.3Hz,实现煤矸石的快速准确识别,具有较高的实时性和准确率。
图2为本申请一示例性实施例提供的一种基于改进YOLOv4的煤矸石检测装置的结构示意图。本申请实施例提供的一种基于改进YOLOv4的煤矸石检测装置可以执行一种基于改进YOLOv4的煤矸石检测方法实施例提供的处理流程。如图2所示,本申请提供的一种基于改进YOLOv4的煤矸石检测装置20包括:
图像获取模块201,用于采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集;
图像处理模块202,用于对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集;
模型处理模块203,用于在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型;
模型训练模块204,用于对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练;
检测识别模块205,用于采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
本申请实施例提供的装置可以具体用于执行上述图1对应方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
图4为本申请一示例实施例提供的电子设备的结构示意图。如图3所示,该电子设备30包括:处理器301,以及与处理器301通信连接的存储器302,存储器302存储计算机执行指令。
其中,处理器执行存储器存储的计算机执行指令,以实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。该电子设备可以为上述提及的服务器。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供了一种计算机程序产品,程序产品包括:计算机程序,计算机程序存储在可读存储介质中,电子设备的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得电子设备执行上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于改进YOLOv4的煤矸石检测方法,其特征在于,所述煤矸石检测方法包括:
采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集;
对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集;
在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型;
对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练;
采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
2.根据权利要求1所述的基于改进YOLOv4的煤矸石检测方法,其特征在于,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
将YOLOv4目标检测算法的置信度和分类的二分交叉熵损失函数替换为Focal Loss函数;其中,Focal Loss函数公式为:FL(pt)=-α(1-pt)γlog(pt),α为正负样本的权值;γ为难易样本的权值。
3.根据权利要求1所述的基于改进YOLOv4的煤矸石检测方法,其特征在于,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心。
4.根据权利要求3所述的基于改进YOLOv4的煤矸石检测方法,其特征在于,所述采用K-means++算法优化YOLOv4目标检测算法的初始聚类中心包括:
步骤(1):在采集到的煤与煤矸石图像数据集的所有标注框中随机选择一个框的宽高作为初始的聚类中心;
步骤(2):对于数据集中所有的锚定框,选择一样的中心点,根据其宽高数据与已经获得的聚类中心的宽高数据计算数据集中所有锚定框与聚类中心的IOU并计算两者的距离情况,去样本框与所有聚类中心中距离最近的距离值D(distance=1-IOU),选出下一个聚类中心,其中,D越大被选为聚类中心的概率越大;
步骤(3):重复步骤(2),直至选出K个聚类中心;
步骤(4):计算每个数据中的点到选择的k个聚类中心的距离,并根据距离远近划分到所对应的类中;
步骤(5):对划分好的类重新计算出新的聚类中心,与初始聚类中心进行比较;
步骤(6):若聚类中心发生变化,重复步骤(4)和步骤(5);若没变化,输出聚类结果。
5.根据权利要求1所述的基于改进YOLOv4的煤矸石检测方法,其特征在于,所述对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,具体包括:
将YOLOv4目标检测算法的PANet中的五次卷积操作替换为CSP结构,并且,在YOLOv4目标检测算法中通过添加连接主干网络提取的中间特征层与中间YOLO-Head以及一条残差边构成BiFPN结构。
6.根据权利要求1所述的基于改进YOLOv4的煤矸石检测方法,其特征在于,对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价的评价指标包括模型检测结果平均准确率和每秒传输帧数。
7.一种基于改进YOLOv4的煤矸石检测装置,其特征在于,所述煤矸石检测装置包括:
图像获取模块,用于采用图像获取装置对不同环境下的煤和煤矸石样本进行图像拍摄采集,得到煤与煤矸石图像数据集;
图像处理模块,用于对采集到的煤与煤矸石图像数据集进行图像标注与数据增强处理,获得煤矸石数据集;
模型处理模块,用于在YOLOv4目标检测算法的基础上,对YOLOv4目标检测算法的主干网络、位置损失和锚定框距离算法进行优化改进,得到改进后的YOLOv4煤矸石目标检测网络模型;
模型训练模块,用于对改进后的YOLOv4煤矸石目标检测网络模型进行性能评价和模型训练并获取最佳模型,主要包括精度指标的确立训练和速度指标的确立训练;
检测识别模块,用于采用训练完成之后的YOLOv4煤矸石目标检测网络模型进行煤矸石检测识别。
8.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-6中任一项所述的方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-6中任一项所述的方法。
10.一种计算机程序产品,其特征在于,包括计算机程序,该计算机程序被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210857925.2A CN115147392A (zh) | 2022-07-20 | 2022-07-20 | 一种基于改进YOLOv4的煤矸石检测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210857925.2A CN115147392A (zh) | 2022-07-20 | 2022-07-20 | 一种基于改进YOLOv4的煤矸石检测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115147392A true CN115147392A (zh) | 2022-10-04 |
Family
ID=83412875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210857925.2A Pending CN115147392A (zh) | 2022-07-20 | 2022-07-20 | 一种基于改进YOLOv4的煤矸石检测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115147392A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681660A (zh) * | 2023-05-18 | 2023-09-01 | 中国长江三峡集团有限公司 | 一种目标对象缺陷检测方法、装置、电子设备及存储介质 |
-
2022
- 2022-07-20 CN CN202210857925.2A patent/CN115147392A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681660A (zh) * | 2023-05-18 | 2023-09-01 | 中国长江三峡集团有限公司 | 一种目标对象缺陷检测方法、装置、电子设备及存储介质 |
CN116681660B (zh) * | 2023-05-18 | 2024-04-19 | 中国长江三峡集团有限公司 | 一种目标对象缺陷检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108711148B (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN111222574B (zh) | 基于多模型决策级融合的舰船与民船目标检测与分类方法 | |
CN106408527A (zh) | 一种基于视频分析的自动报靶方法 | |
CN110992349A (zh) | 一种基于深度学习的地下管道异常自动化定位与识别方法 | |
CN108921099A (zh) | 一种基于深度学习的航道内运动船舶目标检测方法 | |
CN112347943A (zh) | 一种基于YOLOV4的anchor优化安全帽检测方法 | |
CN109087305A (zh) | 一种基于深度卷积神经网络的裂缝图像分割方法 | |
CN106650823A (zh) | 一种基于概率极限学习机集成的泡沫镍表面缺陷分类方法 | |
CN112036384B (zh) | 精子头部形态识别方法、装置及设备 | |
CN111723656B (zh) | 一种基于YOLO v3与自优化的烟雾检测方法及装置 | |
CN115456955A (zh) | 一种球笼防尘罩内部毛刺缺陷检测方法 | |
CN113657423A (zh) | 适用于小体积零件与堆叠零件的目标检测方法及其应用 | |
CN115147392A (zh) | 一种基于改进YOLOv4的煤矸石检测方法和装置 | |
CN111191531A (zh) | 一种快速行人检测方法及系统 | |
CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
CN115171045A (zh) | 一种基于yolo的电网作业现场违章识别方法及终端 | |
CN116577345A (zh) | 一种锂电池极耳数量检测方法及系统 | |
CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
CN116385758A (zh) | 基于YOLOv5网络对传送带表面损伤的检测方法 | |
CN110163081A (zh) | 基于ssd的实时区域入侵检测方法、系统及存储介质 | |
CN111881932B (zh) | 一种军用飞机的FasterRCNN目标检测算法 | |
CN113487570A (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN114120061A (zh) | 一种面向电力巡检场景的小目标缺陷检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |