CN117422696A - 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 - Google Patents
基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 Download PDFInfo
- Publication number
- CN117422696A CN117422696A CN202311480324.5A CN202311480324A CN117422696A CN 117422696 A CN117422696 A CN 117422696A CN 202311480324 A CN202311480324 A CN 202311480324A CN 117422696 A CN117422696 A CN 117422696A
- Authority
- CN
- China
- Prior art keywords
- belt
- algorithm
- efficientnet
- yolov8
- improved
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 86
- 238000005299 abrasion Methods 0.000 claims abstract description 73
- 238000012549 training Methods 0.000 claims description 45
- 230000006870 function Effects 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 239000003245 coal Substances 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000004677 Nylon Substances 0.000 claims description 4
- 230000002146 bilateral effect Effects 0.000 claims description 4
- 229920001778 nylon Polymers 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 230000003190 augmentative effect Effects 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000011056 performance test Methods 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims description 2
- 238000010200 validation analysis Methods 0.000 claims description 2
- 230000006835 compression Effects 0.000 claims 2
- 238000007906 compression Methods 0.000 claims 2
- 238000000605 extraction Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 2
- 238000011084 recovery Methods 0.000 abstract description 2
- 238000011176 pooling Methods 0.000 description 8
- 230000004913 activation Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 2
- 238000007499 fusion processing Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000011068 loading method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/86—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using syntactic or structural representations of the image or video pattern, e.g. symbolic string recognition; using graph matching
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及目标检测方法技术领域,尤其涉及一种基于改进YOLOv8‑EfficientNet的皮带磨损状态检测方法。本发明利用当前最先进的实时监测算法YOLOv8目标检测算法为基础,与改进的EfficientNet卷积神经网络结合,并对结合后网络加以改进。对获取到的输送机皮带磨损图片进行预处理操作,预处理技术采用Retinex图像增强算法,对图像进行亮度增强,细节保护,色彩保护,自然度恢复,图像去噪,细节提取等,提高皮带磨损图片的清晰度。最后,将改进后的算法部署到输送机实时检测设备对输送机皮带进行检测,可以准确得出输送带磨损部位以及每个部位的磨损程度。
Description
技术领域
本发明涉及目标检测方法技术领域,尤其涉及一种基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法。
背景技术
输送机皮带作为矿井下带式输送机的主要消耗部件,针对其磨损状态的检测耗费了大量人力物力。考虑到矿井下潮湿、昏暗、噪声大的特殊环境对图像采集会产生非常大的影响,而采集到图像的质量会影响检测模型的精度,因此如何对图像进行有效的预处理,在检测过程中极为重要。目前所被应用到的较为成熟的图像增强技术,被应用到矿井下的特殊环境中都存在丢失细节、局部增强不足或过度增强的问题,因此难以满足要求。
同时,深度学习虽然被广泛应用在目标检测方面,但随着使用工况和场景的变化并不一定都具有好的检测效果。并且,目前并没有一个很好的区分类别来有效的的定义皮带的磨损程度,即皮带具体磨损到什么程度其性能就不满足工作要求了。为了解决上述问题,本发明提出一种基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法。
发明内容
本发明的目的在于提供一种基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法,以实现快速、准确检测出输送带磨损部位以及每个部位的磨损程度。
为了实现上述目的,本发明采用了如下技术方案:
一种基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法,包括如下内容:
S1、利用CCD相机采集煤矿带式输送机皮带的不同磨损程度图像用于制作磨损数据集;根据拉伸性能试验得出的不同磨损程度皮带性能;利用标注软件标注数据集;对数据集进行扩增,并将数据集划分为训练集和验证集;
S2、在传统Retinex图像增强算法的基础上,对其进行改进;将高斯滤波和双边滤波作为中心环绕函数,处理后在与进行直方图均衡化和自适应亮度调节的图像做通道融合;将S1中采集到的图像送入改进后的图像增强算法进行处理;
S3、建立基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,具体包括:将YOLOv8的主干网络更换为EfficientNet模块,变换为轻量级网络模型,利用EfficientNet模块中不改变层结构对卷积层进行混合缩放,达到性能最优模型结构;
S4、训练S3中构建的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,将S1中采集的皮带磨损图像中的训练集和验证集送入构建的基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型中进行训练;对训练后的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型进行性能评估与评价,得到收敛良好的网络模型;
S5、评估模型,根据训练后得到的基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,对模型的平均检测精度、检测速度进行评估;
S6、将S5中评估后的满足实际工况的基于改进YOLOv8-Efficient Net算法的皮带磨损状态检测模型应用于实际工况中,对输送机皮带磨损进行实际检测。
优选地,S1中所述制作磨损数据集具体指:利用在空载皮带上采集到的皮带磨损图像用于制作数据集,使用CCD相机采集煤矿带式输送机皮带的磨损图像制作用于训练的数据集,根据NN-100型尼龙输送带结构特点、不同磨损程度的特征和拉伸性能实验所得到性能数据,划分类别,对所有图像中的磨损部位标注出区域和类别信息。
优选地,S1中所述对数据集进行扩增,并将数据集划分为训练集和验证集具体指:将皮带磨损图像通过翻转、镜像的方式来增加不同角度的图像,并采用mosaic算法实现图像的数据增强,通过将四张图片随机缩放、随机裁剪、随机排布的方式进行拼接,扩充数据集,然后按照8:2的比例将皮带磨损图像数据集划分为皮带磨损目标检测训练集和皮带磨损目标检测验证集。
优选地,所述S3进一步包括:在EfficientNet模块中设置混合因子φ,对网络深度、宽度、分辨率进行混合缩放,使得网络具有最优性能;在改进的YOLOv8-EfficientNet模型主干输出的三个有效特征层中通过引入NAM注意力模块插入空间和通道注意力机制;对数据集使用k-means++聚类算法,获得适合煤矸目标尺寸锚点框。
优选地,EfficientNet模块采用对输入到预测网络的特征图是输入图像经过卷积下采样压缩3次、4次、5次后的特征图的组合,在多尺度目标检测中取得了很好的效果。
优选地,所述通过引入NAM注意力模块插入空间和通道注意力机制具体指:在每个网络块的末端嵌入一个NAM注意力模块,对于残差网络,将NAM注意力模块嵌入在残余结构的末端;对于通道注意子模块,使用了批归一化的缩放因子重新设计通道和空间注意子模块。
优选地,S4中所述训练步骤2中构建的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型具体指:设置训练参数,训练迭代次数为300次,前50次利用冻结方式训练,学习率为0.001;后250次迭代学习率为0.0001,训练过程采用退火余弦算法以及标签平滑。
与现有技术相比,本发明提供了基于通道调制和空间调制的Raw域图像及视频去摩尔纹方法,具备以下有益效果:
(1)本发明提出的检测模型基于当前最先进的实时监测算法YOLOv8目标检测算法,使得其在正常环境下有很高的检测精度,同时将改进后的EfficientNet卷积神经网络替换YOLOv8的主干特征提取网络,以保证其检测速度满足实时性的要求,并在其主干特征提取网络的输出通道处引入NAM注意力模块,使模型对磨损区域关注度更高。
(2)本发明为解决模型在矿井下采集图像质量低的问题,以传统Retinex图像增强算法为基础,将高斯滤波和双边滤波作为中心环绕函数,再将处理后的图像与进行直方图均衡化和自适应亮度调节的图像进行通道融合处理。
(3)针对于磨损程度分类没有明确定义的问题,本发明根据NN-100型尼龙芯带的构造结构和实际工况中不同磨损程度的磨损纹理特征,将其分为5种不同磨损程度,并采用拉伸性能试验对5中不同磨损程度的皮带进行测试,以拉伸性能强度对磨损程度的类别提供支撑,更具有可靠性。
综上所述,本发明采用多种先进的模块进行融合,使得新的网络架构更符合实时监测的要求;其次,通过改进Retinex图像增强算法提升了细节特征提取的能力,将其应用于预处理操作中,使得网络在检测精度上得到大幅度提升,同时对皮带磨损程度得划分提供切实可靠的依据。通过本发明提出的基于改进YOLO v8-EfficientNet的皮带磨损状态检测方法,能够快速、准确地检测出监控图像中不同磨损程度的输送机皮带磨损位置。
附图说明
图1为本发明实施例1中提到的改进后YOLOv8检测效果图;
图2为本发明实施例1中提到的改进后EfficientNet算法结构图;
图3为本发明实施例1中提到的NAM注意力机制结构图;
图4为本发明实施例1中提到的改进Retinex图像增强算法处理流程图;
图5为本发明实施例1中提到的改进Retinex图像增强算法处理后图像示意图;
图6为本发明实施例1中提到的输送机皮带磨损识别结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本研究利用当前最先进的实时监测算法YOLOv8目标检测算法为基础,与改进的EfficientNet卷积神经网络结合,并对结合后网络加以改进。对获取到的输送机皮带磨损图片进行预处理操作,预处理技术采用Retinex图像增强算法,对图像进行亮度增强,细节保护,色彩保护,自然度恢复,图像去噪,细节提取等,提高皮带磨损图片的清晰度。最后,将改进后的算法部署到输送机实时检测设备对输送机皮带进行检测,可以准确得出输送带磨损部位以及每个部位的磨损程度。下面结合具体实例对本发明所提出的基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法进行描述,具体内容如下。
实施例1:
本发明提出一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,具体包括如下内容:
步骤1:采集煤矿空载皮带上的皮带磨损图像用于制作数据集,利用标注软件标注数据集,利用数据增强算法扩充数据集。使用CCD相机采集煤矿带式输送机皮带的空载部分图像制作用于训练的数据集,共有1523张图像,包含磨损一层、磨损两层、磨损三层、磨损四层、磨损五层,五种种类的磨损图像,所有图像均用labelimg软件标注出区域和类别信息。
使用CCD相机采集煤矿带式输送机皮带的皮带磨损图像,通过翻转、镜像等方式来增加不同角度的图像,扩充数据集。
采用mosaic算法实现皮带磨损图像的数据增强,通过将四张图片随机缩放、随机裁剪、随机排布的方式进行拼接,以增加数据集背景的多样性,进而提高训练的模型的泛化能力。
步骤2:将采步骤1中集到的皮带磨损图像,利用改进后的Retinex图像增强算法进行处理。以原始的Retinex图像增强算法为基础,将原本作为中心环绕函数的高斯滤波中引入双边滤波,再将处理后的图像与直方图均衡化、自适应亮度调节处理后的图像进行三种图像的通道融合处理,具体流程参阅图4。
经过处理后的图像效果,参阅图5,分别为原始图像、原始Retinex处理后图像、改进Retinex处理后图像,并将其放入检测模型中进行了实验验证,可以看出改进Retinex处理后的图像对检测模型的精确度提升有很大的帮助。
步骤3:建立基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型。
以当前最先进的实时监测算法YOLOv8目标检测算法为基础,YOLOv8目标检测算法在实际生产过程中表现出良好的稳定性,其检测精度具有突出的优势,本实例结合皮带磨损识别的实际过程,对现有的YOLOv8网络结构进行优化,构建YOLOv8轻量化模型识别皮带磨损程度,减少参数量和计算量,增强特征提取能力,提高识别的检测精度和检测速度。
请参阅图1,YOLOv8目标检测模型采用CSPDarknet53主干网络提取特征,输入图像经过CSPDarknet53网络结构进行特征提取输出三个大小为80×80、40×40、20×20的特征图;特征图输入进颈部网络neck用于进一步整合特征,颈部网络neck包含SPPF模块、特征融合FPN模块,特征图输入进SPPF模块,经过空间金字塔得到池化特征图,将骨干网络输出的特征图与池化特征图进行特征融合。头部head多分类器模块基于特征融合模块输出多尺度的融合特征进行分类目标检测,将80×80、40×40、20×20三个尺度的融合特征输入进YOLOhead中进行分类目标检测(如图1所示YOLOv8算法的网络结构图)。
改进型YOLOv8算法的网络结构中的Inputs表示输入,本实施例中的输入为224×224大小的图片。本发明对YOLOv8模型进行了改进,设计了YOLOv8-EfficientNet网络模型,将YOLOv8的主干网络更换EfficientNet,变换为轻量级网络模型,通过EfficientNet中混合缩放网络尺度,不改变层结构的同时,使得网络模型性能最优,减少了参数量,提高了检测速度。
请参阅图2,构建EfficientNet-B4网络,包括数据输入层和Baseline;
所述数据输入层,将大小为224×224的图像进行输入。
所述Baseline包括一个3×3的普通卷积层,堆叠的MBConv结构,一个1×1的普通卷积层,一个平均池化层,一个全连接层;
所述3×3的普通卷积层中包含BN和激活函数Swish,所述1×1的普通卷积层中包含BN和激活函数Swish;
所述MBConv结构由一个1×1的普通卷积,一个3×3的Depthwise Conv卷积,一个SE模块,一个Dropout层构成;所述1×1的普通卷积层中包含BN和激活函数Swish,所述3×3的Depthwise Conv卷积中包含BN和Swish;
所述SE模块由一个全局平均池化层AvgPooling,两个全连接层FC1和FC2组成,所述FC1使用Swish激活函数,所述FC2使用Sigmoid激活函数。
在改进的YOLOv8模型主干输出的三个有效特征层中插入空间和通道注意力机制。
引入NAM注意力模块增强矿井下复杂环境目标的特征提取能力,提高了检测精度,提高在复杂环境下对小面积磨损的检测能力。
请参阅图3,NAM注意力模型采用CBAM模块集成,重新设计通道和空间注意子模块然后,在每个网络块的末尾嵌入一个NAM模块。对于残差网络,它嵌入在残差结构的末尾。对于通道注意子模块,我们使用批量归一化。通道注意力机制的实现首先对输入进来的特征图同时分别进行全局平均池化和全局最大池化,生成两个特征图。将得到的特征层进行相加,在经过sigmoid函数激活,生成最终的通道注意力所需的特征。将通道注意力模块输出的特征图作为空间注意力模块的输入特征,将输入进来的特征层基于通道做一个全局平均池化和全局最大池化会得到生成两个特征图。特征层在通道上进行拼接操作,利用卷积进行降维处理,sigmoid激活,最后生成空间注意力模块所需要的特征。将通道与空间两模块分别输出的特征图进行相加,与骨干网络的输出特征图进行融合操作,融合操作之后的特征图输入到YOLOv8网络的neck层;
步骤3:训练步骤2中构建的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型。
设置训练参数,采训练迭代次数为300次,前50次利用冻结方式训练,学习率为0.001,后250次迭代学习率为0.0001,训练过程采用了退火余弦算法以及标签平滑。将采集的皮带磨损图像中的训练集和验证集送入构建的YOLOv8-EfficientNet算法的皮带磨损状态检测模型中进行训练;
根据网络设定的输入尺寸大小实现自适应皮带磨损图像检测训练集和验证集图片的自适应缩放;
根据设置好的训练参数来训练基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型;
将训练后的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,进行性能评估与评价,得到收敛良好的网络模型;
将设置的测试集输送至训练好的基于YOLOv8-EfficientNet算法的皮带磨损状态检测模型中,测试模型性能;
步骤4:评估模型
根据训练的基于YOLOv8-EfficientNet算法的皮带磨损状态检测模型,从平均检测精度、检测速度等评价指标对模型进行评估;
通过设置相应参数将训练集中的样本图像输入改进型YOLOv8-EfficientNet算法中,设置迭代步数,训练得到皮带磨损检测的最佳的权重文件。通过采用CIoU的边框损失函数来不断调节网络训练的方向,通过计算验证集的map值来验证训练是否达到预期的效果,通过对训练的权重文件进行筛选挑选出最佳的权重文件,并将其加载至改进型YOLOv8-EfficientNet算法中作为检测皮带磨损的模型。
步骤5:将步骤4中评估的满足煤矿实际工况的基于改进YOLOv8-EfficientNet算法的皮带磨损检测模型应用于实际工况下的输送机。识别结果如图6所示,说明在本发明技术方案的检测下,能够准确的检测出不同磨损状态的皮带,表明本文所提出的算法的检测效果较好,能够应用于实际工况条件下的检测过程中。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法,其特征在于,包括如下内容:
S1、利用CCD相机采集煤矿带式输送机皮带的不同磨损程度图像用于制作磨损数据集;根据拉伸性能试验得出的不同磨损程度皮带性能;利用标注软件标注数据集;对数据集进行扩增,并将数据集划分为训练集和验证集;
S2、在传统Retinex图像增强算法的基础上,对其进行改进;将高斯滤波和双边滤波作为中心环绕函数,处理后在与进行直方图均衡化和自适应亮度调节的图像做通道融合;将S1中采集到的图像送入改进后的图像增强算法进行处理;
S3、建立基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,具体包括:将YOLOv8的主干网络更换为EfficientNet模块,变换为轻量级网络模型,利用EfficientNet模块中不改变层结构对卷积层进行混合缩放,达到性能最优模型结构;
S4、训练S3中构建的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,将S2中处理后的皮带磨损图像中的训练集和验证集送入构建的基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型中进行训练;对训练后的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型进行性能评估与评价,得到收敛良好的网络模型;
S5、评估模型,根据训练后得到的基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型,对模型的平均检测精度、检测速度进行评估;
S6、将S5中评估后的满足实际工况的基于改进YOLOv8-Efficient Net算法的皮带磨损状态检测模型应用于实际工况中,对输送机皮带磨损进行实际检测。
2.根据权利要求1所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,S1中所述制作磨损数据集具体指:利用在空载皮带上采集到的皮带磨损图像用于制作数据集,使用CCD相机采集煤矿带式输送机皮带的磨损图像制作用于训练的数据集,根据NN-100型尼龙输送带结构特点、不同磨损程度的特征和拉伸性能实验所得到性能数据,划分类别,对所有图像中的磨损部位标注出区域和类别信息。
3.根据权利要求2所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,S1中所述对数据集进行扩增,并将数据集划分为训练集和验证集具体指:将皮带磨损图像通过翻转、镜像的方式来增加不同角度的图像,并采用mosaic算法实现图像的数据增强,通过将四张图片随机缩放、随机裁剪、随机排布的方式进行拼接,扩充数据集,然后按照8:2的比例将皮带磨损图像数据集划分为皮带磨损目标检测训练集和皮带磨损目标检测验证集。
4.根据权利要求1所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,所述S3进一步包括:在EfficientNet模块中设置混合因子φ,对网络深度、宽度、分辨率进行混合缩放,使得网络具有最优性能;在改进的YOLOv8-EfficientNet模型主干输出的三个有效特征层中通过引入NAM注意力模块插入空间和通道注意力机制;对数据集使用k-means++聚类算法,获得适合皮带磨损位置的锚点框。
5.根据权利要求4所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,EfficientNet模块采用对输入到预测网络的特征图是输入图像经过卷积下采样压缩3次、4次、5次后的特征图的组合,压缩后不同尺度单独计算特征图,能够提升算法的检测精度。
6.根据权利要求5所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,所述通过引入NAM注意力模块插入空间和通道注意力机制具体指:在每个网络块的末端嵌入一个NAM注意力模块,对于残差网络,将NAM注意力模块嵌入在残余结构的末端;对于通道注意子模块,使用了批归一化的缩放因子重新设计通道和空间注意子模块。
7.根据权利要求1所述的一种基于改进YOLOv8-EfficientNet算法的皮带磨损状态检测方法,其特征在于,S4中所述训练步骤2中构建的改进YOLOv8-EfficientNet算法的皮带磨损状态检测模型具体指:设置训练参数,训练迭代次数为300次,前50次利用冻结方式训练,学习率为0.001;后250次迭代学习率为0.0001,训练过程采用退火余弦算法以及标签平滑。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311480324.5A CN117422696A (zh) | 2023-11-08 | 2023-11-08 | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311480324.5A CN117422696A (zh) | 2023-11-08 | 2023-11-08 | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117422696A true CN117422696A (zh) | 2024-01-19 |
Family
ID=89530009
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311480324.5A Pending CN117422696A (zh) | 2023-11-08 | 2023-11-08 | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422696A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952976A (zh) * | 2024-03-26 | 2024-04-30 | 深圳亚太航空技术股份有限公司 | 一种高锁螺栓检测系统及其方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158996A (zh) * | 2021-05-25 | 2021-07-23 | 兰波(苏州)智能科技有限公司 | 一种基于扫描电子显微镜图像和人工智能的硅藻两步识别和分类方法 |
CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
CN113674307A (zh) * | 2021-10-20 | 2021-11-19 | 湖南大学 | 一种目标检测跟踪方法、装置及设备 |
CN114155551A (zh) * | 2021-11-19 | 2022-03-08 | 北京华能新锐控制技术有限公司 | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 |
KR102402194B1 (ko) * | 2021-08-10 | 2022-05-26 | (주)바질컴퍼니 | 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법 |
CN114565864A (zh) * | 2022-02-28 | 2022-05-31 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的果实识别方法 |
CN114937172A (zh) * | 2022-05-12 | 2022-08-23 | 西安建筑科技大学 | 一种基于改进yolov3的葡萄病害识别方法及系统 |
CN115393291A (zh) * | 2022-08-09 | 2022-11-25 | 重庆邮电大学 | 一种YOLOv5和EfficientNet的PCB焊点缺陷检测方法 |
CN115457465A (zh) * | 2022-09-05 | 2022-12-09 | 新疆海纳同创智能科技有限公司 | 一种基于YOLOv4的轻量级机场场面监视方法 |
CN115937188A (zh) * | 2022-12-29 | 2023-04-07 | 河海大学 | 一种基于改进的YOLOv5和EfficientNet的细胞病理图像异常检测方法 |
CN116486246A (zh) * | 2023-04-26 | 2023-07-25 | 中交元洋(大连)桥梁水下检测有限公司 | 一种基于卷积神经网络的桥梁水下图像病害智能识别方法 |
CN116597224A (zh) * | 2023-05-25 | 2023-08-15 | 南京理工大学 | 基于改进yolo v8网络模型的马铃薯缺陷检测方法 |
CN116665011A (zh) * | 2023-05-31 | 2023-08-29 | 太原理工大学 | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 |
CN116682090A (zh) * | 2023-05-12 | 2023-09-01 | 三峡大学 | 一种基于改进YOLOv3算法的车辆目标检测方法 |
KR20230137007A (ko) * | 2022-03-21 | 2023-10-04 | 중앙대학교 산학협력단 | 드론 환경에 효율적인 객체 검출 방법 및 장치 |
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
-
2023
- 2023-11-08 CN CN202311480324.5A patent/CN117422696A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113158996A (zh) * | 2021-05-25 | 2021-07-23 | 兰波(苏州)智能科技有限公司 | 一种基于扫描电子显微镜图像和人工智能的硅藻两步识别和分类方法 |
CN113553979A (zh) * | 2021-07-30 | 2021-10-26 | 国电汉川发电有限公司 | 一种基于改进yolo v5的安全服检测方法和系统 |
KR102402194B1 (ko) * | 2021-08-10 | 2022-05-26 | (주)바질컴퍼니 | 딥러닝 기반 엔드-투-엔드 o-ring 결함 검출 방법 |
CN113674307A (zh) * | 2021-10-20 | 2021-11-19 | 湖南大学 | 一种目标检测跟踪方法、装置及设备 |
CN114155551A (zh) * | 2021-11-19 | 2022-03-08 | 北京华能新锐控制技术有限公司 | 基于YOLOv3改进的复杂环境下的行人检测方法及装置 |
CN114565864A (zh) * | 2022-02-28 | 2022-05-31 | 中科合肥智慧农业协同创新研究院 | 一种基于深度学习的果实识别方法 |
KR20230137007A (ko) * | 2022-03-21 | 2023-10-04 | 중앙대학교 산학협력단 | 드론 환경에 효율적인 객체 검출 방법 및 장치 |
CN114937172A (zh) * | 2022-05-12 | 2022-08-23 | 西安建筑科技大学 | 一种基于改进yolov3的葡萄病害识别方法及系统 |
CN115393291A (zh) * | 2022-08-09 | 2022-11-25 | 重庆邮电大学 | 一种YOLOv5和EfficientNet的PCB焊点缺陷检测方法 |
CN115457465A (zh) * | 2022-09-05 | 2022-12-09 | 新疆海纳同创智能科技有限公司 | 一种基于YOLOv4的轻量级机场场面监视方法 |
CN115937188A (zh) * | 2022-12-29 | 2023-04-07 | 河海大学 | 一种基于改进的YOLOv5和EfficientNet的细胞病理图像异常检测方法 |
CN116486246A (zh) * | 2023-04-26 | 2023-07-25 | 中交元洋(大连)桥梁水下检测有限公司 | 一种基于卷积神经网络的桥梁水下图像病害智能识别方法 |
CN116682090A (zh) * | 2023-05-12 | 2023-09-01 | 三峡大学 | 一种基于改进YOLOv3算法的车辆目标检测方法 |
CN116597224A (zh) * | 2023-05-25 | 2023-08-15 | 南京理工大学 | 基于改进yolo v8网络模型的马铃薯缺陷检测方法 |
CN116665011A (zh) * | 2023-05-31 | 2023-08-29 | 太原理工大学 | 一种基于机器视觉的煤矿带式输送机煤流异物识别方法 |
CN116993679A (zh) * | 2023-06-30 | 2023-11-03 | 芜湖合德传动科技有限公司 | 一种基于目标检测的伸缩机皮带磨损检测方法 |
Non-Patent Citations (3)
Title |
---|
AI棒棒牛: "YOLOv8最新改进系列:主干网络改进-YOLOv8+EfficientNetV2,引入渐进式学习策略、自适应正则强度调整机制,提升模型检测效果!", Retrieved from the Internet <URL:https://blog.csdn.net/weixin_51692073/article/details/132872546> * |
哪吒: "YOLOv7升级换代:EfficientNet骨干网络助力更精准目标检测", Retrieved from the Internet <URL:https://blog.csdn.net/guorui_java/article/details/130550272> * |
编码实践: "改进YOLOv8 | 主干网络篇 | EfficientNet", Retrieved from the Internet <URL:https://blog.csdn.net/wellcoder/article/details/131014676> * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117952976A (zh) * | 2024-03-26 | 2024-04-30 | 深圳亚太航空技术股份有限公司 | 一种高锁螺栓检测系统及其方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haurum et al. | A survey on image-based automation of CCTV and SSET sewer inspections | |
CN108509978B (zh) | 基于cnn的多级特征融合的多类目标检测方法及模型 | |
CN113887459B (zh) | 一种基于改进Unet++的露天矿区采场变化区域检测方法 | |
CN113569667B (zh) | 基于轻量级神经网络模型的内河船舶目标识别方法及系统 | |
CN112070158B (zh) | 一种基于卷积神经网络和双边滤波的面部瑕疵检测方法 | |
CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
CN112070727B (zh) | 一种基于机器学习的金属表面缺陷检测方法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
CN111209858B (zh) | 一种基于深度卷积神经网络的实时车牌检测方法 | |
CN117422696A (zh) | 基于改进YOLOv8-EfficientNet的皮带磨损状态检测方法 | |
CN112785480B (zh) | 基于频域变换和残差反馈模块的图像拼接篡改检测方法 | |
Nam et al. | Content-aware image resizing detection using deep neural network | |
CN114882599A (zh) | 基于双分支神经网络的离线手写签名分割系统和方法 | |
CN115908354A (zh) | 一种基于双尺度策略和改进的yolov5网络的光伏面板缺陷检测方法 | |
CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN117197763A (zh) | 基于交叉注意引导特征对齐网络的道路裂缝检测方法和系统 | |
Luo et al. | A lightweight detector based on attention mechanism for fabric defect detection | |
CN117788402A (zh) | 一种基于LIDD-Net高实时轻量化网络的工业产品缺陷检测方法 | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN116863293A (zh) | 一种基于改进YOLOv7算法的可见光下海上目标检测方法 | |
CN116402761A (zh) | 一种基于双通道多尺度注意力机制的光伏板裂缝检测方法 | |
CN113239865B (zh) | 基于深度学习的车道线检测方法 | |
CN111882545A (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 | |
Madake et al. | Image Tampering Detection Using Error Level Analysis and Metadata Analysis |
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 |