Coal and gangue segmentation and recognition method based on YOLOv5-SEDC model
-
摘要: 现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高；YOLOv5−seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失，降低煤矸识别效率，且在训练过程中过分侧重全局特征，而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题，提出了一种基于YOLOv5−SEDC模型的煤矸分割识别方法。首先接收包含煤矸形状信息的图像，并利用主干网络进行特征提取，生成特征图；其次在YOLOv5−seg模型中集成SENet模块，以保留煤与矸石表面的纹理细节和灰度特征，避免下采样带来的信息丢失；然后采用不同，膨胀率的空洞卷积策略替代传统卷积核，不仅扩大了模型的感受野，还有效减少了模型参数量；最后分割检测头对融合后的特征进行精细处理，实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台，消融实验结果表明，YOLOv5−SEDC模型的煤和矸石识别的精确率较YOLOv5−seg模型平均提高1.3%，参数量减少0.7×106个，检测速度提高了1.4 帧/s。对比实验结果表明：① YOLOv5−SEDC模型的精确率较YOLOv3−tiny，YOLOv5−seg，Mask−RCNN模型分别提高了10.7%，2.7%，1.9%，达到95.8%。② YOLOv5−SEDC模型的召回率较YOLOv3−tiny，YOLOv5−seg，Mask−RCNN模型分别提高了3.0%，2.1%，0.9%，达到89.1%。③ YOLOv5−SEDC模型的平均精度均值较YOLOv3−tiny，YOLOv5−seg，Mask−RCNN模型分别提高了6.4%，6.3%，1.8%，达到95.5%。④ YOLOv5−SEDC模型的F1较YOLOv3−tiny，YOLOv5−seg，Mask−RCNN模型分别提高了5.2%，4.2%，2.1%，达到92.2%。⑤ YOLOv5−SEDC模型的检测速度较YOLOv3−tiny，YOLOv5−seg，Mask−RCNN模型分别降低了1.9，1.4，2.7 帧/s。可视化结果表明，YOLOv5−SEDC模型对煤和矸石的检测准确度较YOLOv5−seg和Mask−RCNN模型更高，说明了YOLOv5−SEDC模型在煤矸分割识别上具有较好性能。
-
关键词:
- 煤矸分割 /
- 煤矸识别 /
- 压缩激励网络 /
- YOLOv5−SEDC /
- YOLOv5−seg /
- 注意力网络 /
- 空洞卷积
Abstract: The existing coal and gangue segmentation and recognition technology has a large number of parameters, slow classification speed, and low recognition accuracy. The YOLOv5-seg model is prone to losing texture details and grayscale feature information on the image surface during up and down sampling operations, which reduces the efficiency of coal and gangue recognition. The YOLOv5-seg model overly focuses on global features during training, while neglecting the locally significant regions and features that are crucial for coal and gangue recognition. In order to solve the above problems, a coal and gangue segmentation and recognition method based on YOLOv5-SEDC model is proposed. Firstly, the method receives an image containing the shape information of coal and gangue, and uses the backbone network for feature extraction to generate a feature map. The method integrates the SENet module into the YOLOv5-seg model to preserve the texture details and grayscale features of coal and gangue surfaces, avoiding information loss caused by down sampling. The method adopts a dilated convolution strategy with different dilation rates instead of traditional convolution kernels. It not only expands the receptive field of the model, but also effectively reduces the number of model parameters. Finally, the segmentation detection head finely processes the fused features to achieve precise segmentation and recognition of coal and gangue. A coal and gangue image acquisition experimental platform is established at the actual coal and gangue sorting site of Daliuta Coal Mine. The ablation experiment results show that the accuracy of coal and gangue recognition of YOLOv5-SEDC model is improved by an average of 1.3% compared to YOLOv5-seg model. The parameter quantity is reduced by 0.7×106, and the detection speed is increased by 1.4 frames/s. The comparative experimental results show the following points. ① The accuracy of the YOLOv5-SEDC model is improved by 10.7%, 2.7%, 1.9% compared to the YOLOv3-tiny, YOLOv5-seg, and Mask-RCNN models, respectively, reaching 95.8%. ② The recall rate of the YOLOv5-SEDC model has increased by 3.0%, 2.1%, and 0.9% compared to the YOLOv3-tiny, YOLOv5-seg, and Mask-RCNN models, respectively, reaching 89.1%. ③ The mAP of the YOLOv5-SEDC model has increased by 6.4%, 6.3%, and 1.8% compared to the YOLOv3-tiny, YOLOv5-seg, and Mask-RCNN models, respectively, reaching 95.5%. ④ The F1 value of the YOLOv5-SEDC model has increased by 5.2%, 4.2%, 2.1% compared to the YOLOv3-tiny, YOLOv5-seg, and Mask-RCNN models, respectively, reaching 92.2%. ⑤ The detection speed of the YOLOv5-SEDC model is reduced by 1.9, 1.4, and 2.7 frames/s compared to the YOLOv3-tiny, YOLOv5-seg, and Mask-RCNN models, respectively. The visualization results show that the YOLOv5-SEDC model has higher detection accuracy for coal and gangue than the YOLOv5-seg and Mask-RCNN models. It indicates that the YOLOv5-SEDC model has good performance in coal gangue segmentation and recognition. -
0. 引言
煤自燃严重制约着我国煤矿安全生产发展，特别是以采空区、工作面及某些煤矿燃烧层等为主的部分区域的煤经过一次及以上的氧化形成氧化煤[1-3]，自燃危险性更大。许多学者对氧化煤的自燃危险性进行了大量研究。文虎等[3]、邓军等[4-6]、张辛亥等[7]对原煤和二次氧化煤的气体浓度和相关自燃特性参数等开展了研究，发现二次氧化煤氧化性增强，自燃危险性就增大。秦跃平等[8]研究了三次升温对煤低温氧化特性的影响，结果表明随着升温次数增加，煤的氧化能力逐渐降低。
为了解决煤氧化自燃、复燃问题，许多学者采用各种材料进行了研究。由于惰性气体实用性好[9]，成为了煤层火灾防治常用的防灭火材料之一。娄和壮等[10]利用程序升温试验和热重分析实验研究了煤对惰性气体的竞争吸附差异。Zhou Buzhuang等[11]利用电子自旋共振谱仪、红外光谱仪和气相色谱仪从宏观和微观方面研究了惰性气体对煤自燃的作用机理。苏楚涵[12]建立了基于模糊层次分析法和逼近理想解法的煤自燃预测模型，用于预测煤自燃的危险性，并根据危险性设计了通过煤壁钻孔方式向井下注入阻化剂或采用间歇注氮方式进行灭火。郭志国等[13]、Zhang Yi等[14]、马砺等[15]探究了不同浓度CO2对煤升温氧化的影响，实验结果表明随着CO2浓度升高，CO2对煤氧反应的抑制作用越强。邵昊等[16]研究了CO2和N2对煤自燃性能影响的对比，得出在通入CO2的情况下煤更不易自燃。方熙杨等[17]开展了惰性气体等温动态驱替不同粒径煤的O2实验，实验表明惰性气体驱替O2会出现阶段性变化，并且CO2，N2和He驱替O2与煤的粒径的不同存在差异。
综上可知，针对利用惰性气体降低煤氧化性来解决煤自燃、复燃的问题，现有研究大多是对煤低温氧化过程及煤复燃过程进行相关实验，对惰性气体降温后煤二次氧化的自燃特性涉及较少。基于此，笔者以焦煤为例，通过低温氧化实验，探究不同温度氧化的焦煤经过CO2冷却二次氧化的自燃特性，为煤矿采空区启封复采时的防灭火提供一定的依据。
1. 煤样制备及实验过程
1.1 煤样制备
将焦煤从煤矿井下密封包裹运回实验室，在真空条件下破碎，筛选出粒径为120~250 μm的焦煤，并用真空袋（每袋煤样40 g）抽真空保存，作为实验样品。实验焦煤的工业分析见表1。
表 1 焦煤工业分析Table 1. Industrial analysis of coking coal% 样品 水分 灰分 挥发分 固定碳含量 焦煤 0.60 7.88 21.67 69.85 从表1可看出，实验选用的焦煤水分含量较少，灰分和挥发分含量相对较多，固定碳含量占总量的70%左右。该焦煤灰分为低灰−中灰。
1.2 实验过程
为了探究不同预氧化程度焦煤在CO2冷却后二次氧化的自燃特性，采用GC−4000A程序升温装置（图1）对焦煤进行预氧化（预氧化温度设为70，110，150 ℃），并对分别通入CO2气体和干空气冷却至30 ℃后的焦煤二次氧化过程中的耗氧速率、CO产生率、CO2浓度和表观活化能进行分析。实验步骤如下：
1） 将制备好的40 g焦煤置于煤样罐中，在流量为80 mL/min的干空气中以0.8 ℃/min的升温速率将焦煤升温至目标预氧化温度70，110， 150 ℃（所选取温度以临界温度和干裂温度为参考），选取 70，110，150 ℃三组预氧化焦煤进行实验。
2） 将预氧化焦煤通入CO2冷却降温至30 ℃。二次氧化时，将预氧化焦煤在30 ℃恒温15 min后，仍以气体流量为80 mL/min、升温速率为0.8 ℃/min将预氧化焦煤程序升温至200 ℃，升温过程中每升高10 ℃取1次气体进行色谱分析，以干空气降温作为对照组。
2. 实验结果与分析
2.1 耗氧速率变化规律
耗氧速率是指一定体积的煤样在单位时间内消耗氧气的摩尔数，可以间接表示煤氧化性的强弱，从而反映煤的自燃性。根据煤样罐进出口O2体积分数的变化，耗氧速率计算公式如下[18]：
$$ {V_{{{\rm{O}}_2}}}\left( {{t}} \right) = \frac{{Q\varphi _{{{\rm{O}}_2}}^0}}{{SL}}\ln \frac{{\varphi _{{{\rm{O}}_2}}^1}}{{\varphi _{{{\rm{O}}_2}}^2}} $$ (1) 式中：
$ {V}_{{{\rm{O}}}_{2}}\left(t\right) $ 为温度为t时煤的耗氧速率，mol/（cm3·s）；Q为供气量，实验供气量为80 mL/min；${\varphi }_{{\mathrm{O}}_{2}}^{0}\mathrm{}$ 为干空气条件下的O2体积分数，${\varphi }_{{\mathrm{O}}_{2}}^{0} $ =21%； S为煤样罐横截面积，cm2；L为煤样罐中煤的高度，cm；$ {\varphi }_{{\mathrm{O}}_{2}}^{1}，{\varphi }_{{\mathrm{O}}_{2}}^{2} $ 分别为煤样罐进气口、出气口处O2体积分数，%。将相关实验测得的数据代入式（1），得到不同冷却条件下耗氧速率随温度变化的规律，如图2所示。CO2体积分数随温度变化的规律如图3所示。
![]()
图 2 耗氧速率随温度变化的规律Figure 2. The variation law of oxygen consumption rate with temperature![]()
图 3 CO2体积分数随温度变化的规律Figure 3. The variation law of CO2 volume fraction with temperature由图2(a)可看出，CO2冷却条件下，二次氧化反应在70 ℃及之前，耗氧速率排序为110 ℃氧化焦煤＞70 ℃氧化焦煤＞150 ℃氧化焦煤； 80 ℃之后，耗氧速率排序变为70 ℃氧化焦煤＞110 ℃氧化焦煤＞150 ℃氧化焦煤。结合图3，经CO2冷却的焦煤二次氧化前期产生和吸附的CO2量远大于干空气冷却焦煤所产生的CO2，因此，反应前期可以忽略焦煤氧化产生的CO2对其氧化反应的影响。根据气体吸附理论[19]，煤对CO2气体吸附能力大于O2。经过CO2冷却后，大量CO2附着在煤表面及孔隙中，阻碍煤与空气中的O2结合，反应消耗的O2减少。70 ℃氧化焦煤和110 ℃氧化焦煤反应开始时吸附的CO2量相差较小，并且焦煤经过预氧化后，其分子表面活性基团随着预氧化温度升高而增多，在CO2吸附量相差较小的情况下，更多活性基团与O2结合发生反应，因此，耗氧速率排序为110 ℃氧化焦煤＞70 ℃氧化焦煤；150 ℃氧化焦煤吸附的CO2量远大于70 ℃氧化焦煤和110 ℃氧化焦煤的吸附量，反应过程中更多CO2阻止活性基团与O2接触，导致焦煤氧化性减弱。随着氧化温度升高，CO2逐渐解析，反应后期耗氧速率变化与干空气条件下冷却至30 ℃焦煤的变化趋势趋于一致。说明预氧化温度越高，焦煤通入CO2冷却至30 ℃时所吸附CO2体积分数越大，反应前期吸附的CO2使得焦煤氧化性减弱。
结合图2(a)、图2(b)可知，预氧化温度相同时，与干空气冷却比较，反应前期吸附的CO2阻碍了预氧化焦煤与O2反应，随着CO2解析，对预氧化焦煤后期反应也产生了一定影响，导致整个反应过程通入CO2冷却焦煤的耗氧速率小于通入干空气冷却焦煤的耗氧速率。这说明预氧化焦煤经过CO2冷却后的耗氧速率减小，煤氧反应难以进行，通入CO2冷却降低了预氧化焦煤发生自燃的可能性。
2.2 CO产生率
由于CO是煤氧复合作用的产物，并且具有高灵敏性，所以，通过CO产生率可以间接反映煤氧化能力的强弱[6]。CO产生率计算公式如下：
$$ {P}_{{\rm{CO}}}\left(t\right)=\frac{{V}_{{{\rm{O}}}_{2}}\left(t\right)({\varphi }_{{\rm{CO}}}^{2}-{\varphi }_{{\rm{CO}}}^{1})}{{\varphi }_{{{\rm{O}}}_{2}}^{0}\left[1-{{\rm{exp}}}\left( { {-\dfrac{SL{V}_{{{\rm{O}}}_{2}}\left(t\right)}{Q{{{\varphi }}}_{{{\rm{O}}}_{2}}^{0}}} } \right)\right]} $$ (2) 式中：
$P_{\mathrm{CO}}(t) $ 为温度为t时CO产生率，mol/（cm3·s）；$ {\varphi }_{{\rm{CO}}}^{1} $ 和$ {\varphi }_{{\rm{CO}}}^{2} $ 分别为煤样罐进气口和出气口处CO体积分数，10−6 。将实验所测CO数据代入式（2），得到不同条件下CO产生率随温度变化的规律，如图4所示。由图4可看出，焦煤二次氧化过程中， CO产生率随氧化温度的升高而增大。CO2冷却时，在70 ℃及之前，70 ℃氧化焦煤CO产生率略小于110 ℃氧化焦煤的CO产生率，150 ℃氧化焦煤CO产生率最小。随着温度达到90 ℃，CO产生率排序为70 ℃氧化焦煤＞110 ℃氧化焦煤＞150 ℃氧化焦煤。这与耗氧速率的变化趋势一致，CO是煤中各基团与O2反应的产物，随着预氧化温度的升高，焦煤吸附CO2越多，耗氧减少，CO产生率相应减小。相同预氧化温度条件下，通入CO2冷却的焦煤CO产生率小于通入干空气冷却的焦煤CO产生率。预氧化焦煤在经过CO2冷却后，煤氧反应难度增大，降低了预氧化焦煤发生自燃的危险。
2.3 表观活化能
表观活化能反映了煤氧化反应所需的最小能量，其值越大，煤氧化自燃越难进行[20]。根据阿伦尼乌斯公式变形后的表观活化能计算公式如下[21]：
$$ \mathrm{ln}{\varphi }_{{\rm{CO}}}=-\frac{E}{R} \frac{1}{{T}_{}}+\mathrm{ln}\left( { \frac{ 10^{4} ALSm{\varphi }_{{{\rm{O}}}_{2}}^{n}}{k{\nu }_{{\rm{g}}}} } \right) $$ (3) 式中：
$\varphi _{\mathrm{CO}} $ 为煤样罐出气口处CO体积分数，${10^{ - 6}}$ ；E为表观活化能，kJ/mol；R为气体常数，R=8.314×10−3 kJ/（mol·K）；T为热力学温度，K； A为指前因子，s−1； m为化学反应系数；$ {\varphi }_{{{\rm{O}}}_{2}}^{n} $ 为反应气体中O2体积分数，%，n为反应级数；k为单位换算系数；${\nu _{\rm{g}}}$ 为供风量，m3/s。从式（3）可知，通过对
$\ln \varphi _{{\rm{C O}}} $ 与1/T的各点进行拟合，即可从斜率得出表观活化能E。因为干空气条件下冷却的焦煤在80~90 ℃间CO产生率发生交叉，以80~90 ℃为温度断点求30~80 ℃和90~150 ℃的表观活化能。各组煤$\ln {\varphi _{{\rm{CO}}}}$ 与1/T曲线拟合如图5所示，表观活化能如图6所示。![]()
图 5$\ln \varphi^{}_{\mathrm{CO}} $ 与1/T的关系Figure 5. The relationship between$\ln \varphi^{} _{\mathrm{CO}} $ and 1/T从图5可看出，所有拟合直线的可靠度均在0.942~0.999，能够比较准确地反映
$\ln \varphi _{\mathrm{CO}} $ 与1/T的关系，说明所求表观活化能的值准确性较高。从图6可看出，CO2冷却下的预氧化焦煤，30~80 ℃时的表观活化能排序为110 ℃氧化焦煤＜70 ℃氧化焦煤＜150 ℃氧化焦煤；90~150 ℃时的表观活化能排序为70 ℃氧化焦煤＜150 ℃氧化焦煤＜110 ℃氧化焦煤，此温度段内，随着CO2的解析及CO2体积分数逐渐接近，CO2对预氧化焦煤氧化性的影响有所减弱，导致表观活化能与耗氧速率、CO产生率的变化规律出现不一致的情况。预氧化温度相同时，与干空气冷却相比，CO2冷却的预氧化焦煤表观活化能更大，需要消耗更多的能量才能进行二次氧化，预氧化焦煤氧化自燃性相对降低。
3. 结论
1） 预氧化温度相同时，与干空气相比，CO2冷却的预氧化焦煤在二次氧化初期因吸附大量CO2，阻碍了煤氧反应，随着CO2解析，对预氧化焦煤后期也产生了一定影响，导致其整个反应过程氧化性减弱，耗氧速率和CO产生率减小，表观活化能增大。CO2冷却降低了预氧化焦煤自燃危险性。
2） 相较110 ℃和70 ℃预氧化焦煤，150 ℃预氧化焦煤冷却至30 ℃的时间更长，吸附的CO2更多，对煤氧反应阻碍作用越强，耗氧速率和CO产生率越小，表观活化能增大，150 ℃预氧化焦煤自燃危险性也有所下降。因此，当煤矿井下发生煤氧化自燃危险时，需长时间通入CO2来降低矿区启封复采时发生二次氧化复燃的可能性。
-
![]()
图 6 煤矸分割识别可视化效果
Figure 6. Visual effect of coal and gangue segmentation and recognition
表 1 硬件环境配置
Table 1 Hardware environment configuration
硬件 参数 CPU AMD Ryzen 75800 H GPU RTX3070 内存 16 GiB 
下载: 导出CSV
表 2 消融实验结果
Table 2 Ablation experiment results
模型 精确率/% 参数量/106个 检测速度/（帧·s−1） 煤 矸石 YOLOv5−seg 92.9 93.5 7.2 3.8 YOLOv5−seg+SENet 94.3 93.8 7.3 3.6 YOLOv5−seg+DC 93.8 93.9 6.4 2.8 YOLOv5−SEDC 95.1 95.8 6.5 2.4
下载: 导出CSV
表 3 模型性能对比结果
Table 3 Models performance comparison results
精确率/% 召回率/% $ {\mathrm{mAP}}/\text{%} $ $F_1/ {\text{%}}$ 检测速度/（帧·s−1） YOLOv3−tiny 85.1 86.1 89.1 87.0 4.3 YOLOv5−seg 93.1 87.0 89.2 88.0 3.8 Mask−RCNN 93.9 88.2 93.7 90.1 5.1 YOLOv5−SEDC 95.8 89.1 95.5 92.2 2.4
下载: 导出CSV
-
[1] 袁亮,张农,阚甲广,等. 我国绿色煤炭资源量概念、模型及预测[J]. 中国矿业大学学报,2018,47(1):1-8. YUAN Liang,ZHANG Nong,KAN Jiaguang,et al. The concept,model and reserve forecast of green coal resources in China[J]. Journal of China University of Mining & Technology,2018,47(1):1-8.
[2] 钱鸣高,许家林,王家臣. 再论煤炭的科学开采[J]. 煤炭学报,2018,43(1):1-13. QIAN Minggao,XU Jialin,WANG Jiachen. Further on the sustainable mining of coal[J]. Journal of China Coal Society,2018,43(1):1-13.
[3] LI Jianping,DU Changlong,BAO Jianwei,et al. Direct-impact of sieving coal and gangue[J]. Mining Science and Technology,2010,20(4):611-614.
[4] DUAN Chenlong,ZHOU Chenyang,DONG Liang,et al. A novel dry beneficiation technology for pyrite recovery from high sulfur gangue[J]. Journal of Cleaner Production,2018,172(3):2475-2484.
[5] MOHANTA S,MEIKAP B C. Influence of mediumparticle size on the separation performance of an air dense medium fluidized bed separator for coal cleaning[J]. Journal of the South African Institute of Mining and Metallurgy,2015,115:761-766.
[6] 李思维,常博,刘昆轮,等. 煤炭干法分选的发展与挑战[J]. 洁净煤技术,2021,27(5):32-37. LI Siwei,CHANG Bo,LIU Kunlun,et al. Development and challenge of dry coal separation[J]. Clean Coal Technology,2021,27(5):32-37.
[7] 曹现刚,李莹,王鹏,等. 煤矸石识别方法研究现状与展望[J]. 工矿自动化,2020,46(1):38-43. CAO Xiangang,LI Ying,WANG Peng,et al. Research status of coal-gangue identification method and its prospect[J]. Industry and Mine Automation,2020,46(1):38-43.
[8] MCCOY J T,AURET L. Machine learning applications in minerals processing:a review[J]. Minerals Engineering,2019,132:95-109.
[9] LI Deyong,WANG Guofa ,ZHANG Yong,et al. Coal gangue detection and recognition algorithm based on deformable convolution YOLOv3[J]. IET Image Processing,2022,16(1):134-144.
[10] SONG Qingjun,LIU Zhijiang,JIANG Haiyan. Coal gangue detection method based on improved YOLOv5[C]. International Conference on Big Data,Artificial Intelligence and Internet of Things Engineering,Xi'an,2022. DOI: 10.1109/ICBAIE56435.2022.9985920.
[11] GUI Fangjun,YU Shuo,ZHANG Hailan,et al. Coal gangue recognition algorithm based on improved YOLOv5[C]. 2nd International Conference on Information Technology,Big Data and Artificial Intelligence,Chongqing,2021.DOI: 10.1109/ICIBA52610.2021.9687869.
[12] FU Chengcai,LU Fengli,ZHANG Guoying. Gradient- enhanced waterpixels clustering for coal gangue[J]. International Journal of Coal Preparation and Utilization,2023,43(4):677-690.
[13] LAI Wenhao,HU Feng,KONG Xixi,et al. The study of coal gangue segmentation for location and shape predicts based on multispectral and improved Mask R-CNN[J]. Powder Technology,2022,407. DOI: 10.1016/J.POWTEC.2022.117655.
[14] LYU Ziqi,WANG Weidong,ZHANG Kanghui,et al. A synchronous detection-segmentation method for oversized gangue on a coal preparation plant based on multi-task learning[J]. Minerals Engineering,2022,187. DOI: 10.1016/J.MINENG.2022.107806.
[15] TAGHANAKI S A,ABHISHEK K,COHEN J P,et al. Deep semantic segmentation of natural and medical images:a review[J]. Artificial Intelligence Review,2021,54(1):137-178.
[16] HAO Shijie,ZHOU Yuan,GUO Yanrong. A brief survey on semantic segmentation with deep learning[J]. Neurocomputing,2020,406:302-321.
[17] 陈彪,卢兆林,代伟,等. 基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别[J]. 工矿自动化,2022,48(11):33-38. CHEN Biao,LU Zhaolin,DAI Wei,et al. Accurate recognition of coal-gangue image based on lightweight HPG-YOLOX-S model[J]. Journal of Mine Automation,2022,48(11):33-38.
[18] 郝俊峰,李玉涛,来博文. 基于YOLOv5−seg的多模型电石检测分割系统[J]. 现代计算机,2023,29(16):1-7,14. DOI: 10.3969/j.issn.1007-1423.2023.16.001 HAO Junfeng,LI Yutao,LAI Bowen. Multi-model calcium carbide detection and segmentationsystem based on YOLOv5−seg[J]. Modern Computer,2023,29(16):1-7,14. DOI: 10.3969/j.issn.1007-1423.2023.16.001
[19] 许灿辉,史操,陈以农. 基于膨胀卷积网络的端到端文档语义分割[J]. 中南大学学报(英文版),2021,28(6):1765-1774. XU Canhui,SHI Cao,CHEN Yinong. End-to-end dilated convolution network for document image semantic segmentation[J]. Journal of Central South University,2021,28(6):1765-1774.
[20] YU Fisher,KOLTUN V. Multi-scale context aggregation by dilated convolutions[C]. International Conference on Learning Representation,Washington,2016. DOI: 10.48550/arXiv.1511.07122.
[21] 饶中钰,吴景涛,李明. 煤矸石图像分类方法[J]. 工矿自动化,2020,46(3):69-73. RAO Zhongyu,WU Jingtao,LI Ming. Coal-gangue image classification method[J]. Industry and Mine Automation,2020,46(3):69-73.
[22] FERNANDO P G,RACHEL S,SEBASTIEN O. TorchIO:a Python library for efficient loading,preprocessing,augmentation and patch-based sampling of medical images in deep learning[J]. Computer Methods and Programs in Biomedicine,2021,208. DOI: 10.1016/J.CMPB.2021.106236.
[23] 赵杰,孙伟,徐中达,等. 基于形态学预处理的数字图像相关方法研究[J]. 实验力学,2022,37(5):629-637. ZHAO Jie,SUN Wei,XU Zhongda,et al. Study on the method of digital image correlation based morphological pre-processing[J]. Journal of Experimental Mechanics,2022,37(5):629-637.
-
期刊类型引用(7)
1. 倪云峰，王志刚，王静，郭苹. 基于RSSI的井下人员定位算法改进. 无线电工程. 2023(03): 663-668 . 
百度学术
2. 亿吉，张楠. 基于RSSI的矿井移动目标加权质心定位算法. 山西煤炭. 2022(03): 102-108 . 百度学术
3. 高莉，杨雪苗. 一种改进的三边定位算法. 工矿自动化. 2020(02): 78-81 . 本站查看
4. 周孟然，黄曼曼，闫鹏程，胡锋，卞凯. 改进加权质心算法用于煤矿井下人员精准定位. 安徽理工大学学报(自然科学版). 2020(01): 1-5+15 . 百度学术
5. 张梅，荣昆，张啸. 煤矿井下人员跟踪管理系统研究. 煤矿机械. 2020(12): 172-175 . 百度学术
6. 莫树培，唐琎，汪郁，赖普坚，金礼模. 基于聚类和K近邻算法的井下人员定位算法. 工矿自动化. 2019(04): 43-48+76 . 本站查看
7. 夏禹，张效艇，王嵘. TOA定位算法的坐标解析优化方法综述. 单片机与嵌入式系统应用. 2019(12): 15-18+22 . 百度学术
其他类型引用(5)
计量
- 文章访问数: 139
- HTML全文浏览量: 45
- PDF下载量: 24
- 被引次数: 12
