留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于残差自注意力的综采工作面目标检测算法

王科平 连凯海(通讯作者) 杨艺 费树岷

王科平, 连凯海(通讯作者), 杨艺, 等. 基于残差自注意力的综采工作面目标检测算法[J]. 工矿自动化.
引用本文: 王科平, 连凯海(通讯作者), 杨艺, 等. 基于残差自注意力的综采工作面目标检测算法[J]. 工矿自动化.
et alObject detection algorithm for fully-mechanized coal mining face based on residual self-attention[J]. Industry and Mine Automation.
Citation: et alObject detection algorithm for fully-mechanized coal mining face based on residual self-attention[J]. Industry and Mine Automation.

基于残差自注意力的综采工作面目标检测算法

Object detection algorithm for fully-mechanized coal mining face based on residual self-attention

  • 摘要: 摘要:综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要一环。但工作面因环境复杂,常用检测算法检测结果不准确且网络参数多计算量大,不利于工业部署,为此,提出一种融合残差自注意力的高性能轻量级目标检测算法。首先,为解决井下复杂环境目标难以检测问题,在CSPDarkNet53网络中融入Transformer的自注意力模块,确保局部上下文信息的同时增强全局信息获取能力,提升待检测目标的显著度,进而提高目标检测精度;其次,为适应综采工作面目标检测高效性需求,构建融合深度可分离卷积的轻量级检测网络,减少模型参数量和计算量。实验数据来源于真实煤矿调度室拍摄视频,裁剪为29,569张图片用来训练和测试。与常用的3种目标检测算法作比较,实验表明,所提算法可以在井下复杂环境下对目标准确检测,在参数量降低48%,模型大小降低48%,计算量降低35%的前提下,mAP达到92.59%,明显优于其他常用目标检测算法。

     

  • 加载中
计量
  • 文章访问数:  29
  • HTML全文浏览量:  4
  • 被引次数: 0
出版历程
  • 网络出版日期:  2022-09-23

目录

    /

    返回文章
    返回