典型文献
基于改进YOLOv7的煤矿带式输送机异物识别
文献摘要:
带式输送机煤流中会掺杂锚杆、角铁、木条、矸石、大块煤等异物,易导致输送带撕裂、转接处堵塞甚至断带.针对带式输送机巡检机器人难以在井下光照不均及带式输送机高速运行环境中高效、准确识别异物及模型部署不便等问题,以及YOLOv7模型对目标特征提取能力高,但识别速度较慢的特点,提出了一种基于改进YOLOv7的煤矿带式输送机异物识别方法.运用限制对比度自适应直方图均衡化方法对采集的带式输送机监控图像进行增强,提高图像中物体轮廓的清晰度;对YOLOv7模型进行改进,通过在主干提取网络引入轻量化无参注意力机制,提高模型对图像复杂背景的抗干扰能力和对异物特征的提取能力,同时引入深度可分离卷积代替主干特征提取网络中的普通卷积,提高异物识别速度;使用TensorRT引擎将训练后的改进YOLOv7模型进行转换并部署在NVIDIA Jetson Xavier NX上,实现了模型的加速.对煤矿井下分辨率为1 920×1 080的带式输送机监控视频进行识别,实验结果表明:改进YOLOv7模型的识别效果优于YOLOv5L和YOLOv7模型,识别精确率达92.8%,识别速度为25.64帧/s,满足精确、高效识别带式输送机异物的要求.
文献关键词:
带式输送机;异物识别;YOLOv7;无参注意力机制;深度可分离卷积;TensorRT
中图分类号:
作者姓名:
毛清华;李世坤;胡鑫;薛旭升;姚丽杰
作者机构:
西安科技大学 机械工程学院,陕西 西安 710054;陕西省矿山机电装备智能检测与控制重点实验室,陕西 西安 710054
文献出处:
引用格式:
[1]毛清华;李世坤;胡鑫;薛旭升;姚丽杰-.基于改进YOLOv7的煤矿带式输送机异物识别)[J].工矿自动化,2022(12):26-32
A类:
YOLOv7,YOLOv5L
B类:
煤矿带式输送机,异物识别,煤流,锚杆,角铁,木条,矸石,大块煤,输送带撕裂,转接,断带,巡检机器人,下光,光照不均,高速运行,运行环境,准确识别,模型部署,目标特征,特征提取能力,较慢,限制对比度自适应直方图均衡化,监控图像,中物,清晰度,无参注意力机制,复杂背景,抗干扰能力,特征的提取,深度可分离卷积,主干特征提取网络,TensorRT,NVIDIA,Jetson,Xavier,NX,煤矿井下,监控视频,精确率
AB值:
0.273488
相似文献
机标中图分类号,由域田数据科技根据网络公开资料自动分析生成,仅供学习研究参考。