文献类型：期刊文章

作　　者：胡璟皓[1] 高妍[1] 张红娟[1] 靳宝全[2]

HU Jinghao;GAO Yan;ZHANG Hongjuan;JIN Baoquan(College of Electrical and Power Engineering, Taiyuan University of Technology, Taiyuan 030024, China;Key Laboratory of Advanced Transducers and Intelligent Control System, Ministry of Education and Shanxi Province, Taiyuan University of Technology, Taiyuan 030024, China)

机构地区：[1]太原理工大学电气与动力工程学院,山西太原030024 [2]太原理工大学新型传感器与智能控制教育部与山西省重点实验室,山西太原030024

出　　处：《工矿自动化》

基　　金：山西省科技基础条件平台项目(201605D121028)。

年　　份：2021

卷　　号：47

期　　号：6

起止页码：57-62

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、EBSCO、IC、JST、RCCSE、UPD、ZGKJHX、核心刊

摘　　要：针对现有非煤异物图像识别法识别目标单一、模型缺乏定位能力等问题,提出一种基于深度学习的带式输送机非煤异物识别方法。该方法以目标检测算法YOLOv3为基础框架,采用Focal Loss函数替换YOLOv3模型中的交叉熵损失函数,对YOLOv3模型进行改进;通过调节最佳超参数(权重参数α和焦点参数γ)来平衡样本之间的比例,解决非煤异物样本不平衡问题,使模型在训练时更专注学习复杂目标样本特征,提高模型预测性能;搭建了异物数据集,并通过异物数据集对分类性能和速度进行实验。结果表明:Focal Loss函数在异物数据集中表现优于交叉熵损失函数,在γ=2,α=0.75时准确率提升5%,故最佳超参数为γ=2,α=0.75;改进后的YOLOv3模型对锚杆、角铁、螺母3种非煤异物的识别精确率分别提升了约4.7%,3.5%和6.8%,召回率分别提升了约6.6%,3.5%和6.0%;模型在2080Ti平台下每张图像预测类别与实际类别一致,且置信度在94%以上。

关 键 词：带式输送机 非煤异物识别  目标预测  深度学习  YOLOv3  Focal Loss函数  

分 类 号：TD528.1]