文献类型：期刊文章

作　　者：任国强[1] 韩洪勇[1] 李成江[1] 尹燕芳[1]

REN Guoqiang;HAN Hongyong;LI Chengjiang;YIN Yanfang(Department of Electrical Information, Shandong University of Science and Technology, Jinan 250031, China)

机构地区：[1]山东科技大学电气信息系,山东济南250031

出　　处：《工矿自动化》

基　　金：国家自然科学基金资助项目(61572300);山东省高等学校科技计划资助项目(J18KA328);山东省重点研发计划项目(2016GGX105013);山东省安全生产科技项目(F2010-004)。

年　　份：2021

卷　　号：47

期　　号：12

起止页码：128-133

语　　种：中文

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

摘　　要：现有煤矿胶带运输异物检测方法检测精度较低、检测速度较慢,YOLOv3算法有较快的检测速度和较高的检测精度,但其用于煤矿胶带运输异物检测时存在对小目标检测效果不佳、容易出现漏检和正负样本不均衡等情况。针对上述问题,设计了Fast_YOLOv3算法:通过改进先验框及边界框,以适应煤矿胶带运输小目标异物检测场景;增加反卷积网络,以提高小目标异物检测能力;引入Focal Loss改进损失函数中负样本置信度的交叉熵,解决正负样本数量不均衡问题,提高检测精度。设计了StiPic数据增强方法,对煤矿胶带运输图像进行预处理,以提高Fast_YOLOv3模型训练效率及对小目标异物的检测精度。实验及现场测试结果表明,Fast_YOLOv3算法对于胶带运输异物的平均检测精度达90.12%,平均检测时间为35 ms,对小目标异物的检出率达93.50%,满足胶带运输现场对异物检测精度和实时性的要求。

关 键 词：煤矿胶带运输  异物检测  目标检测 Fast_YOLOv3算法  StiPic数据增强  反卷积网络  

分 类 号：TD714]