典型文献
基于混合域注意力YOLOv4的输送带纵向撕裂多维度检测
文献摘要：
针对输送带纵向撕裂目标检测维度单一、模型复杂度高等问题,提出一种高效的MobileNetv3及YOLOv4集成网络输送带纵向撕裂多维度实时检测方法.基于YOLOv4目标识别算法,通过将轻量化网络Mobile-Netv3代替CSPDarknet53作为骨干网络,结合高效通道域ECA模块和空间域注意力机制(STNet)构建混合域注意力网络(ECSNet),改进了MobileNetv3嵌入ECSNet,并且提升了模型对空间和通道的关注度.引入深度可分离卷积块代替网络中3*3卷积,并将YOLOv4的检测头(Prediction Heads)缩减为2种尺度,轻量化模型降低网络复杂度和训练难度,完成ECSMv3_YOLOv4模型的搭建,使用K-means聚类6个Anchors预测目标框高宽,提高网络对表面撕裂的检测性能.研制带式输送机多维度智能巡检样机,采集制作输送带多维度面的纵向撕裂数据集,开展网络模型的训练、测试、识别和定位实验.结果表明,提出算法在测试集中的平均识别准确率为97.8％,识别速度为37帧/s,模型的计算量和参数量为4.882 G和8.851 M,通过试验不同的网络模型效果和改变光照强度,该方法体现出检测精度高、速度快和轻量化等优点,具备更强的适应性和抗干扰能力.
文献关键词：
纵向撕裂;多维度检测;MobileNetv3;混合域注意力机制;YOLOv4;轻量化
中图分类号：
作者姓名：
李飞;胡坤;张勇;王文善;蒋浩
作者机构：
安徽理工大学机械工程学院,安徽淮南232001;深部煤矿采动响应与灾害防控国家重点实验室,安徽淮南232001;安徽理工大学环境友好材料与职业健康研究院,安徽芜湖241003
文献出处：
引用格式：
[1]李飞;胡坤;张勇;王文善;蒋浩-.基于混合域注意力YOLOv4的输送带纵向撕裂多维度检测)[J].浙江大学学报（工学版）,2022(11):2156-2167
A类：
多维度检测,Netv3,STNet,ECSNet,ECSMv3
B类：
YOLOv4,输送带,纵向撕裂,目标检测,模型复杂度,MobileNetv3,实时检测,目标识别算法,轻量化网络,CSPDarknet53,骨干网络,通道域,ECA,空间域注意力,注意力网络,深度可分离卷积,检测头,Prediction,Heads,减为,轻量化模型,means,Anchors,检测性能,带式输送机,智能巡检,样机,识别和定位,定位实验,测试集,识别准确率,计算量,参数量,变光照,光照强度,检测精度,抗干扰能力,混合域注意力机制
AB值：
0.325963
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。
