典型文献
融合注意力机制与逆残差结构的轻量级钻机目标检测方法
文献摘要：
为实现煤矿下定向钻进钻机钻孔深度的精准测量,提出一种融合注意力机制与逆残差结构的轻量级钻机目标检测网络(GCI-YOLOv4),通过自动、快速及准确检测记录钻机的运动轨迹,获取打入钻杆数量,计算出钻孔深度.针对煤矿下色域区分度低问题,采用GhostNet作为特征提取网络去除复杂背景的冗余特征,同时轻量化模型,加快推理速度.针对煤矿井下光照不均导致钻机目标显著度低的问题,引入注意力模块增强钻机在复杂背景中的显著度.针对钻机高速运动时难以被准确检测的问题,引入逆残差结构,提取更丰富语义特征的同时保持速度与精度的均衡.为保证模型的准确性和可靠性,将提出的检测算法与5种经典目标检测算法进行对比.实验结果表明,GCI-YOLOv4可以较好的解决煤矿下背景色域区分度低、钻机高速运动以及受光照不均等问题,平均检测精度达到99.49％,检测速度达到58.10 FPS,性能优于经典目标检测算法.将GCI-YOLOv4部署在工作面现场进行测试,能够准确获取钻机的运动轨迹,通过滤波处理统计上升沿计算钻杆数量,钻杆计数精度达到99.4％,精确计算出钻孔深度,验证了该方法的可行性和实用性.
文献关键词：
目标检测;YOLOv4;GhostNet;注意力模块;逆残差结构;钻杆计数
中图分类号：
作者姓名：
张栋;姜媛媛
作者机构：
安徽理工大学电气与信息工程学院 淮南 232001;安徽理工大学环境友好材料与职业健康研究院(芜湖)芜湖 241003
文献出处：
引用格式：
[1]张栋;姜媛媛-.融合注意力机制与逆残差结构的轻量级钻机目标检测方法)[J].电子测量与仪器学报,2022(11):201-210
A类：
逆残差结构,钻杆计数
B类：
注意力机制,轻量级,钻机,目标检测方法,下定,定向钻进,钻孔深度,精准测量,目标检测网络,GCI,YOLOv4,运动轨迹,打入,色域,区分度,GhostNet,特征提取网络,复杂背景,冗余特征,轻量化模型,推理速度,煤矿井下,下光,光照不均,标显,注意力模块,富语义,语义特征,目标检测算法,背景色,检测精度,检测速度,FPS,现场进行,滤波处理
AB值：
0.276236
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。
