典型文献
基于CBA-YOLO模型的煤矸石检测
文献摘要：
煤矸石检测中存在样本间特征差异小、目标密集等问题,导致现有煤矸石检测方法精度不高且实时性较差.针对该问题,提出了一种基于CBA-YOLO模型的煤矸石检测方法.CBA-YOLO模型以速度较快、精度较高的YOLOv5m为基础模型,在YOLOv5m的Backbone中加入卷积块注意力模块(CBAM),通过串联空间注意力模块和通道注意力模块,在聚焦特征差异的同时降低数据维度,提高煤矸石检测性能;在Neck部分采用双向特征金字塔网络(BiFPN)结构,通过融合不同尺度的特征提高模型计算效率,从而提升煤矸石检测速度;在Prediction部分采用Alpha-IoU函数作为损失函数,通过设置权重系数加速对高置信度目标的学习,进一步提高煤矸石检测精度.实验结果表明:CBA-YOLO模型对煤矸石的平均检测精度达98.2％,比YOLOv5模型提高了3.4％,检测速度提升了 10％;CBA-YOLO模型的鲁棒性更强,可有效避免漏检、误检和重叠现象.
文献关键词：
煤矸石检测;YOLOv5;CBA-YOLO;深度学习;注意力机制;双向特征金字塔网络;损失函数
中图分类号：
作者姓名：
桂方俊;李尧
作者机构：
中国矿业大学(北京)机电与信息工程学院,北京 100083
文献出处：
引用格式：
[1]桂方俊;李尧-.基于CBA-YOLO模型的煤矸石检测)[J].工矿自动化,2022(06):128-133
A类：
B类：
煤矸石检测,特征差异,YOLOv5m,基础模型,Backbone,卷积块注意力模块,CBAM,空间注意力,通道注意力模块,数据维度,检测性能,Neck,双向特征金字塔网络,BiFPN,不同尺度,计算效率,检测速度,Prediction,Alpha,IoU,损失函数,权重系数,置信度,检测精度,漏检,注意力机制
AB值：
0.205665
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。
