典型文献
基于YOLOv4算法的煤矿井下粉尘检测方法
文献摘要：
针对煤矿井下粉尘检测实时性差,容易出现漏检误检的问题,提出一种基于图像的优化YOLOv4煤矿井下粉尘检测算法.该算法将YOLOv4算法与空间变换网络相结合,通过主干特征提取网络得到3个不同尺度的特征图;再送入空间变换网络进行仿射变换,以提高网络的空间变换能力;最后多尺度特征融合网络采用PANet进行特征堆叠,将得到的3个尺度的有效特征层送入特征预测网络进行预测.模型训练阶段对图像进行平移、翻转等预处理,扩充训练数据集,防止检测模型出现过拟合现象.结果表明,优化后的模型对于粉尘图像的检测效果更好,有效降低了目标检测过程中的漏检率.
文献关键词：
卷积神经网络;YOLOv4算法;粉尘图像检测;空间变换网络
中图分类号：
作者姓名：
程学珍;赵振国;刘兴军;李继明;赵猛
作者机构：
山东科技大学 电气与自动化工程学院,山东青岛266590;山东科技大学 电子信息工程学院,山东青岛266590;中国工商银行股份有限公司临沂分行,山东临沂276000
文献出处：
引用格式：
[1]程学珍;赵振国;刘兴军;李继明;赵猛-.基于YOLOv4算法的煤矿井下粉尘检测方法)[J].实验室研究与探索,2022(03):14-18
A类：
特征堆叠,粉尘图像检测
B类：
YOLOv4,煤矿井下,粉尘检测,检测算法,空间变换网络,主干特征提取网络,不同尺度,特征图,送入,仿射变换,多尺度特征融合,特征融合网络,PANet,有效特征,特征预测,预测网络,模型训练,训练阶段,平移,训练数据集,检测模型,过拟合,检测效果,目标检测,检测过程,漏检率
AB值：
0.278928
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。
