典型文献
基于改进YOLOv5s的护帮板异常检测方法研究
文献摘要：
准确识别护帮板支护状态,判断护帮板是否与采煤机发生干涉,是实现煤矿安全生产的重要一环.提出了一种基于改进YOLOv5s的护帮板异常检测方法.建立了护帮板数据集hb_data2021,对YOLOv5s模型进行改进.根据基于改进YOLOv5s的护帮板状态检测结果的标签分类,判断护帮板状态是否异常.为了减小YOLOv5s模型的参数量,采用MobileNetV3和轻量级注意力机制NAM(normalization-based attention module,标准化注意力模块)替换主干特征提取网络.为了提高护帮板检测精度,改进损失函数为α-CIoU,并进行知识蒸馏.实验结果表明:蒸馏后的网络平均精度提高了1.0％,参数量减小了33.4％,推理加速34.2％;基于改进YOLOv5s的护帮板异常检测方法效果良好,将其部署在NVIDIA Jetson Xavier平台上,可以满足实时检测视频的要求.将检测模型移植到巡检机器人的嵌入式平台上,可以实现护帮板异常检测,满足煤矿工业实际需求.
文献关键词：
护帮板;目标检测;轻量化;边框损失函数;嵌入式设备
中图分类号：
作者姓名：
张旭辉;闫建星;麻兵;鞠佳杉;沈奇峰;吴雨佳
作者机构：
西安科技大学机械工程学院,陕西西安 710054;陕西省矿山机电装备智能监测重点实验室,陕西西安 710054
文献出处：
引用格式：
[1]张旭辉;闫建星;麻兵;鞠佳杉;沈奇峰;吴雨佳-.基于改进YOLOv5s的护帮板异常检测方法研究)[J].工程设计学报,2022(06):665-675
A类：
data2021
B类：
YOLOv5s,护帮板,异常检测方法,准确识别,支护,采煤机,煤矿安全生产,hb,板状,状态检测,标签分类,参数量,MobileNetV3,轻量级注意力机制,NAM,normalization,attention,module,注意力模块,主干特征提取网络,检测精度,CIoU,行知,知识蒸馏,推理加速,NVIDIA,Jetson,Xavier,实时检测,检测模型,巡检机器人,嵌入式平台,煤矿工,目标检测,边框损失函数,嵌入式设备
AB值：
0.376923
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。
