典型文献
基于RCR_YOLOv4的矿井巷道红外障碍检测研究
文献摘要：
针对地下矿井巷道光线昏暗的道路上会出现落石或行人等行车障碍物,严重影响无人驾驶矿卡安全行驶的问题,提出了一种基于红外视觉识别的巷道障碍物快速检测优化模型RCR_YOLOv4.该模型利用K-Means++优化算法筛选巷道障碍物的先验框尺寸,并引入深度可分离卷积降低网络参数量和计算量,从而提高障碍目标的定位精度和检测效率.通过设计双通道注意力机制对网络特征融合模块进行优化,实现对无人矿卡行车障碍的高精度检测.结果表明,该目标检测模型对矿井道路障碍的检测准确率达到93.52％,检测速度达到60.6 FPS,能够为矿井巷道复杂环境下无人矿卡安全行驶提供保障.
文献关键词：
矿井巷道;无人驾驶;机器视觉;障碍检测;红外图像;YOLOv4
中图分类号：
作者姓名：
阮顺领;董莉娟;卢才武;顾清华
作者机构：
西安建筑科技大学资源工程学院,陕西 西安 710055;西安市智慧工业感知计算与决策重点实验室,陕西 西安 710055
文献出处：
引用格式：
[1]阮顺领;董莉娟;卢才武;顾清华-.基于RCR_YOLOv4的矿井巷道红外障碍检测研究)[J].黄金科学技术,2022(04):603-611
A类：
B类：
RCR,YOLOv4,矿井巷道,外障,障碍检测,下矿,道光,光线,昏暗,上会,落石,障碍物,无人驾驶矿卡,安全行驶,视觉识别,快速检测,Means++,先验框,深度可分离卷积,网络参数,参数量,计算量,碍目,定位精度,检测效率,双通道注意力机制,网络特征,特征融合模块,无人矿卡,高精度检测,目标检测模型,井道,路障,检测准确率,检测速度,FPS,复杂环境,机器视觉,红外图像
AB值：
0.397911
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。
