矿业研究与开发

作者：郭栋梁，张延军

关键词：煤矸石图像检测;YOLOv5模型;轻量化PAM-M-YOLO 模型;深度学习;注意力机制;损失函数

针对传统煤矸石检测算法中人为提取煤矸石图像特征过程复杂、检测精度低等问题,提出了一种轻量化的PAM- M-YOLO 煤矸石检测模型。首先,使用MobileNetv3特征提取网络替换原模型主干网络,采用深度可分离卷积替换传 统卷积进行煤矸石图像的特征提取;其次,设计PAM 并联注意力模块提升目标检测网络层拼接后特征图通道和空间 信息关注度;最后,基于CAM 激活限制分支给模型添加先验信息,以降低模型在非关键特征上的局部坍塌。试验结果 表明,轻量化PAM-M-YOLO 煤矸石检测模型准确率、召回率、mAP值分别98.7％、97.5％、98.8％,较原M-YOLO 模型分别提升了3.6,2.3,2.0个百分点;参数量为3.8 MB,比YOLOv5模型降低了近1/2.热力图可视化效果表明,轻量化PAM-M-YOLO模型在检测过程中所关注的信息更集中于煤矸石区域,有效解决了模型在煤矸石区域的局部坍塌问题。

来源：2024年第5期

《矿业研究与开发》期刊编辑部

查看矿业研究与开发杂志2024年第5期