Metodo di rilevamento di corpi estranei nella cintura mineraria basato su YOLOv4

Rapporti scientifici volume 13, numero articolo: 8881 (2023) Citare questo articolo

92 Accessi

1 Altmetrico

Dettagli sulle metriche

Nel processo di trasporto del nastro minerario possono apparire vari oggetti estranei che avranno un grande impatto sul frantoio e sul nastro, influenzando così il progresso della produzione e causando gravi incidenti alla sicurezza. Pertanto, è importante rilevare corpi estranei nelle prime fasi di intrusione nei sistemi di trasporto a nastro minerario. Per risolvere questo problema, in questo articolo viene proposto il metodo YOLOv4_GECA. Innanzitutto, viene aggiunto il modulo di attenzione GECA per stabilire il modello di rilevamento di oggetti estranei YOLOv4_GECA nella cintura minerale per migliorare la capacità di estrazione di oggetti estranei. In secondo luogo, sulla base di questo modello, il decadimento del tasso di apprendimento della ricottura del coseno di riavvio viene utilizzato per migliorare le prestazioni di rilevamento dell'immagine di oggetti estranei del modello. Infine, abbiamo raccolto informazioni sulle immagini del trasporto della cintura dal sito della miniera d'oro di Pai Shan Lou a Shenyang e creato un set di dati per il rilevamento di corpi estranei sulla cintura. I risultati sperimentali mostrano che la precisione di rilevamento media del metodo YOLOv4_GECA proposto in questo documento è del 90,1%, il tasso di richiamo è del 90,7% e il tempo di rilevamento medio è di 30 ms, il che soddisfa i requisiti di precisione di rilevamento e prestazioni in tempo reale a il sito di trasporto della cintura mineraria.

Il rilevamento di corpi estranei svolge un ruolo importante nei settori della lavorazione dei minerali e del controllo qualità dei prodotti. I nastri trasportatori del minerale possono essere carichi di tutti i tipi di corpi estranei durante il trasporto del minerale, come barre di acciaio, cavi di ferro, ferro, legno, tubi di plastica, ecc., che possono avere un enorme impatto su frantoi, mulini a palle e nastri. I metodi tradizionali di rilevamento di corpi estranei sono il metodo di rilevamento manuale, il metodo a raggi e il metodo di rilevamento spettrale. Il metodo di rilevamento manuale è fortemente influenzato dallo stato mentale dei lavoratori ed è inefficiente. Il metodo dei raggi è più stabile ma costoso e dannoso per il corpo umano1. Il metodo di rilevamento spettrale ha un tasso di rilevamento falso relativamente basso, lo svantaggio è che è suscettibile alle interferenze, è difficile mantenere le apparecchiature ed è difficile rilevare oggetti estranei nel minerale di ferro per il rilevamento del ferro. A causa dell’influenza di fattori umani e interferenze esterne, le tecniche di rilevamento di corpi estranei di cui sopra sono lente, costose e difficili da mantenere, con tassi di perdita elevati, che rendono difficile promuoverle universalmente nelle imprese minerarie.

Con lo sviluppo del deep learning, i metodi di rilevamento di oggetti basati su reti neurali convoluzionali sono stati ampiamente utilizzati e i metodi di rilevamento di corpi estranei basati sul deep learning sono diventati un hotspot di ricerca. I metodi di rilevamento degli oggetti esistenti sono principalmente basati su ancoraggi e senza ancoraggi. Tra questi, quello basato su ancoraggio ha principalmente serie R-CNN più veloci a due stadi e serie YOLO a uno stadio, SSD, ecc. Nel 2015, Ren2 et al. ha proposto la Faster R-CNN, che ha migliorato la velocità dell'algoritmo di ricerca selettiva per estrarre le regioni box candidate ed è diventato il primo rilevatore di target di deep learning end-to-end quasi in tempo reale. YOLO (guarda solo una volta)3 è stato proposto da Redmon et al. nel 2015 come primo rilevatore a stadio singolo nel campo del deep learning. Il principale punto di miglioramento di YOLOv24 rispetto alla versione precedente è l'algoritmo di training congiunto proposto, che fornisce una localizzazione più accurata mantenendo la velocità di elaborazione di YOLO. YOLOv35 presenta l'introduzione di FPN per la previsione multiscala e utilizza anche una migliore rete sottostante Darknet-53 e funzione di perdita di entropia incrociata binaria e può raggiungere un equilibrio tra velocità e precisione modificando la struttura di rete del modello.YOLOv46 è una pietra miliare importante nella serie YOLO, con l'introduzione di CSPDarknet-53 per estrarre funzionalità, l'aggiunta di reti SPP per migliorare l'estrazione delle immagini e l'uso della funzione di attivazione Mish, questi miglioramenti rendono YOLOv4 anche un rilevatore di oggetti estremamente efficiente e potente. Liu7 et al. ha proposto l'algoritmo SSD nel 2015, che introduce tecniche di rilevamento multi-riferimento e multi-risoluzione e la rete di diversi strati rileva oggetti con scale diverse e l'effetto di rilevamento per bersagli piccoli è notevolmente migliorato. YOLOv58 utilizza il calcolo adattivo del frame di ancoraggio e un meccanismo di rilevamento della fusione multi-semantica, che consente la fusione rapida ed efficace di ricche informazioni semantiche di alto livello con informazioni sulla posizione di basso livello per ottenere un rapido rilevamento degli oggetti. YOLOv69 incorpora idee dalla recente progettazione della rete, strategie di formazione, tecniche di test, quantificazione e metodi di ottimizzazione per costruire una serie di reti distribuibili di diverse dimensioni per soddisfare diversi casi d'uso. YOLOv710 progetta diversi metodi Bag-of-Freebies addestrabili che consentono il rilevamento del target in tempo reale per migliorare notevolmente la precisione di rilevamento senza aumentando il costo dell'inferenza, riducendo allo stesso tempo circa il 40% dei parametri e il 50% dello sforzo computazionale dei rilevatori di target in tempo reale esistenti.