无人机航拍影像的矿区泥石流物源目标检测——以大同市里道寺窑沟为例

为解决当前传统泥石流物源识别人工野外实地调查难度大、危险性高、效率低、检测精度低等问题,提出了一种改进的YOLOv5s-GCE泥石流物源目标检测方法。首先,利用Ghost卷积替换普通卷积,完成轻量化特征提取,降低参数量和计算量;其次,在YOLOv5s模型的主干网络中添加CBAM双通道注意力机制,关注关键区域的重要特征,有效提升模型性能;最后,将CIOU替换为EIOU损失函数,提升算法检测精度。与YOLOv5s模型相比,YOLOv5sGCE模型mAP@0.5提升8.6%,mAP@0.5:0.95提升10.5%,参数量减少10.6%,计算量下降10.1%。可以有效检测泥石流物源,为泥石流物源的精确识别定位提供理论参考和数据支撑,进一步服务于里道寺窑沟区泥石流的风险评价与防治。

基于改进YOLOV8-RCS-OSA的滑坡体周边目标检测研究

滑坡现象对人类居住环境和城市建设的安全性构成了相当大的威胁,准确无误地识别滑坡就成为了防灾减灾领域内诸多研究课题的核心前置步骤。针对传统的滑坡体识别主要靠人工野外实地调查,危险性高、效率低、检测精度低的问题。首先,使用无人机倾斜摄影技术进行图像采集,其次,利用ContextCapture进行三维实景建模,最后通过深度学习技术可以对滑坡灾害区域进行图像分割,对滑坡发生的区域进行图像提取,从而达到识别的目的。选取山西省大同市云州区西坪村为研究区,通过基于深度学习的目标检测算法可以为滑坡体的精确识别定位提供数据支撑。通过对比YOLOV8-RCS-OSA、YOLOV3-tiny、YOLOV5n三种训练模型,最终选择YOLOV8-RCS-OSA进行目标检测,实验结果证明YOLOV8-RCS-OSA模型的mAP@0.5达到99.5%,mAP@0.5:0.95达到65.2%,对精确快速地获取滑坡信息对预测滑坡发生的可能性、减轻山体滑坡灾害影响、强化预防和治理效果都极具重要意义。

基于改进YOLOv5s的综采工作面人员检测算法

为了智能监控井工煤矿综采工作面危险区域人员闯入和安全帽佩戴问题,避免监控视频受粉尘干扰、光照不均等因素影响图像检测精度的问题,提出一种基于改进YOLOv5s的目标检测算法(简称YOLOv5s-DPE),并建立相关模型。首先,在颈部网络部分,采用深度可分离卷积(DwConv)替换普通卷积,降低参数量和计算量;然后,引入改进的路径聚合网络(PANet)提升特征提取能力,替换边界框损失函数完全交并比(CIOU)为有效交并比(EIOU),提升检测准确率;最后,选取综采工作面视频中的人员图像进行检测,选取煤矿井下人员闯入和安全帽佩戴监控视频作为检测数据集,并进行训练和验证。结果表明:对比初始YOLOv5s算法模型,YOLOv5s-DPE算法模型的参数量下降14.2%,浮点数计算量下降7.6%,算法网络模型大小下降12.5%,均值平均精度(mAP)@0.5提升到93.7%,mAP@0.5∶0.95提升到65.8%,YOLOv5s-DPE模型对小目标检测效果更好,误检漏检等情况有所减少。

基于DSC-YOLOv5s的煤矸目标检测算法

针对现有的基于图像处理的煤矸分选检测方法准确度低、速度慢、参数量和计算量大等问题,提出了一种基于DSC-YOLOv5s的煤矸目标检测算法。实验结果表明:DSC-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升1.3%,参数量降低15.6%,浮点计算量降低2.5%,可为煤矸智能分选场景中的煤矸目标检测提供借鉴。

基于CSR-YOLOv5s的煤矸目标检测算法

针对基于深度学习的煤矸目标检测方法速度慢、参数量多、计算量大等问题,文章提出了一种基于CSR-YOLOv5s的煤矸目标检测算法。首先使用轻量化网络ShuffleNetv2作为主干网络,提升目标检测速度;其次将Neck区域的20×20特征图分支删除,降低了模型复杂度;最后SIOU损失函数替换CIOU损失函数,引入CBAM注意力机制使模型更加关注重要特征提高检测性能。实验结果表明:改进后的煤矸检测算法模型大小压缩了92.3%,参数量减少了94.3%,计算量降低了90.5%,帧数提高了34.2帧,可为煤矸的智能分选提供借鉴。