基于改进YOLOv4算法的矿用设备关键部件识别研究

为了使煤矿设备检测平台能够精准快速识别出复杂矿用设备的关键部件,提出一种基于YOLOv4的轻量化改进模型GhostNet-YOLOv4,模型引入GhostNet作为YOLOv4的CSPDarkNet53,减少模型参数量与冗余计算量的同时,降低模型训练时间;GhostNet当中的shortcut结构减少网络退化现象,提高模型特征提取能力。实验结果证明,改进模型参数量与YOLOv4相比减少83%,与MobileNet3-YOLOv4相比减少6%,识别平均准确率达到92.67%,图片检测速度(FPS)可达到33.75帧/s,相较于YOLOv4提升了43%。在复杂矿用设备的关键部件检测任务中有效地解决了检测速度慢、模型体积大的问题。