基于FBEC-YOLOv5s的采掘工作面多目标检测研究

针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题,提出了一种基于FBEC-YOLOv5s的采掘工作面多目标检测算法。首先,在主干网络引入FasterNet网络,以凭借其残差连接与批标准化模块,增强模型的特征提取和语义信息捕捉能力;其次,在YOLOv5s模型颈部融合BiFPN网络,以通过其双向跨尺度连接和快速归一化融合操作,实现多尺度特征的快速捕捉与融合;最后,采用ECIoU损失函数代替CIoU损失函数,以提升检测框定位精度和模型收敛速度。实验结果表明:(1)在满足煤矿井下实时检测要求的同时,FBEC-YOLOv5s模型的准确率较YOLOv5s模型的准确率提升了3.6%。(2)与YOLOv5s模型相比,FBEC-YOLOv5s模型的平均检测精度均值上升了2.8%,平均检测精度均值为92.4%,能够满足实时检测要求。(3)FBEC-YOLOv5s模型的综合检测性能好,能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低的情况下表现出良好的实时检测能力且具有较好的鲁棒性。

一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型

黄精是重要的药食同源品种,在黄精的种植与育种过程中,通常采用基于个人经验的人工方式进行种子成熟度识别,但该方式存在主观性强、精确度不稳定的问题,会在一定程度上影响种植后黄精的产量和质量,进而影响黄精产品的品质和下游产业的经济效益;另一方面,由于黄精种植地块通常较为分散,使得人工识别种子成熟度的方式较为低效。为了解决以上问题,本研究提出一种基于改进卷积神经网络YOLOv8n的黄精种子成熟度识别模型——YOLOv8n-FasterNet-EMA。首先,在模型轻量化方面,通过将YOLOv8n主干网络中原本的卷积替换为FasterNet的PConv卷积结构,与Bottleneck层结合后得到新的c2f-FasterNet模块,从而减小模型的计算量与内存消耗;其次,在模型泛化性能方面,通过使用EMA注意力机制与YOLOv8n颈部网络中检测处的c2f模块结合,提升模型的特征提取能力,进而改善模型的泛化能力。为验证所提模型的性能,在构建的黄精种子成熟度数据集上进行了对比实验,结果表明,与原YOLOv8n模型相比,本研究所提模型在平均识别精度上提升了2.1%,同时模型的参数量降低了21.3%;此外,与SSD、YOLOv5n相比,本研究所提模型在识别精度和速度上也取得一定的提升。因此,YOLOv8n-FasterNet-EMA能有效识别黄精种子的成熟度,这对实现黄精种子成熟度的智能化识别,进而提升黄精育种的质量、改善下游产业的经济效益均具有重要的实际意义。