一

研究背景

煤矿井下图像质量较差，煤块间边缘特征不明显，导致煤块检测精度低，且现有识别模型参数规模大，导致运行速度慢。本文提出一种融合轻量级网络和双重注意力机制的改进YOLOv4模型，并将其应用于带式输送机煤块检测。

二

研究内容

改进YOLOv4模型融合了轻量级网络和双重注意力机制，其总体架构如下图所示。利用K-means聚类算法重新聚类先验框，根据给定的数据集样本，通过距离计算将相似样本的锚框归为一类，得到适应数据集的锚框，从而提高模型学习能力。YOLOv4模型的主干网络具有大量参数，使得模型检测精度和速度不理想。为了满足煤块检测的速度要求，引入MobileNet轻量级网络模型，替换YOLOv4模型的主干网络CSPDarknet53，可在不损失精度的前提下，有效减少模型参数量，提高模型检测速度。引入具有双重注意力机制的CBAM(ConvolutionalBlockAttentionModule，卷积块注意模块)，通过

转载请注明:http://www.aideyishus.com/lkcf/5928.html