Método de detecção de corpo estranho em cinturão de mineração baseado em YOLOv4

Jun 12, 2023

Scientific Reports volume 13, Número do artigo: 8881 (2023) Citar este artigo

83 Acessos

1 Altmétrica

Detalhes das métricas

No processo de transporte da correia de mineração podem surgir diversos objetos estranhos, que causarão grande impacto no britador e na correia, afetando o andamento da produção e causando sérios acidentes de segurança. Portanto, é importante detectar objetos estranhos nos estágios iniciais de intrusão em sistemas de correias transportadoras de mineração. Para resolver este problema, o método YOLOv4_GECA é proposto neste artigo. Em primeiro lugar, o módulo de atenção GECA é adicionado para estabelecer o modelo de detecção de objetos estranhos YOLOv4_GECA no cinturão mineral para aprimorar a capacidade de extração de recursos de objetos estranhos. Em segundo lugar, com base neste modelo, o declínio da taxa de aprendizado do recozimento de cosseno de reinício é usado para melhorar o desempenho de detecção de imagem de objeto estranho do modelo. Por fim, coletamos informações de imagem de transporte de cinto do local da mina de ouro Pai Shan Lou em Shenyang e estabelecemos um conjunto de dados de detecção de corpos estranhos de cinto. Os resultados experimentais mostram que a precisão média de detecção do método YOLOv4_GECA proposto neste artigo é de 90,1%, a taxa de recuperação é de 90,7% e o tempo médio de detecção é de 30 ms, o que atende aos requisitos de precisão de detecção e desempenho em tempo real em o local de transporte do cinturão da mina.

A detecção de corpo estranho desempenha um papel importante nas indústrias de processamento de minério e controle de qualidade do produto. Correias transportadoras de minério podem ser carregadas com todos os tipos de corpos estranhos durante o transporte de minério, como barras de aço, cabos de ferro, ferro, madeira, tubos de plástico, etc., que podem ter um grande impacto em trituradores, moinhos de bolas e correias. Os métodos tradicionais de detecção de corpos estranhos são o método de detecção manual, o método de raios e o método de detecção espectral. O método de detecção manual é muito influenciado pelo estado mental dos trabalhadores e é ineficiente. O método dos raios é mais estável, mas caro e prejudicial ao corpo humano1. O método de detecção espectral tem uma taxa de detecção falsa relativamente baixa, a desvantagem é que é suscetível a interferências, difícil de manter o equipamento e difícil de detectar objetos estranhos no minério de ferro para detecção de ferro. Devido à influência de fatores humanos e interferência externa, as técnicas de detecção de corpos estranhos acima são lentas, caras e difíceis de manter, com altas taxas de vazamento, dificultando sua promoção universal em empreendimentos de mineração.

Com o desenvolvimento do aprendizado profundo, os métodos de detecção de objetos baseados em redes neurais convolucionais têm sido amplamente utilizados, e os métodos de detecção de corpos estranhos baseados no aprendizado profundo tornaram-se um ponto de pesquisa. Os métodos de detecção de objetos existentes são principalmente baseados em âncoras e livres de âncoras. Entre eles, baseado em âncora, tem principalmente R-CNN mais rápido de dois estágios e série YOLO de um estágio, SSD, etc. Em 2015, Ren2 et al. propôs o Faster R-CNN, que melhorou a velocidade do algoritmo de busca seletiva para extrair regiões de caixas candidatas e se tornou o primeiro detector de alvo de aprendizado profundo em tempo real quase de ponta a ponta. YOLO (você só olha uma vez)3 foi proposto por Redmon et al. em 2015 como o primeiro detector de estágio único no campo de aprendizado profundo. O principal ponto de melhoria do YOLOv24 em comparação com a versão anterior é o algoritmo de treinamento conjunto proposto, que fornece uma localização mais precisa, mantendo a velocidade de processamento do YOLO.YOLOv35 apresenta a introdução de FPN para previsão multiescala e também usa uma rede subjacente melhor Darknet-53 e função de perda de entropia cruzada binária e pode alcançar um equilíbrio entre velocidade e precisão alterando a estrutura de rede do modelo.YOLOv46 é um marco importante na série YOLO, com a introdução de CSPDarknet-53 para extrair recursos, a adição de redes SPP para melhorar a extração de imagens e o uso da função de ativação Mish, essas melhorias também tornam o YOLOv4 um detector de objetos extremamente eficiente e poderoso. Liu7 et al. propôs o algoritmo SSD em 2015, que introduz técnicas de detecção de referência múltipla e resolução múltipla, e a rede de diferentes camadas detecta objetos com escalas diferentes, e o efeito de detecção de alvos pequenos é bastante aprimorado. O YOLOv58 utiliza computação de quadro de âncora adaptável e um mecanismo de detecção de fusão multisemântica, que permite a fusão rápida e eficaz de informações semânticas ricas de alto nível com informações de localização de baixo nível para obter detecção rápida de objetos.YOLOv69 incorpora ideias de design de rede recente, estratégias de treinamento, técnicas de teste, quantificação e métodos de otimização para construir um conjunto de redes implantáveis ​​de diferentes tamanhos para acomodar diversos casos de uso.YOLOv710 projeta vários métodos Bag-of-Freebies treináveis ​​que permitem a detecção de alvos em tempo real para melhorar muito a precisão da detecção sem aumentando o custo de inferência, reduzindo efetivamente cerca de 40% dos parâmetros e 50% do esforço computacional dos detectores de alvo em tempo real existentes.