关键词:
深度学习
目标检测
注意力机制
钻机退钻
钻杆识别
摘要:
目的为了实现对钻杆的精确计数,提出一种改进YOLOv8n的矿井下钻机退钻检测算法YOLOv8_SDI。方法首先,针对成像环境复杂、图像特征信息较少问题,引入通道注意力模块SEAttention,该模块利用自学习方式基于特征通道的重要程度赋予权重值,提高算法关注重要信息的能力,提升丰富信息通道的特征、抑制无用信息通道特征,克服YOLOv8n边缘特征信息提取较差的问题;其次,使用C2f_DBB替换网络中C2f模块,该模块通过转化多尺度分支,增加网络的空间变形适应性、丰富特征空间的多样性,进一步提高模型的特征表达力,增加模型的泛化性能;最后,为解决低质量图像的梯度损失大和收敛慢问题,引入Inner_IoU损失函数,通过动态调整辅助锚框,根据评估回归状态进行梯度调整,克服原损失函数CIoU在梯度传递方面的缺陷,提高锚框预测精度,加快网络收敛。结果分别采用2种算法在同一退钻数据集上验证,YOLOv8n模型平均检测精度为97.1%,精确度为95.2%,召回率为94.5%;YOLOv8n_SDI模型平均检测精度为98%,精确度为96.4%,召回率为96.1%。结论相比于YOLOv8n算法,改进后的YOLOv8n_SDI算法退钻检测效果更好,在工程应用方面具有一定价值。