YOLOv4 기반의 마이닝 벨트 이물 검출 방법

Scientific Reports 13권, 기사 번호: 8881(2023) 이 기사 인용

117 액세스

1 알트메트릭

측정항목 세부정보

광산 벨트 운송 과정에서 다양한 이물질이 나타날 수 있으며 이는 크러셔와 벨트에 큰 영향을 미쳐 생산 진행에 영향을 미치고 심각한 안전 사고를 일으킬 수 있습니다. 따라서 광산 벨트 컨베이어 시스템에 침입하는 초기 단계에서 이물질을 감지하는 것이 중요합니다. 이 문제를 해결하기 위해 본 논문에서는 YOLOv4_GECA 방법을 제안합니다. 첫째, 광물 벨트에 YOLOv4_GECA 이물질 탐지 모델을 구축하여 이물질 특징 추출 기능을 향상시키기 위해 GECA 주의 모듈이 추가되었습니다. 둘째, 이 모델을 기반으로 재시작 코사인 어닐링의 학습률 감소를 사용하여 모델의 이물질 이미지 검출 성능을 향상시킵니다. 마지막으로 심양의 Pai Shan Lou 금광 현장에서 벨트 이송 이미지 정보를 수집하고 벨트 이물 감지 데이터 세트를 구축했습니다. 실험 결과, 본 논문에서 제안한 YOLOv4_GECA 방법의 평균 탐지 정확도는 90.1%, 재현율은 90.7%, 평균 탐지 시간은 30ms로 탐지 정확도 및 실시간 성능 요구 사항을 충족하는 것으로 나타났다. 광산 벨트 운송 현장.

이물질 검출은 광석 처리 및 제품 품질 관리 산업에서 중요한 역할을 합니다. 광석 컨베이어 벨트에는 철근, 철 케이블, 철, 목재, 플라스틱 파이프 등 광석을 운송할 때 온갖 이물질이 적재될 수 있으며 이는 파쇄기, 볼밀, 벨트에 큰 영향을 미칠 수 있습니다. 전통적인 이물 검출 방법에는 수동 검출 방법, 광선 검출 방법, 스펙트럼 검출 방법이 있습니다. 수동 감지 방식은 작업자의 정신 상태에 크게 영향을 받아 비효율적이다. 광선 방식은 보다 안정적이지만 비용이 많이 들고 인체에 해롭습니다1. 스펙트럼 검출 방식은 오검출률이 상대적으로 낮으나, 간섭에 취약하고, 장비 유지 관리가 어렵고, 철 검출을 위한 철광석 내의 이물질 검출이 어렵다는 단점이 있다. 위의 이물 검출 기술은 인적 요소와 외부 간섭의 영향으로 인해 속도가 느리고 비용이 많이 들고 유지 관리가 어렵고 누출율이 높기 때문에 광산 기업에서 보편적으로 홍보하기가 어렵습니다.

딥러닝의 발전과 함께 합성곱 신경망(Convolutional Neural Network)을 기반으로 한 객체 감지 방법이 널리 사용되고 있으며, 딥러닝을 기반으로 한 이물질 감지 방법이 연구 핫스팟이 되었습니다. 기존 객체 감지 방법은 주로 앵커 기반(Anchor-Based)과 앵커 프리(Anchor-Freed) 방식이 있습니다. 그 중 앵커 기반에는 주로 two-stage Faster R-CNN과 one-stage YOLO 시리즈, SSD 등이 있습니다. 2015년 Ren2 et al. 후보 상자 영역을 추출하기 위해 선택적 검색 알고리즘의 속도를 향상시키고 최초의 엔드투엔드 근 실시간 딥러닝 타겟 탐지기가 된 Faster R-CNN을 제안했습니다. YOLO(You Only Look Once)3는 Redmon 등이 제안했습니다. 2015년 딥러닝 분야 최초의 단일 스테이지 검출기로 선정되었습니다. 이전 버전과 비교하여 YOLOv24의 주요 개선점은 YOLO의 처리 속도를 유지하면서 보다 정확한 위치 파악을 제공하는 제안된 공동 훈련 알고리즘입니다. YOLOv35는 다중 규모 예측을 위한 FPN 도입을 특징으로 하며 더 나은 기본 네트워크를 사용합니다. Darknet-53 및 이진 교차 엔트로피 손실 기능을 제공하며 모델의 네트워크 구조를 변경하여 속도와 정확성 사이의 균형을 이룰 수 있습니다. YOLOv46은 특징 추출을 위한 CSPDarknet-53의 도입으로 YOLO 시리즈의 주요 이정표입니다. 이미지 추출을 개선하기 위한 SPP 네트워크 추가와 Mish 활성화 기능 사용으로 인해 YOLOv4는 매우 효율적이고 강력한 객체 감지기가 되었습니다. Liu7et al. 2015년에 다중 참조 및 다중 해상도 감지 기술을 도입한 SSD 알고리즘을 제안했으며, 서로 다른 레이어의 네트워크가 서로 다른 규모의 물체를 감지하고 작은 대상에 대한 감지 효과가 크게 향상되었습니다. YOLOv58은 적응형 앵커 프레임 계산과 다중 의미 융합 감지 메커니즘을 활용하여 풍부한 상위 수준 의미 정보와 하위 수준 위치 정보를 빠르고 효과적으로 융합하여 객체를 빠르게 감지할 수 있습니다. YOLOv69는 최근 네트워크 설계의 아이디어를 통합합니다. 다양한 사용 사례를 수용하기 위해 다양한 크기의 배포 가능한 네트워크 세트를 구축하기 위한 훈련 전략, 테스트 기술, 정량화 및 최적화 방법. YOLOv710은 실시간 표적 탐지를 가능하게 하는 몇 가지 훈련 가능한 Bag-of-Freebies 방법을 설계하여 탐지 정확도를 크게 향상시킵니다. 기존 실시간 표적 탐지기의 매개변수 약 40%와 계산 노력의 50%를 효과적으로 줄이는 동시에 추론 비용을 증가시킵니다.