【技術實現步驟摘要】
本專利技術涉及目標檢測的，尤其涉及一種改進yolov8的煤矸石檢測方法。
技術介紹
1、隨著工業技術的快速發展，我國對于能源的生產和消費能力也逐漸增加。煤炭作為我國的主要能源之一，其開采和利用效率對于國家經濟發展具有重要意義。在煤炭開采過程中往往夾雜著大量煤矸石，作為一種常見的副產物，煤矸石不僅會影響煤炭經濟效益，而且由其產生的硫化物對周圍環境會造成嚴重污染。因此，煤矸石的分揀對煤炭開采過程中的經濟效益提升和環境保護具有重要意義，而準確的檢測出煤矸石是進行煤矸石分揀的基礎，也是關鍵環節。
2、目前，煤矸石檢測方法有人工分揀法、射線法、濕選法以及基于圖像的智能檢測法等。人工分揀法效率低下，而且耗費大量人力，射線法要采用特殊防護措施來避免輻射，導致設備成本增加，濕選法會造成資源大量浪費，傳統煤矸石檢測方法實用性較低故不宜推廣。因此，使用智能化煤矸石檢測法便成為該領域的熱點研究方向。
3、公開號為cn118334306a的專利技術專利一種基于目標檢測的煤矸石分選方法，該方法包括：獲取待識別圖像，所述待識別圖像中包括目標識別對象，所述目標識別對象包括煤矸石；提取所述待識別圖像中所述目標識別對象的特征融合圖；從所述特征融合圖中確定多個候選框；基于候選框的重疊面積和中心點距離從所述多個候選框中確定目標候選框；其中，所述目標候選框用于指示所述目標識別對象在所述待檢測圖像中的位置。此方法可以提高目標識別對象的識別效果，降低誤判率，但是原有模型復雜度高，對煤矸石表面特征提取能力下降。
技術實現思
1、針對現有模型對環境昏暗且復雜多變，煤矸石大量堆積，會導致模型對煤矸石特征提取難度較大，并且模型自身復雜程度過高的技術問題，本專利技術提出一種改進yolov8的煤矸石檢測方法，提出osm-yolov8n(orepa?segnext?mpdiou-yolov8n)模型了，降低模型復雜程度，減少訓練成本，增強模型對圖像的理解，提高檢測性能。
2、為了達到上述目的，本專利技術的技術方案是這樣實現的：
3、一種改進yolov8的煤矸石檢測方法，包括以下步驟：
4、s1：獲取煤矸石圖像，并對煤矸石圖像進行預處理，將預處理后的煤矸石圖像劃分為訓練集和測試集；
5、s2：構建osm-yolov8n模型；所述osm-yolov8n模型包括骨干網絡、頸部網絡和頭部網絡，所述骨干網絡和頸部網絡中均通過塊線性化與塊擠壓的方法構建c2f_orepa模塊，在骨干網絡尾部構建segnext_attention模塊，在頭部網絡設計mpdiou損失函數；
6、s3：利用訓練集對構建好的osm-yolov8n模型進行訓練，利用測試集對osm-yolov8n模型進行性能評估并調整參數選擇模型，最終得到訓練好的osm-yolov8n模型；
7、s4：獲取需要處理的煤矸石圖像，并輸入到訓練好的osm-yolov8n模型，得到分類檢測結果。
8、步驟s1所述的預處理的方法為：通過對獲取的煤矸石圖像進行添加高斯噪聲、模糊、旋轉以及亮度調節的方法進行圖像預處理。
9、步驟s2所述骨干網絡包括依次連接的第一conv模塊、第二conv模塊、第一c2f_orepa模塊、第三conv模塊、第二c2f_orepa模塊、第四conv模塊、第三c2f_orepa模塊、第五conv模塊、第四c2f_orepa模塊、sppf模塊和segnext_attention模塊；
10、所述頸部網絡包括依次連接的第一upsample模塊、第一concat模塊、第二upsample模塊、第五c2f_orepa模塊、第二concat模塊和第六c2f_orepa模塊；第一upsample模塊與segnext_attention模塊相連接，第一concat模塊與第三c2f_orepa模塊相連接，第二concat模塊與第二c2f_orepa模塊相連接；還包括依次連接的第六conv模塊、第三concat模塊、第七c2f_orepa模塊、第七conv模塊、第四concat模塊和第八c2f_orepa模塊；第六conv模塊與第六c2f_orepa模塊相連接，第四concat模塊與segnext_attention模塊相連接；
11、所述頭部網絡包括第一detect模塊、第二detect模塊和第三detect模塊；第一detect模塊與第六c2f_orepa模塊相連接，第二detect模塊與第七c2f_orepa模塊相連接，第三detect模塊與第八c2f_orepa模塊相連接。
12、所述sppf模塊包括依次連接的conv模塊a、第一maxpool2d模塊、第二maxpool2d模塊、第三maxpool2d模塊、concat模塊a和conv模塊b，第一maxpool2d模塊、第二maxpool2d模塊和第三maxpool2d模塊的輸入均與concat模塊a相連接；
13、所述conv模塊包括依次連接的conv2d層、batchnorm2d層和silu層。
14、步驟s2所述塊線性化方法為：將原模塊中的所有分支中的非線性層移除，然后引入線性縮放層替代原非線性層，得到塊線性化替代后的分支，最后在所有塊線性化替代后的分支進行特征融合后，添加bn層。
15、步驟s2所述的塊擠壓的方法為：在每個塊線性化替代后的分支中簡化順序結構，考慮多個卷積層，公式如下：y＝wn(...(wj...(w2(w1*x))))＝we*x其中，表示輸入張量，表示輸出張量，表示第j層的權重，ci表示輸入通道，c0表示輸出通道，we表示端到端映射矩陣；
16、在多個塊線性化替代后的分支間簡化并行結構，方法為：
17、
18、其中，wm表示第m個分支，表示統一權重。
19、所述原模塊為c2f模塊中的bottleneck模塊。
20、所述segnext_attention模塊的計算過程為：輸入特征圖首先經過深度卷積聚合局部信息，然后通過多分支深度條帶卷積捕獲不同尺度的整體特征圖，多分支深度條帶卷積輸出特征圖與深度卷積聚合的局部信息進行跳躍連接，最后經過1*1卷積對不同通道之間進行建模，得到注意力圖，注意力圖用作注意力權重重新加權segnext_attention模塊的輸入特征，公式為：
21、
22、其中，f表示輸入特征，att表示注意力圖，out表示輸出，dw-conv表示深度卷積，表示逐個元素矩陣乘法運算，scalei表示多分支深度條帶卷積的第i個分支，scale0表示跳躍連接，每個分支都有兩個深度條帶卷積。
23、步驟s3所述訓練過程為：將訓練集輸入到構建的osm-yolov8n模型中，利用骨干網絡對輸入的煤矸石圖像進行特征提取，利用頸部網絡用來增強和融合由骨干網絡提取出的特征，利用頭部網絡根據頸部網絡增強和融合的特征輸出預測框；利用所述mpdiou損失函數根據預測框和數據集中的真實框本文檔來自技高網...
【技術保護點】
1.一種改進YOLOv8的煤矸石檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S1所述的預處理的方法為：通過對獲取的煤矸石圖像進行添加高斯噪聲、模糊、旋轉以及亮度調節的方法進行圖像預處理。
3.根據權利要求2所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S2所述骨干網絡包括依次連接的第一Conv模塊、第二Conv模塊、第一C2f_OREPA模塊、第三Conv模塊、第二C2f_OREPA模塊、第四Conv模塊、第三C2f_OREPA模塊、第五Conv模塊、第四C2f_OREPA模塊、SPPF模塊和SegNext_Attention模塊；
4.根據權利要求3所述的改進YOLOv8的煤矸石檢測方法，其特征在于，所述SPPF模塊包括依次連接的Conv模塊a、第一MaxPool2d模塊、第二MaxPool2d模塊、第三MaxPool2d模塊、concat模塊a和Conv模塊b，第一MaxPool2d模塊、第二MaxPool2d模塊和第三MaxPool2d模塊的輸入均與concat
5.根據權利要求1到4任一項所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S2所述塊線性化方法為：將原模塊中的所有分支中的非線性層移除，然后引入線性縮放層替代原非線性層，得到塊線性化替代后的分支，最后在所有塊線性化替代后的分支進行特征融合后，添加BN層。
6.根據權利要求5所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S2所述的塊擠壓的方法為：在每個塊線性化替代后的分支中簡化順序結構，考慮多個卷積層，公式如下：Y＝WN(...(Wj...(W2(W1*X))))＝We*X其中，表示輸入張量，
7.根據權利要求5所述的改進YOLOv8的煤矸石檢測方法，其特征在于，所述原模塊為C2f模塊中的Bottleneck模塊。
8.根據權利要求3所述的改進YOLOv8的煤矸石檢測方法，其特征在于，所述SegNext_Attention模塊的計算過程為：輸入特征圖首先經過深度卷積聚合局部信息，然后通過多分支深度條帶卷積捕獲不同尺度的整體特征圖，多分支深度條帶卷積輸出特征圖與深度卷積聚合的局部信息進行跳躍連接，最后經過1*1卷積對不同通道之間進行建模，得到注意力圖，注意力圖用作注意力權重重新加權SegNext_Attention模塊的輸入特征，公式為：
9.根據權利要求8所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S3所述訓練過程為：將訓練集輸入到構建的OSM-YOLOv8n模型中，利用骨干網絡對輸入的煤矸石圖像進行特征提取，利用頸部網絡用來增強和融合由骨干網絡提取出的特征，利用頭部網絡根據頸部網絡增強和融合的特征輸出預測框；利用所述MPDIoU損失函數根據預測框和數據集中的真實框進行損失計算，采用隨機梯度下降算法更新模型參數，利用測試集對每一輪訓練后的OSM-YOLOv8n模型進行性能評估并調整參數選擇模型，直到達到預定的訓練輪次或者模型收斂，得到最終訓練好的OSM-YOLOv8n模型；
10.根據權利要求9所述的改進YOLOv8的煤矸石檢測方法，其特征在于，步驟S2所述MPDIoU損失函數為：
...【技術特征摘要】
1.一種改進yolov8的煤矸石檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的改進yolov8的煤矸石檢測方法，其特征在于，步驟s1所述的預處理的方法為：通過對獲取的煤矸石圖像進行添加高斯噪聲、模糊、旋轉以及亮度調節的方法進行圖像預處理。
3.根據權利要求2所述的改進yolov8的煤矸石檢測方法，其特征在于，步驟s2所述骨干網絡包括依次連接的第一conv模塊、第二conv模塊、第一c2f_orepa模塊、第三conv模塊、第二c2f_orepa模塊、第四conv模塊、第三c2f_orepa模塊、第五conv模塊、第四c2f_orepa模塊、sppf模塊和segnext_attention模塊；
4.根據權利要求3所述的改進yolov8的煤矸石檢測方法，其特征在于，所述sppf模塊包括依次連接的conv模塊a、第一maxpool2d模塊、第二maxpool2d模塊、第三maxpool2d模塊、concat模塊a和conv模塊b，第一maxpool2d模塊、第二maxpool2d模塊和第三maxpool2d模塊的輸入均與concat模塊a相連接；
5.根據權利要求1到4任一項所述的改進yolov8的煤矸石檢測方法，其特征在于，步驟s2所述塊線性化方法為：將原模塊中的所有分支中的非線性層移除，然后引入線性縮放層替代原非線性層，得到塊線性化替代后的分支，最后在所有塊線性化替代后的分支進行特征融合后，添加bn層。
6.根據權利要求5所述的改進yolov8的煤矸石檢測方法，其特征在于，步驟s2所述的塊擠壓的方法為：在每個塊線性...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。