基于融合注意力机制的矿石分选网络
计算机视觉与模式识别
2024-05-07 v1
摘要
深度学习对矿物资源的识别与分类产生了重大影响，尤其是在高效准确地识别不同矿物方面发挥着关键作用，这对于提高采矿效率和精度至关重要。然而，传统的矿石分选方法往往效率低下且精度不足，尤其是在复杂的矿物环境中。为应对这些挑战，本研究提出了一种名为OreYOLO的方法，该方法基于金矿和硫化矿数据，融合了注意力机制和多尺度特征融合策略。通过将渐进式特征金字塔结构引入YOLOv5，并在特征提取模块中嵌入注意力机制，极大地提高了模型的检测性能和精度。为适应多样化的矿石分选场景和边缘设备的部署需求，网络结构被设计为轻量化，在保持高精度（分别为99.3%和99.2%）的同时实现了低参数量（3.458M）和低计算复杂度（6.3GFLOPs）。在实验部分，构建了一个包含6000张金矿和硫化铁矿图像的目标检测数据集，用于金矿和硫化铁矿的分类训练，并设置了多组对比实验，包括YOLO系列、EfficientDet、Faster-RCNN和CenterNet等。实验证明，OreYOLO优于这些架构中常用的高性能目标检测方法。
引用
@article{arxiv.2405.02785,
title = {Fused attention mechanism-based ore sorting network},
author = {Junjiang Zhen and Bojun Xie},
journal= {arXiv preprint arXiv:2405.02785},
year = {2024}
}