Core Concepts
本研究提出了一种名为OreYOLO的矿石分选网络,通过引入注意力机制和渐进式特征金字塔结构,大幅提高了对金矿和硫化铁矿的检测性能和准确性,同时保持了较低的参数量和计算复杂度,实现了高效的矿石分选。
Abstract
本研究针对传统矿石分选方法效率低、准确性不足的问题,提出了一种基于深度学习的矿石分选网络OreYOLO。
首先,OreYOLO采用了注意力机制(EMA)来增强特征提取能力,通过并行子结构和特征分组的方式,学习不同语义层次的特征,提高了模型的泛化能力和识别准确性。
其次,OreYOLO采用了渐进式特征金字塔网络(AFPN)结构,实现了不同层级特征的直接融合,避免了信息损失或降级,增强了模型对不同尺度目标的感知能力。
此外,OreYOLO的网络结构经过轻量化优化,参数量为3.458M,计算复杂度为6.3GFLOPs,在保持高准确率(99.3%和99.2%)的同时,还能达到较高的推理速度(79.07FPS),满足实际应用的实时性要求。
在实验部分,OreYOLO在金矿和硫化铁矿数据集上取得了86.6%的mAP50-95,优于其他主流目标检测网络。同时,OreYOLO在参数量、计算复杂度和推理速度等方面也表现出色,充分体现了其在矿石分选任务中的优势。
Stats
金矿的检测精度为99.3%,召回率为99.3%,mAP50为99.4%,mAP75为99.4%,mAP50-95为85.7%。
硫化铁矿的检测精度为99.2%,召回率为99.2%,mAP50为99.4%,mAP75为99.1%,mAP50-95为87.5%。
Quotes
"本研究提出了一种名为OreYOLO的矿石分选网络,通过引入注意力机制和渐进式特征金字塔结构,大幅提高了对金矿和硫化铁矿的检测性能和准确性。"
"OreYOLO的网络结构经过轻量化优化,参数量为3.458M,计算复杂度为6.3GFLOPs,在保持高准确率的同时,还能达到较高的推理速度(79.07FPS),满足实际应用的实时性要求。"