改进YOLOv5的钢丝绳损伤图像识别实验方法研究

摘要：

钢丝绳在煤矿设备中发挥着非常重要的作用.为了能够及早发现钢丝绳损伤,提前进行预警和故障处理,保护矿下人员安全,提出了一种基于深度学习的钢丝绳损伤识别检测方法,采用目标检测算法YOLOv5并对其进行改进.采用快速自适应加权中值滤波进行图像预处理,提高钢丝绳损伤图像识别精度,改进后运行速度提升到187 ms/张,且增强效果良好;将CBAM模块和Transformer prediction heads(TPH)集成到YOLOv5,数据集扩充后输入到改进的模型中进行训练测试.实验结果表明,改进后的模型检测性能良好,最终平均准确率达到了0.893,比原算法高了0.037,比传统检测算法SSD、Faster R-CNN以及原始YOLOv3分别高0.196、0.162、0.102,表明该算法精度较高,有效提高了钢丝绳损伤图像的识别准确率.

关键词：钢丝绳损伤、目标检测、图像识别、YOLOv5

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;中国矿业大学北京校级重点教改资助项目

在线出版日期：2023-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：99-106