基于HGTC−YOLOv8n 模型的煤矸识别算法研究

打开文本图片集

摘要：现有基于深度学习的煤矸识别方法在煤矿井下低照度、高噪声及运动模糊等复杂工况下存在煤矸识别精度低、小目标煤矸容易漏检、模型参数量和运算量大，难以部署到计算资源有限的设备中等问题，提出了一种基于HGTC−YOLOv8n 模型的煤矸识别算法。采用HGNetv2 网络替换YOLOv8n 的主干网络，通过多尺度特征的有效提取，提高煤矸识别效果并减少模型的存储需求和计算资源消耗；在主干网络中嵌入三重注意力机制模块Triplet Attention，捕获不同维度间的交互信息，增强煤矸图像目标特征的提取，减少无关信息的干扰；选用内容感知特征重组模块（CARAFE）来改进YOLOv8n 颈部特征融合网络上采样算子，利用上下文信息提高感受视野，提高小目标煤矸识别准确率。（剩余12012字）