基于改进YOLO v4的煤矸石识别检测技术研究

为提高煤矸石分拣的精度和可靠性，提出了一种基于改进YOLO v4的煤矸石识别网络，引入了Focal损失函数，使用K-means++聚类算法优化初始锚定框，将PANet中的五次卷积操作替换为CSP结构，同时引入空洞卷积的金字塔结构，降低模型参数，实现模型的轻量化，增加了一条跨连接边构成BiFPN结构，提高对中等目标的检测能力，得到My-YOLO v4目标检测模型。本研究对所提出的My-YOLO v4识别检测方法与SSD、YOLO v3、YOLO v4三种检测方法进行实验对比分析。实验结果表明，该检测算法在测试集上检测煤与煤矸石混合的mAP值为98.14%,FPS为28.3 f/s,相较于SSD、YOLO v3检测算法识别精度分别提高了5.41%、2.87%,相较于YOLO v4目标检测模型识别速度提高了7.7 f/s,通过对比分析实验数据验证了My-YOLO v4目标检测模型整体性能的有效提高。