Metoda wykrywania ułożonych drobnych rud oparta na sieci SPDM-YOLO

Aby rozwiązać problem niskiej dokładności wykrywania ułożonych drobnych cząstek rudy za pomocą istniejących algorytmów wykrywania celu, co następnie wpływa na proces kruszenia i przesiewania rudy kruszarki, zaproponowano nową metodę wykrywania rudy opartą na głębokiej sieci uczenia SPDM-YOLO. Badanie koncentruje się na wykrywaniu ułożonych drobnych cząstek rudy wolframu o rozmiarze od 6 mm do 50 mm. Początkowy krok obejmuje włączenie SPD-Conv do YOLOv9, dzięki czemu zastępuje on konwencjonalną warstwę splotową CNN o długości kroku i warstwę pulowania. Ma to na celu zmniejszenie utraty szczegółowych informacji o docelowej rudzie. Ponadto lekki hybrydowy moduł uwagi lokalnego kanału (MLCA) jest zintegrowany z kręgosłupem, aby poprawić koncentrację na cechach docelowych i zwiększyć zdolność modelu do przetwarzania skomplikowanych szczegółów. Na koniec zaproponowano funkcję strat Inner- -FocalerIoU, łącząc zalety Inner-IoU i Focaler-IoU. Zastąpienie oryginalnej funkcji strat CIoU nią jako funkcją strat krawędzi algorytmu nie tylko poprawia dokładność obliczeń nakładania się pola ograniczającego, lecz także skutecznie przyspiesza proces regresji krawędzi. Do rozszerzenia zestawu danych do celów eksperymentalnych zastosowano metodę wzbogacania danych Mosaic. Wyniki wskazują, że ulepszony model sieci YOLOv9 zwiększa dokładność (P) o 3,09%, precyzję wykrywania (PR) o 2,41% i średnią precyzję (mAP) o 2,18% w porównaniu z oryginalnym modelem. Potwierdza to twierdzenie, że rozszerzony algorytm jest skuteczniejszy w rozpoznawaniu.