项目背景
针对煤矸石分选的问题,提出一种基于深度学习的目标检测算法替代人工选矸,为后续开发自动选矸机器人提供视觉依据。因为矸石样本数量有限,所以各个地区矸石特征不一,没有统一标准大数量样本集,为了不影响深度卷积网络训练精度,需要提出一种基于卷积生成对抗网络(DCGAN)的煤矸石图像数据扩充方法,才能建立有效的监督样本集进行训练。通过模型训练实验发现,基础YOLOv8的深度学习网络存在针对小块煤矸石漏检与误检的缺陷,需要通过算法克服小块煤矸石漏检的缺陷。经过实验测试得出,改进后的YOLOv8能够对小块煤矸石检测,同时也能够提高目标检测模型的整体检测精度,准确率可达98%以上,完全可以替代人工检测。
在本博文中,我们提出了一种基于深度学习的煤矸石检测与识别系统,该系统采用YOLOv8算法对煤矸石进行检测和识别,实现对图片中的煤矸石进行准确识别。
1.项目需求
对煤矸石进行检测与识别,系统将识别出图片中的克服小块煤矸石漏检的缺陷。
2.项目实现
通过调研,本项目最终使用yolov8模型作为目标检测的模型, YOLOv8 旨在快速、
准确且易使用,使其成为广泛的物体检测、图像分割和图像分类任务的极佳选择。
一、数据预处理
1.数据集:格式为jpg的3091张煤矸石图片
2.YOLOv8环境配置
- 语言环境:python3.8
- 编辑器:pycharm
- 深度学习环境:tensorflow2
yolo检测网络包括24个卷积层和2个全连接层,其中,卷积层用来提取图像特征,全连接层用来预测图像位置和类别概率值。
(1)