GES-YOLO: Un método ligero y eficiente para la detección de desviaciones en cintas transportadoras en entornos mineros
Autores: Wang, Hongwei; Kou, Ziming; Wang, Yandong
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
GES-YOLO: Un método ligero y eficiente para la detección de desviaciones en cintas transportadoras en entornos mineros
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Desviación de la cinta transportadora
Algoritmo de detección
Extracción de características
Módulo GSConv
Mecanismo EMA
Función de pérdida SIoU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
La desviación de la cinta transportadora es una de las fallas más comunes en los transportadores de cinta. Para abordar problemas como la alta complejidad computacional, el gran número de parámetros, el largo tiempo de inferencia y la dificultad en la extracción de características de los modelos existentes de detección de desviaciones en cintas transportadoras, proponemos un algoritmo GES-YOLO para detectar desviaciones en transportadores de cinta de minería, basado en un modelo mejorado de YOLOv8s. El núcleo de este algoritmo es mejorar la capacidad del modelo para extraer características en escenarios complejos, mejorando así la eficiencia de detección. Específicamente, para mejorar las capacidades de detección en tiempo real, introducimos el módulo de Convolución Separada por Grupos (GSConv). Además, al analizar las características de la escena, eliminamos la capa de detección de objetos grandes, lo que mejora la velocidad de detección mientras se mantiene la capacidad de extracción de características. Además, para fortalecer la percepción de características en condiciones de poca luz, introducimos el Mecanismo de Atención Multi-escala Eficiente (EMA), permitiendo que el modelo obtenga características más robustas. Finalmente, para mejorar la capacidad de detección de objetos pequeños como los rodillos de la cinta, introducimos la función de pérdida de Intersección sobre Unión Escalada (SIoU), lo que permite que el algoritmo detecte de manera sensible los rodillos y proporcione una localización precisa para la detección de desviaciones. Los resultados experimentales muestran que GES-YOLO mejora significativamente el rendimiento de detección en entornos complejos como condiciones de alto ruido y baja iluminación en minas de carbón. En comparación con el modelo base YOLOv8s, el mAP@0.5 y el mAP@0.5:0.95 de GES-YOLO aumentan en un 1.5% y un 2.3%, respectivamente, mientras que el conteo de parámetros del modelo y la complejidad computacional disminuyen en un 38.2% y un 10.5%, respectivamente. La tasa de cuadros por segundo (FPS) de la velocidad de detección promedio alcanza 63.62. Esto demuestra que GES-YOLO logra un buen equilibrio entre la precisión de detección y la velocidad de inferencia, con excelente precisión, robustez y potencial de aplicación industrial.
Descripción
La desviación de la cinta transportadora es una de las fallas más comunes en los transportadores de cinta. Para abordar problemas como la alta complejidad computacional, el gran número de parámetros, el largo tiempo de inferencia y la dificultad en la extracción de características de los modelos existentes de detección de desviaciones en cintas transportadoras, proponemos un algoritmo GES-YOLO para detectar desviaciones en transportadores de cinta de minería, basado en un modelo mejorado de YOLOv8s. El núcleo de este algoritmo es mejorar la capacidad del modelo para extraer características en escenarios complejos, mejorando así la eficiencia de detección. Específicamente, para mejorar las capacidades de detección en tiempo real, introducimos el módulo de Convolución Separada por Grupos (GSConv). Además, al analizar las características de la escena, eliminamos la capa de detección de objetos grandes, lo que mejora la velocidad de detección mientras se mantiene la capacidad de extracción de características. Además, para fortalecer la percepción de características en condiciones de poca luz, introducimos el Mecanismo de Atención Multi-escala Eficiente (EMA), permitiendo que el modelo obtenga características más robustas. Finalmente, para mejorar la capacidad de detección de objetos pequeños como los rodillos de la cinta, introducimos la función de pérdida de Intersección sobre Unión Escalada (SIoU), lo que permite que el algoritmo detecte de manera sensible los rodillos y proporcione una localización precisa para la detección de desviaciones. Los resultados experimentales muestran que GES-YOLO mejora significativamente el rendimiento de detección en entornos complejos como condiciones de alto ruido y baja iluminación en minas de carbón. En comparación con el modelo base YOLOv8s, el mAP@0.5 y el mAP@0.5:0.95 de GES-YOLO aumentan en un 1.5% y un 2.3%, respectivamente, mientras que el conteo de parámetros del modelo y la complejidad computacional disminuyen en un 38.2% y un 10.5%, respectivamente. La tasa de cuadros por segundo (FPS) de la velocidad de detección promedio alcanza 63.62. Esto demuestra que GES-YOLO logra un buen equilibrio entre la precisión de detección y la velocidad de inferencia, con excelente precisión, robustez y potencial de aplicación industrial.