改进PPYOLOE的带式输送机托辊目标检测

在选矿生产系统中,托辊作为带式输送机的核心承重部件,其故障检测任务受限于图像抖动模糊、局部遮挡、背景干扰及样本稀缺等现场干扰因素,导致现有方法在检测精度与任务适配性方面表现不佳。为此,提出一种基于“图像目标检测-状态判识”解耦的级联检测范式,优先实现托辊目标的稳健定位,为后续状态识别奠定基础。具体而言,针对PPYOLOE计算效率偏低的问题,引入轻量级瓶颈模块,在降低参数量与计算开销的同时保留深层语义表达;针对遮挡场景下特征不完整的问题,设计多层级梯度路径优化策略,结合跨阶段特征聚合机制强化浅层纹理与深层语义的融合;此外,为缓解图像模糊与标注不足问题,构建密集伪标签协同蒸馏框架,引入教师模型生成多尺度伪标签,并通过模糊不变性约束提升模糊图像下的表征鲁棒性。在某选矿厂托辊数据集上开展实验,结果表明:1%标注比例下,伪标签蒸馏框架精确率从0.5%提升至76.9%;35%标注比例下,精确率从85.2%提升至85.8%。改进后模型检测的精确率从69.4%提升至85.8%,召回率从74.9%提升至88.5%,每秒帧数从13.27提升至33.43。相比于传统目标检测模型,改进方法在低标注数据场景下,检测精度、泛化能力和实时性显著增强,为矿用带式输送机托辊实时检测提供了更优的解决方案。

资料为PDF文档格式.

本文档关键词:改进,目标,PPYOLOE,带式输送机