Accurate foreign object detection for the coal preparation industry based on computer vision and deep learning algorithms
Notice bibliographique
Résumé
Accurate detection of foreign objects during industrial coal preparation is crucial to ensuring the safety of equipment and personnel, as well as maintaining the green utilization of the coal product. The complexity of industrial coal preparation environments presents challenges for vision-based foreign object detection. This work introduces the SHA-DH-YOLOX algorithm, designed to enhance detection accuracy. The proposed algorithm boosts three notable improvements. First, the Shuffle Attention mechanism (SHA) is integrated into the YOLOX backbone to strengthen the feature extraction of essential information from input images. Second, the Dynamic head (Dyhead) is introduced into the feature fusion to enhance the detector’s representation capability, improving scale-, spatial-, and task-awareness. Third, the original Intersection over Union (IoU) loss function is replaced with SCYLLA-IoU (SIoU) to achieve more accurate bounding boxes and enhanced training stability. These improvements work collaboratively with YOLOX-M, resulting in it outperforming state-of-the-art baseline models, including YOLOv5, YOLOv6, YOLOv7, YOLOv8, and original YOLOX. The developed SHA-DH-YOLOX algorithm improves AP50 by 1.87 to 7.97% compared to baseline models of equivalent size. Robustness tests further affirm the stability of the SHA-DH-YOLOX model when facing diverse and challenging scenarios. This pioneering work provides valuable tools for achieving safe and reliable coal preparation practices.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».