【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的...【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的轻量化模型,以提升矿区目标地物监测的准确性和效率。【方法】现有遥感数据集存在的样本单一、地域局限等问题,因此本文基于0.9 m天地图与1.8 m谷歌影像构建了不同气候背景、大范围和多种地物的六大露天煤矿基地OMTSFD(Open-pit Mine Typical Surface Features Dataset)数据集,提出改进的YOLO11-DAE算法进行模型训练与验证。首先,在骨干网络和特征金字塔中引入C3K2-DBB模块以增强多尺度特征捕获能力;其次,采用ADown模块替换网络下采样卷积,增强了模块对不同特征的表征能力,减少了低对比度场景的细节丢失;最后,采用E_Detect高效检测头降低模型复杂度和参数量,实现模型轻量化。【结果】实验表明,YOLO11-DAE的每秒帧数(Frames Per Second,FPS)为528.100,模型推理速度较快,精确率(Precision,P)、召回率(Recall,R)、综合评价指标(F1-Score,F1)、平均精度均值(Mean Average Precision,mAP)分别达到0.932、0.894、0.913和0.950,显著优于YOLOv5n、YOLOv8n和YOLOv10n算法,相较于YOLOv11n各项指标分别提高7.600%、10.000%、8.800%、8.000%。【结论】YOLO11-DAE算法能够满足矿区实时监测,并适用于多尺度、多背景等复杂场景的目标识别,实现了高精度、低漏检率的监测目标,达到了模型可应用性与实时性的平衡。展开更多
近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用...近年来,随着我国煤矿业的快速发展,智能化技术的运用越来越广泛。其中,露天煤矿环境的精确定位导航技术研发显得尤为重要。同步定位和地图构建(Simultaneous Localization and Mapping,SLAM)作为无人驾驶的关键技术,在露天煤矿中的应用面临诸多挑战。由于露天煤矿道路周围环境特征点较少,且环境退化严重,SLAM技术需要根据稀疏的特征点进行定位和地图构建,难度较大。此外,由于斜坡和道路不平,传感器易产生抖动,导致机器人运行时的运动畸变问题。针对这些问题,文中提出了一种新的解决方案。首先,对传感器外部参数进行重新标定,采用惯导和激光雷达融合的方式,以增强数据的一致性和准确性。在此基础上,采用全特征点匹配方式,直接对激光雷达采集的数据进行点云降采样提取。通过在算法前端对预处理后的激光点云数据添加迭代最近点(Iterative Closest Point,ICP)匹配提取出关键帧点云X,再结合惯导数据对点云信息进行畸变校正形成点云P,再次通过迭代最近点配准X和P。此外,后端采用因子图加入了回环检测提高约束的方法,进一步提高算法在露天煤矿环境下的定位精度和建图效果。试验结果表明,文中所提算法具有较高的定位精度和完整的建图效果,未产生明显的畸变。侧壁纹理清晰,具有一定的鲁棒性,有效提高了在露天煤矿环境下的鲁棒性和精度。展开更多
文摘【目的】矿产资源是人类生存和经济发展的重要物质基础,开展矿山监测、建立矿山监测模型对矿产资源的高效开发和矿区环境保护具有重要意义。针对露天矿区背景复杂、目标尺度多样且小目标聚集的特点,本研究旨在构建兼顾监测精度与效率的轻量化模型,以提升矿区目标地物监测的准确性和效率。【方法】现有遥感数据集存在的样本单一、地域局限等问题,因此本文基于0.9 m天地图与1.8 m谷歌影像构建了不同气候背景、大范围和多种地物的六大露天煤矿基地OMTSFD(Open-pit Mine Typical Surface Features Dataset)数据集,提出改进的YOLO11-DAE算法进行模型训练与验证。首先,在骨干网络和特征金字塔中引入C3K2-DBB模块以增强多尺度特征捕获能力;其次,采用ADown模块替换网络下采样卷积,增强了模块对不同特征的表征能力,减少了低对比度场景的细节丢失;最后,采用E_Detect高效检测头降低模型复杂度和参数量,实现模型轻量化。【结果】实验表明,YOLO11-DAE的每秒帧数(Frames Per Second,FPS)为528.100,模型推理速度较快,精确率(Precision,P)、召回率(Recall,R)、综合评价指标(F1-Score,F1)、平均精度均值(Mean Average Precision,mAP)分别达到0.932、0.894、0.913和0.950,显著优于YOLOv5n、YOLOv8n和YOLOv10n算法,相较于YOLOv11n各项指标分别提高7.600%、10.000%、8.800%、8.000%。【结论】YOLO11-DAE算法能够满足矿区实时监测,并适用于多尺度、多背景等复杂场景的目标识别,实现了高精度、低漏检率的监测目标,达到了模型可应用性与实时性的平衡。
