Details
| Title | Обнаружение и распознавание шахтеров на основе улучшенного метода YOLOv10 // Предмагистерская подготовка иностранных граждан: сборник статей VI межвузовской научно-практической конференции, 21–22 июня 2024 года |
|---|---|
| Creators | Чэн Хаодун |
| Organization | Санкт-Петербургский политехнический университет Петра Великого |
| Imprint | Санкт-Петербург: ПОЛИТЕХ-ПРЕСС, 2024 |
| Electronic publication | 2025 |
| Collection | Общая коллекция |
| Subjects | Распознавание образов ; алгоритм YOLOv10 ; механизм внимания ; YOLOv10 algorithm ; attention mechanism |
| UDC | 004.93'1 |
| Document type | Article, report |
| File type | |
| Language | Russian |
| DOI | 10.18720/SPBPU/2/id24-419 |
| Rights | Доступ по паролю из сети Интернет (чтение, печать, копирование) |
| Additionally | New arrival |
| Record key | RU\SPSTU\edoc\75361 |
| Record create date | 2/25/2025 |
Allowed Actions
–
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
| Group | Anonymous |
|---|---|
| Network | Internet |
В этой работе предлагается усовершенствованный метод обнаружения шахтеров YOLOv10 для обеспечения безопасности персонала в процессе добычи угля в шахте. Во-первых, основываясь на YOLOv10, эта работа добавляет механизм координатного внимания к слою Backbone, чтобы улучшить внимание модели к важным особенностям. В то же время в слое Head используется динамическая детекторная головка, которая объединяет осознание размера, пространственное осознание и осознание задачи в одной детекторной головке для улучшения восприятия модели мелких целей. После экспериментальной проверки оказалось, что каждое улучшение значительно повысило эффективность обнаружения модели. По сравнению с оригинальной моделью YOLOv10n, показатели точности и запоминания улучшенной модели достигли 92,69 % и 87,53 %, а показатели mAP50 и mAP50-95 – 89,9 % и 68,24 %.
For the safety of personnel in the coal mine production process. This article proposes an improved YOLOv10 miner detection method. First, based on YOLOv10, this article adds a coordinate attention mechanism to the Backbone layer to improve the model’s attention to important features. At the same time, a dynamic detection head that embeds size awareness, spatial awareness and task awareness into one detection head is also used in the Head layer to improve the model’s perception of small targets. After experimental verification, each improvement has significantly improved the detection effect of the model. Compared with the original YOLOv10n model, the precision and recall rates of the improved model reached 92.69 % and 87.53 %, and the mAP50 and mAP50-95 scores reached 89.9 % and 68.24 %.
| Network | User group | Action |
|---|---|---|
| ILC SPbPU Local Network | All |
|
| Internet | Authorized users SPbPU |
|
| Internet | Anonymous |
|
Access count: 0
Last 30 days: 0
