基于深度学习及规则推理的堆石坝卸料时间实时感知模型研究

摘要

堆石坝卸料时间的实时感知对于坝面施工进度仿真分析和施工机械管理调度具有重要意义.基于深度学习的计算机视觉技术由于能够实现施工机械的实时检测与跟踪，为卸料时间感知提供了有效途径，然而现有方法在大场景视频监控下进行自卸汽车卸料活动识别时存在速度慢、精度低的问题，且难以分析自卸汽车在不同填筑分区上卸料作业规律的差异性.针对上述问题，提出基于深度学习及规则推理的堆石坝卸料时间实时感知模型.基于显式视觉中心(EVC)机制改进YOLOv8目标识别算法的特征金字塔结构，以弥补YOLOv8在特征提取过程中难以完全捕获小尺度目标全局信息和易丢失局部特征的不足，提高YOLOv8对于小尺度目标的识别精度，并将改进的YOLOv8目标识别算法(EVC-YOLOv8)作为ByteTrack跟踪算法的目标检测器，以提高ByteTrack跟踪算法对小尺度目标的跟踪精度.此外，引入YOLOv8-seg算法分割提取目标填筑分区范围，实现自卸汽车目标检测与跟踪的分区统计，进一步基于规则推理提取堆石坝不同分区的卸料时间.案例分析表明：EVC-YOLOv8目标识别算法较基准模型识别精度提高了2.3%；改进的ByteTrack模型在25帧/s时的多目标跟踪精度为90.6%，目标识别准确度为93.2%，满足仿真参数获取的实时性和精度的需求；检测获取的卸料时间平均误差为4.2%，验证了本模型的准确性与实时性.

关键词

堆石坝 / YOLOv8-seg模型 / EVC-YOLOv8模型 / 改进的ByteTrack模型 / 规则推理 / 卸料时间参数