基于改进YOLOv8的摇床矿带分界点目标检测算法

摘要

传统的摇床选矿方法依赖工人凭借生产经验手动调整接矿板位置，这会导致人工成本升高且接矿结果不稳定.深度学习技术的发展为摇床的智能化应用提供了可能.YOLOv8目标检测模型以其高检测精度和鲁棒性在目标检测领域获得了广泛认可.然而，YOLOv8在处理复杂场景时存在局限性，如浅层特征提取不足和高阶特征图的通道表达能力不足等.为解决上述问题，提出浅层特征注意力模块(LLA)和深层特征注意力模块(HLA),分别增强了低阶和高阶特征图的表达能力，并通过引入C2f-faster模块降低模型参数量，实现轻量化.实验表明，本研究与五个流行的目标检测算法相比取得了最好的性能，与原始YOLOv8模型相比，改进后的模型mAP达到89.02%,mAP50∶90增加了4.08%,能够高效准确地识别矿带分界点，展现了该模型在矿带分界点检测领域中的巨大潜力.

关键词

摇床 / 目标检测 / 矿带检测 / 深度学习 / YOLOv8