基于RFA-ST-YOLO的岩屑图像多目标识别

摘要

随着钻井技术的发展，要求岩屑样本的收集与分析具有更高的及时性和准确性，然而人工分析精度低且成本高。为解决该问题，采用一种结合感受野注意力机制（receptive-field attention, RFA）和小目标检测层（small target detection layer, ST）的YOLOv5（you only look once version 5）模型。首先采取数据增强手段解决岩屑图像数据不均衡问题；其次引入ST、高效多尺度注意力模块（efficient multi-scale attention, EMA）、二阶通道注意力模块（second-order channel attention, SOCA）、感受野注意力卷积运算（RFA-designed convolutional operation, RFAConv）优化模型性能；最后选出最佳模型为RFA-ST-YOLO。试验结果表明：数据增强及改进的RFA-ST-YOLO模型将模型的平均精度均值A_mAP@50-95、A_mAP@50共提升0.218、0.288,极大的提高岩屑分类的效率和精度，为岩屑录井技术的智能化发展提供新思路。

关键词

岩屑图像 / 多目标识别 / RFA-ST-YOLO / YOLOv5 / 小目标检测层 / 注意力机制