基于YOLOv8的掘进机零部件轻量化识别模型

摘要

目标检测与混合现实(Mixed reality,MR)技术的结合在矿用设备维修领域展现出广阔的应用前景，为满足MR设备对检测模型轻量化与高效性的要求，针对目前混合现实辅助维修中的目标识别无法兼顾准确性与实时性的问题，本文提出一种基于YOLOv8的轻量化识别模型YOLOv8-CLRS.通过引入C2f-HC结构降低浮点运算次数，提高识别速度，采用线性可变形卷积模块LDConv进一步提高网络模型的实时性，并利用RepGFPN重构Neck网络实现对特征的高效融合与优化，同时采用更注重目标形状的Shape-IoU损失函数使得边界框回归更加准确.在自制的掘进机零部件数据集上的测试结果表明，改进后的模型精确度提高了0.4%，参数量减少了30%，帧率提高了13.9%，在保证准确率的前提下实现了轻量化设计，能够有效满足混合现实辅助维修矿用设备系统的应用要求.

关键词

轻量化识别 / YOLOv8 / 混合现实 / HetConv / 矿用设备维修

基金资助

江苏省自然科学基金资助项目（BK20200649）; 国家自然科学基金资助项目（62001475）