Advertisement

煤矿输送带异物识别数据集

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：ZIP

简介：
YOLO与VOC数据格式下的光伏板缺陷图像数据集具有良好的适用性，在训练阶段可直接用于YOLO系列算法、Faster Rcnn和SSD模型的建立工作。该数据集主要包含两类缺陷信息：bolt和bulk，共计约2,220幅图像。文件系统中包含了完整的图像样本、对应的标签文件以及按照类别划分的具体分类信息（通过yaml和xml格式存储），并已对图像与对应的txt标签进行了训练数据的划分工作，用户无需额外进行数据预处理即可直接投入模型训练阶段。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 煤矿传送带异物检测数据集-YOLO.zip
    优质
    该数据集为煤矿传送带设计，包含大量标记图像，旨在训练YOLO模型识别传送带上可能存在的异物，提升矿山作业的安全性与效率。 是否存在关于YOLO格式的矿井煤仓传送带异物检测的数据集？
  • 基于YOLOv11的煤矿传送带异物检测系统（含完整程序与数据）
    优质
    本项目开发了一套基于改进YOLOv11算法的煤矿传送带异物检测系统，旨在提高矿场作业安全及效率。系统包含详尽的数据集和源代码，便于研究人员学习与应用。 本项目旨在开发一种能够精准快速识别并检测传送带上异常物品的应用程序——即煤矿传输装置上的外来物体检测方案。该应用主要采用了最新的YOLOv11架构。首先，我们详细规划了实验环境设置流程，并介绍了所需的数据准备工作以及模型训练所必需的数据集格式要求；同时涵盖了ONNX格式模型导出、量化评估指标及其可视化呈现等各个环节。此外，在设计阶段考虑到了用户体验因素，开发了一款基于图形用户界面的上传视频和浏览检查效果的服务，方便使用者操作。 这套由YOLOv11作为核心技术组成的煤矿输送线异物监视软件，显著提升了矿区生产作业的安全性和可靠性，并极大地推动了该领域的智能化进程。此成果适用于具备初级及以上编码技能的研究员与工程师群体使用。其特性包括：一是利用先进的YOLOv11神经网络算法来提高异物探测的速度和精确度；二是构建了一个易于理解和操作的工作界面，允许工作人员上传现场录像以检验预测情况；三是提供了详尽的技术指导与辅助图表显示，让用户更好地掌握算法运作的效果。 在未来的路线图中，我们计划增加多类别目标分类能力、提升算法效能，并优化图形界面的人机交互机制。为了确保最佳的应用演示效果，请参与者严格按照本段落的操作指示逐一落实各项环节，并定期更新有关文献和技术材料的知识水平。
  • 7类矿物的识别图像数据集
    优质
    本数据集包含七种类别的矿物样本高清图片，旨在为矿物学研究和教学提供一个全面、准确的视觉参考工具。 该数据集包含7类矿物识别图像，总共有5640张照片。
  • 传送带异物检测数据集，支持铁棍和垃圾识别，采用Yolov11标注格式
    优质
    本数据集专注于传送带上铁棍与垃圾的自动检测，采用先进的Yolov11标注技术，旨在提升工业环境中的安全监控效率。 传送带中异物检测识别数据集可以识别铁棍和垃圾，使用Yolov11格式进行标注。
  • 煤矿带式输送机监控系统的設計與仿真试验
    优质
    本研究聚焦于煤矿带式输送机监控系统的设计与仿真试验。通过构建高效监测体系，确保设备安全运行，并采用仿真技术验证方案的有效性，提升矿井运输系统的智能化水平和安全性。 传统煤矿带式输送机监控系统存在传输速率低、实时性差以及抗干扰能力和可靠性不强等问题。为解决这些问题并提高智能矿山的水平，采用CAN总线技术设计了一种新的煤矿带式输送机监控系统。该系统能够实现对胶带速度、跑偏情况、一氧化碳浓度、烟雾浓度、堆煤状况、机头满仓以及托辊温度等多参数进行实时监控，并通过仿真实验验证了其有效性，弥补了传统监测系统的不足之处。
  • 矿用输送带纵向撕裂图像检测与故障识别方法
    优质
    本研究提出了一种针对矿用输送带纵向撕裂问题的图像检测与故障识别技术。通过先进的计算机视觉和机器学习算法，能够有效监测和及时发现输送带上的细微损伤或潜在风险点，从而预防重大事故的发生，确保矿山生产的安全性和连续性。 针对矿用输送带运行过程中容易出现纵向撕裂的问题，在工程实践中需要计算其纵向长度、横向宽度及长宽比等特征参数来判定是否存在纵撕情况。当矿用输送带的纵撕图像在纵向长度或横向宽度超过一定阈值时，系统能够自动识别并判断发生了纵撕故障。这种方法提高了图像质量识别度，并能准确检测出问题，有效解决了矿用输送带纵撕图像检测和故障识别的技术难题。
  • 煤矸石识别的数据集（目标检测）
    优质
    本数据集专注于煤矸石识别，采用目标检测技术，旨在提高煤矿废弃物处理效率与安全性。含丰富标注图像，助力AI模型训练与优化。 该数据集包含YOLO与VOC格式的煤矸石图像，适用于YOLO系列、Faster R-CNN、SSD等多种模型训练。类别包括Coal（煤炭）和Rock（岩石），共有3091张图片。文件中包含了图片、txt标签以及指定类别的yaml配置文件，并且已经将数据划分为训练集、验证集和测试集，可以直接用于YOLO算法的训练。
  • 传送带异物与物料跑偏检测数据集（VOC+YOLO格式，含437张图片，3个类别）.7z
    优质
    本数据集包含437张图片，涵盖传送带异物和物料跑偏两类问题，以VOC及YOLO两种格式提供，便于训练目标检测模型。 数据集格式：Pascal VOC格式+YOLO格式（不包含分割路径的txt文件，仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件） 图片数量（jpg文件个数）：437 标注数量（xml文件个数）：437 标注数量（txt文件个数）：437 标注类别数：3 标注类别名称：chuansongzhou、gangjin、yiwu 每个类别的框数： - chuansongzhou 框数 = 245 - gangjin 框数 = 161 - yiwu 框数 = 243 总框数：649 使用标注工具：labelImg 标注规则：对类别进行画矩形框 重要说明： 暂无特别说明。 声明： 本数据集不对训练的模型或者权重文件精度作任何保证，仅提供准确且合理的标注。