YOLOv4に基づく採掘ベルトの異物検出方法 - 佛山鉱業研究所グループ有限公司

Scientific Reports volume 13、記事番号: 8881 (2023) この記事を引用

117 アクセス

1 オルトメトリック

メトリクスの詳細

マイニングベルトの輸送過程で、さまざまな異物が現れる可能性があり、クラッシャーやベルトに大きな影響を与え、生産の進行に影響を与え、重大な安全事故を引き起こします。したがって、採掘ベルトコンベアシステムでは侵入の初期段階で異物を検出することが重要です。この問題を解決するために、本論文では YOLOv4_GECA 方式を提案します。まず、GECA アテンションモジュールを追加して、鉱物地帯に YOLOv4_GECA 異物検出モデルを確立し、異物特徴抽出機能を強化します。第二に、このモデルに基づいて、リスタートコサインアニーリングの学習率減衰を使用して、モデルの異物画像検出性能を向上させます。最後に、瀋陽のパイシャンルー金鉱山サイトからベルト輸送画像情報を収集し、ベルト異物検出データセットを確立しました。実験の結果、本論文で提案したYOLOv4_GECA手法の平均検出精度は90.1%、再現率は90.7%、平均検出時間は30msで、検出精度とリアルタイム性能の要件を満たしていることがわかりました。鉱山地帯の輸送現場。

異物検出は、鉱石処理および製品の品質管理業界で重要な役割を果たしています。鉱石を輸送する際、鉱石コンベアベルトには、鋼棒、鉄ケーブル、鉄、木材、プラスチックパイプなどのあらゆる種類の異物が積載される可能性があり、破砕機、ボールミル、ベルトに大きな影響を与える可能性があります。従来の異物検出方法には、手動検出法、光線法、スペクトル検出法があります。手動による検出方法は作業者の精神状態に大きく左右され、非効率的です。光線法はより安定していますが、高価で人体に有害です1。スペクトル検出法は誤検出率が比較的低いが、干渉を受けやすく、装置のメンテナンスが難しく、鉄を検出するための鉄鉱石中の異物の検出が難しいという欠点がある。人的要因や外部干渉の影響により、上記の異物検出技術は時間がかかり、コストがかかり、維持が難しく、漏洩率が高いため、鉱山企業で広く普及させることが困難です。

ディープラーニングの発展に伴い、畳み込みニューラルネットワークに基づく物体検出手法が広く使用されるようになり、ディープラーニングに基づく異物検出手法が研究のホットスポットとなっています。既存の物体検出方法は主にアンカーベースとアンカーフリーです。このうちアンカーベースには主に2段のFaster R-CNNと1段のYOLOシリーズ、SSDなどが存在します。は、Faster R-CNN を提案しました。これは、候補ボックス領域を抽出するための選択的検索アルゴリズムの速度を向上させ、初のエンドツーエンドのほぼリアルタイムの深層学習ターゲット検出器となりました。 YOLO (You Only Look Once)3 は Redmon らによって提案されました。 2015 年にディープラーニング分野初のシングルステージ検出器として開発されました。以前のバージョンと比較した YOLOv24 の主な改善点は、提案された共同トレーニングアルゴリズムです。これにより、YOLO の処理速度を維持しながら、より正確な位置特定が可能になります。YOLOv35 は、マルチスケール予測のための FPN の導入を特徴とし、より優れた基盤ネットワークも使用します。 Darknet-53 とバイナリクロスエントロピー損失機能は、モデルのネットワーク構造を変更することで速度と精度のバランスを実現できます。YOLOv46 は、機能を抽出するための CSPDarknet-53 の導入により、YOLO シリーズの主要なマイルストーンです。画像抽出を改善するための SPP ネットワークの追加、および Mish アクティベーション関数の使用など、これらの改善により、YOLOv4 は非常に効率的で強力なオブジェクト検出器になります。 Liu7 ら。は 2015 年に SSD アルゴリズムを提案しました。これは、多重参照および多重解像度の検出技術を導入しており、異なるレイヤーのネットワークが異なるスケールのオブジェクトを検出し、小さなターゲットの検出効果が大幅に向上します。 YOLOv58 は、適応型アンカーフレーム計算とマルチセマンティック融合検出メカニズムを利用し、豊富な高レベルのセマンティック情報と低レベルの位置情報の高速かつ効果的な融合を可能にし、オブジェクトの迅速な検出を実現します。YOLOv69 には、最近のネットワーク設計からのアイデアが組み込まれています。トレーニング戦略、テスト手法、定量化、および最適化手法を使用して、さまざまなユースケースに対応するさまざまなサイズの展開可能なネットワークのセットを構築します。YOLOv710 は、リアルタイムのターゲット検出を可能にし、検出精度を大幅に向上させるトレーニング可能な Bag-of-Freebies メソッドをいくつか設計します。推論のコストは増加しますが、既存のリアルタイム目標検出器のパラメータの約 40% と計算量の 50% が効果的に削減されます。

近年、多くの学者が、畳み込みニューラルネットワーク (CNN) ベースの異物検出、リカレントニューラルネットワーク (RNN) ベースの異物検出、オートエンコーダベースの異物検出などの深層学習手法を異物検出に使用しています。これらの方法は異物検出で良好な結果を達成しており、従来の機械学習アルゴリズムと比較して一般化と堅牢性が優れています。は、光学イメージングセンサーに基づいて異物デブリ (FOD) を検出するための新しい畳み込みニューラルネットワーク (CNN) ベースのアルゴリズムを提案しました。より高速な R-CNN や SSD と比較して、彼らが提案したアルゴリズムは、空港舗装の異物破片の検出において優れた結果をもたらしました。2018 年に Xu12 らは、 Rong13 らは、移行学習と主流の深層畳み込みニューラルネットワーク (D-CNN) モデルに基づいた、新しい異物断片素材認識方法を提案しました。 He14 らは、2 つの異なる畳み込みニューラルネットワーク構造をクルミの画像に適用して、画像を自動的にセグメント化し、異なるサイズの自然および人工の異物を検出することで、手動による特徴抽出を回避し、実際の画像内のクルミと異物の間の凝集現象を克服しました。2020 年、He14 らは、。 SSD ネットワークを使用し、さまざまな特徴抽出器を組み合わせて、電車内のビニール袋を検出するための深層学習ベースのネットワークを構築しました。その結果、SSDとMobileNetの組み合わせで最も速い検出速度が得られました。2020年にPang15らは、人体に隠された金属兵器を検出するための YOLOv3 アルゴリズムに基づくリアルタイム検出方法を提案し、これをパッシブミリ波 (PMMW) 画像に適用しました。精度が高いだけでなく、小さなサイズのターゲットの検出に関して非常に速い検出速度も備えています。2022 年に、Chen16 らは、 Qiu17 らは、YOLOv4 アルゴリズムと最適化されたアンカーボックスを組み合わせて、ベルトコンベア内の異物を効率的に検出し、この縦方向のベルトの破れの問題の発生を軽減しました。検出における誤検出や見逃しの問題を改善するために、追加の注意メカニズムとデータ拡張を備えた地上レーダー用の深層学習ベースのリアルタイム検出技術。2022 年に、Jing18 らは、空港舗装画像情報の複雑さと異物フラグメントの変動性を克服するために、最適なピクセルビジョン特徴と設計ピクセルビジョン特徴（PVF）に基づくランダムフォレストフレームワークを提案しました。これは、異物の精度と再現率の点でより有利です。オブジェクトのフラグメント検出。2022 年に、Abramson19 ら。は、カスタム畳み込みニューラルネットワークを使用して、他の同等のアルゴリズムを上回る 99% の精度を達成する、完全に自動化された異物追跡アルゴリズムを作成しました。

鉱山地帯における異物検出に関する現在の研究は、認識精度が低く、識別速度が遅く、漏れや誤判定の状況が発生しやすい従来の物体検出方法に焦点を当てています。同時に、小さな異物、異物、部分的に隠れている異物、鉱物ベルトの輸送中の粉塵の干渉により識別が困難な異物も存在します。上記の問題を解決するために、本論文では、鉱石搬送ベルト上の異物を検出するためのYOLOv4_GECAベースの方法を提案する。私たちの貢献は次のように要約できます。

鉱山ベルトの異物検出の分野には標準的でオープンな画像データベースが存在しないことに対応して、私たちは瀋陽のパイシャンルー金鉱山サイトからベルト輸送画像情報を収集し、鉱山ベルトの異物検出データセットを作成し、拡張しました。主な異物の種類には、鋼棒、鋼ケーブル、鉄、木材、プラスチックパイプなどがあります。

GECA アテンションメカニズムを提案し、実際の生産プロセスにおける画像内の異物の部分的な遮蔽とゴミの干渉の特性に合わせて YOLOv4_GECA モデルを構築します。

モデルトレーニングプロセスの学習率減衰法が改善され、リスタートコサインアニーリング学習率減衰法を使用してトレーニングプロセスが最適化されました。 YOLOv4_GECA モデルに基づいて、YOLOv4_GECA_SGDR ネットワークが構築され、モデルの負担を増やすことなくパフォーマンスがさらに向上します。

YOLOv4 モデルは、YOLOv3 モデル20 をベースに改良し、近年ディープラーニングの分野で登場した優れた検出技術を取り入れ、微小物体の検出性能を向上させたモデルであり、モデル構造の模式図を図に示します。図 1. 全体的なネットワーク構造に関して、YOLOv4 モデルは、入力、バックボーンネットワーク、ネック、ヘッドの 4 つの部分に分割できます。 YOLOv4 モデルは、トレーニング中に入力側でモザイクデータ拡張を使用します。これは、4 つの画像を個別に反転およびスケーリングする操作を実行し、その後 4 つの画像をつなぎ合わせて新しい画像を取得します21。 YOLOv4 モデルのバックボーンには、CSPDarknet53 ネットワークの使用と Mish アクティベーション機能が含まれています。物体検出ネットワークは、空間ピラミッドプーリング構造と、CSPDarknet53 層と出力層の中間で PANet 構造を使用します。 PAN は、深いセマンティック情報を浅いレイヤーに渡して浅いセマンティック情報を補完することで、高解像度で強力なセマンティック機能を取得します。これは、小さなオブジェクトの検出やインスタンスのセグメンテーションなどの分野で非常に優れたパフォーマンスを発揮します。予測に関しては、出力層のアンカーフレームメカニズムは YOLOv3 と同じであり、主な改善点はトレーニング中の損失関数 CIOU_Loss と DIOU_nms への予測フレームスクリーニングの非最大抑制です。

YOLOV4 モデルの構造。

YOLOv4 の CSPDarknet53 バックボーンネットワークアーキテクチャは、スタッキングに多くの CSPX モジュールを使用します。 CSPX モジュールは、畳み込み層と X Res ユニットモジュールによるテンソルステッチングを備えたクロスステージ部分ネットワーク 22 (CSPNet) の構造を借用しています (図 2 を参照)。物体検出問題では、CSPNet をバックボーンネットワークとして使用することで、いくつかの効果が得られます。ネットワークモデルのパフォーマンスが向上し、畳み込みニューラルネットワークの画像から特徴を抽出する能力が強化され、計算効率が向上します。図 3 は、残差モジュール (Res ユニット) の構造を示しています。これは直接マッピング部分と残差部分に分かれており、残差部分には 2 つの畳み込み演算が含まれています。残りの部分は最初に畳み込まれ、次に直接マッピング部分とテンソル加算されます。図 4 は、畳み込み層、バッチ正規化層、および Leaky Relu 活性化層で構成される CBL 畳み込みモジュールを示しています。

CSPXモジュールの構造図。

Resユニットモジュールの構造図。

CBLコンボリューションモジュールの構造図。

ECA アテンションメカニズムモジュールは、次元削減操作を排除し、効果的なチャネルアテンションの学習にさらに役立つ同じ次元の 2 つの完全に接続された層を使用することにより、SE モジュール 23 を改良しています。ただし、同じ次元の完全に接続された 2 つの層を使用すると、パラメータが過剰になるため、k 個の隣接特徴を使用してローカルクロスチャネルインタラクション情報を取得するアプローチでは、k 個のパラメータしかなく、同じパフォーマンスを得ることができます。もっと効率的。 ECA アテンションメカニズムモジュールは次のように計算されます。

ここで、 \(C1D\) は入力特徴に対して実行される 1 次元の畳み込み演算を表し、シグモイド関数を表します。 ECA モジュールは、SE モジュールの完全な接続層を使用しません。図 5 に示すように、重みを共有できる 1 次元の畳み込みを通じて、全体的な平均プーリング後の特徴を直接学習します。ローカルなクロスチャネルインタラクション情報は、各チャネルとその k 個の隣接する特徴によって取得されます。チャネル間の相互作用は、サイズ k の畳み込みカーネルを使用した 1 次元畳み込みによって実現されます。各チャネル間の非線形関係が学習され、異なるチャネルの重みも取得されます。 1 次元コンボリューションには、コンボリューションカーネルのサイズであるハイパーパラメータ k が含まれます。これは、ローカルなクロスチャネルインタラクションの範囲、つまり、そのチャネルフィーチャの近くにある隣接するフィーチャの数が注目予測に共同で関与していることを示します。

ECAモジュールの構造図。

確率的勾配降下法アルゴリズムの最適化中、損失値がグローバル最小値に近づくにつれて、現在の重みと損失関数に対する現在の学習率が大きくなります。この時点で、学習率を下げるとモデルをこれに近づけることができます。グローバルミニマムへ。コサインアニーリングは、図6に示すように、コサイン関数によって学習率を低下させます。ここで、水平座標はトレーニングラウンド数、垂直座標は学習率です。トレーニングラウンドの増加に伴う学習率の 0.01 から 0.005 への減衰を図 6 に示します。コサイン値はラウンドの増加とともに最初はゆっくりと減少し、その後加速して再びゆっくりと減少します。これは、YOLOv4 モデルのトレーニングプロセスで使用されます。トレーニングが進むにつれて学習率が徐々に減衰し、損失関数はトレーニングのかなり早い段階で最初に減少し、その後はローカル最適値またはグローバル最適値付近の小さな範囲で変化します。

コサインアニーリング学習率の降下。

コサインアニーリング学習率減衰法ではコサイン関数が使用されるため、減衰プロセスはコサイン関数の形式に準拠します。その式は式 2 に示されています。 (2)。

ここで、 \({\eta }_{max}\) と \({\eta }_{min}\) はそれぞれ学習率の最大値と最小値です。 \({T}_{\text{cur }}\) はこれまでにトレーニングされたラウンド数、\(T\) はトレーニングラウンドの合計数です。

確率的勾配降下法最適化アルゴリズムでは、トレーニングプロセス中に極小値に陥るという問題がよく発生します。コサインアニーリング学習率減衰アプローチでは、トレーニングの後半段階で学習率が小さくなり、そこから抜け出すことが困難な極小値に陥る可能性があり、その結果、降下アルゴリズムが大域的最小値まで最適化できなくなります。確率的降下法アルゴリズムの学習後の学習率が小さいときに学習率を増加すると、最適化プロセスを極小値から飛び出して、大域的極小値と呼ばれる経路を見つけることができます。コサインアニーリング学習率法を再開します。リスタート・コサイン・アニーリング学習率の公式は式1で与えられます。 (3)。

式中の \(i\) は、最初の数倍の再起動学習率を表します。 \({\eta }_{max}^{i}\) と \({\eta }_{min}^{i}\) は、それぞれ i 回目の再起動における学習率の最大値と最小値を示します。。 \({T}_{i}\) は i 回目の再起動におけるトレーニングプロセスの総ラウンド数を表し、\({T}_{\text{cur}}\) は現在実行されているラウンド数を表します。再起動するたびに更新されます。再起動学習率には最大値と最小値が設定されており、各再起動学習率は最大値から最小値に向かってコサインアニール減衰していきます。図 7 は、3 回の再起動コサインアニーリングの学習率のシミュレーションを示しています。学習率はトレーニングプロセスの 50 回目、100 回目、および 150 回目のラウンドで再起動され、各再起動ごとの学習率の最大値と最小値は 70 です。以前の値のパーセント。

コサインアニーリング学習率の下降を再開します。

グローバルなコンテキスト情報を最大限に活用し、小さな物体が存在し、隠れて異物が存在し、塵が発生する可能性がある実際の生産現場の長距離依存関係を捕捉するために、本論文は ECA アテンションを改善する GECA アテンションメカニズムを提案します。機構。 ECA アテンションメカニズムにおけるグローバル平均プーリング操作は、各チャネル特徴マップを個別に平均することによってのみ動作し、グローバル情報を最大限に利用することなく、この平均を使用してチャネル特徴マップ情報を表します。この論文では、ECA におけるグローバル平均プーリング操作は、グローバル平均プーリングを使用せず、1 次元の畳み込み演算を使用して各チャネル特徴マップのピクセル位置への依存性を取得し、出力ベクトルを取得することによって改善されています。その後、Softmax 関数によって演算されて確率値ベクトルが取得され、これが元の入力特徴マップと乗算されます。この改善により、特徴マップの全文情報を最大限に活用して各チャネルのピクセル点間の接続を取得することができ、得られた確率値ベクトルにより特徴マップ上の主要な情報がより目立つようになり、より便利になります。その後、チャネルの注意メカニズムを学習し、部分的に遮られた異物や埃っぽい画像上の異物の特徴抽出能力も強化します。構築された GECA モジュールを図 8 に示します。

GECAモジュールの構造図。

CSPDarknet53 バックボーンネットワークの CSPX モジュールには、勾配消失と勾配爆発の問題を軽減するいくつかの残留ブロック Res ユニットが含まれており、ネットワーク構造をより深く構築し、画像から特徴を抽出できるようになります。本稿では、畳み込みブロックのチャネルアテンションをより効果的に学習し、改善することを期待して、Resユニットの残差ブロック内の残差部分の畳み込み層の後ろにアテンションメカニズムモジュールGECAを配置することにより、Res_GECAユニットモジュールを構築することを提案します。非常に小さなモデルパラメータの導入によるバックボーンネットワークの特徴抽出能力。構築されたRes_GECAユニットモジュールを図9に示します。

Res_GECAユニットモジュールの構造図。

YOLOv4 バックボーンネットワークの 5 つの CSPX モジュールには 23 個の残留接続モジュールがあり、元の残留接続モジュールは、この論文で提案されている GECA アテンションメカニズムを備えた Res_GECA 残留モジュールに置き換えられます (図 10 を参照)。これにより、YOLOv4_GECA モデルが構築されます。これは、より少ないモデルパラメータを増加させることを犠牲にして、特徴マップチャネルレベルの重要性に関するモデルの学習能力を高めるアテンションメカニズムを備えたバックボーンネットワークを構築し、特徴マップ情報を最大限に活用し、有用な特徴マップ情報を強化します。識別が困難な異物の検出を向上させることができます。

YOLOV4_GECAモデルのバックボーンネットワーク構造図。

現在、鉱山地帯の異物検出の分野には、標準的でオープンな画像データベースは存在しません。私たちは、瀋陽のパイシャンロウ金鉱山サイトからベルト輸送画像情報を収集し、データセットを作成し、データ強化を使用してデータセットを拡張しました。データセット内の画像情報は補足情報で確認できます。データ拡張とは、より同等のデータを生成するために、限られたデータセットを人為的に拡張することです。一般的に使用される画像データの強調方法には、画像カラーディザリング、反転および回転変換、ランダムトリミング、パンおよびコントラスト変換、モザイクデータ強調などが含まれます。このホワイトペーパーでは、画像の回転と反転変換、および画像カラーディザリングを使用して、可能なことをシミュレートします。鉱石コンベアベルト上の異物の姿勢と現場の状態をランダムに測定します。

この論文では、ターゲット検出タスク用のラベル付けソフトウェアである LabelImg を使用します。これにより、長方形のボックスを使用してターゲットを選択し、XML ファイルとして保存できます。採掘ベルトの異物画像のサンプルセットを作成するには、LabelImg データセットラベル付けソフトウェアを使用して、コンベヤベルト上の異物ターゲットを手動でマッピングしました。単一の異物をマークするには、ソフトウェア上の長方形のボックスボタンをクリックし、長押しします。異物の左上隅でマウスの左ボタンを押し、異物の右下隅までマウスをスライドさせ、長方形のボックスで異物を完全に包み込み、異物のカテゴリを入力して保存します。図内に複数の異物がある場合は、各異物を個別にマークし、それが属するカテゴリを記入します。ラベルは VOC 形式で保存されます。異物を含む合計 1,291 枚の画像が最終的な総データセット用に選択され、スチール、プラスチックパイプ、木材、スチールケーブル、鉄を含む 5 つの異物カテゴリに分類され、各カテゴリのバランスのとれた画像数が設定されました。トレーニングセットとテストセットは 8:2 の比率で使用されます。モザイクデータ拡張は、データセットを強化し、ネットワークをより堅牢にするためにトレーニング中に使用されます。

このペーパーで採掘ベルトの異物検出モデルのトレーニングに使用されたコンピューターは、Intel Core i5-9400F 2.90 GHz プロセッサ、NVIDIA GTX 1660 グラフィックスカード、16 GB の RAM、および 500 GB Western Digital ハードドライブを使用しています。ソフトウェアに関しては、コンピューターのオペレーティングシステムは Windows 10 64 ビットです。採掘ベルトの異物検出モデルは、広く採用されているシンプルで効率的なオープンソースフレームワークである PyTorch 深層学習フレームワークを使用して構築されています。画像の処理には Opencv および PIL 画像処理ライブラリが使用され、画像の描画には Matplotlib などのライブラリが使用されます。 GPU の場合は、Cudnn 7.6.5 および Cuda 10.2 を使用してグラフィックスカードを構成します。

YOLOv4 モデルは、バックボーンアーキテクチャとして CSPDarknet53 を使用し、畳み込み層の一部を初期化するために ImageNet データセットで事前トレーニングされています。実験では、デフォルトのハイパーパラメータは次のとおりです。採掘ベルトの異物検出モデルのトレーニングラウンドの総数は 1000 ラウンドです。各バッチトレーニング画像のサイズは 4 に設定されます。学習率の初期値は 0.01 に設定され、トレーニングプロセス中にゆっくりと減衰し、最終的な減衰学習率は 0.0005 になります。運動量と重みの減衰はそれぞれ 0.937 と 0.005 に設定されます。入力画像のサイズは 3843×84 です。ここで、YOLOv4_GECA モデルの一次元畳み込みカーネルサイズは、モデルの改善に対するこのパラメーターのパフォーマンスへの影響をテストするための実験のために 3、5、および 7 に設定されています。アクティベーション関数の選択に関しては、Mish アクティベーションに必要なグラフィックスカードの容量が大きすぎるため、Leaky Relu アクティベーション関数を使用します。鉱山地帯の異物検出モデルは、確率的勾配降下法最適化アルゴリズムを使用します。このアルゴリズムでは、最初にコサインアニーリング減衰学習率スケジューリング戦略を使用して、適切な改善されたモデルを見つけます。次に、再起動コサインアニーリング学習率減衰戦略を使用してモデルをトレーニングし、次のことをテストします。さまざまな学習率減衰戦略がモデルに影響します。テストのために、スコアによって領域レベルの信頼ベクトルを取得しました。結果は、境界ボックス投票と、0.5 IOU しきい値を使用した非最大抑制 (NMS) によって後処理されます。

ベルトコンベア輸送の鉱石現場での異物検出の過程では、異物検出の誤検出や見逃しの発生、検出速度が検査作業の基準に達していないことが大きな影響を与えるため、これらの状況の検証指標が主な対策となります。この研究の検出システムのパフォーマンス指標。したがって、この研究では、平均平均精度 (mAP)、再現率、および Fps (1 秒あたりのフレーム数) がモデルの評価指標として使用されます。ここで、平均平均精度 (mAP) は、すべてのカテゴリで取得された AP 値の平均です。 mAP は平均精度であり、すべての可能な Recall 値で得られたすべての精度の平均です。リコールは、検出されるすべてのターゲットに対する検出器の検出範囲を評価するために使用されます。 fpsとは、1秒間に処理できる画像の数を指します。それらは次のように計算されます。

式において、TP は陽性クラスであると予測される陽性サンプルの数です。 FP は、陽性クラスであると予測される陰性サンプルの数です。 FN は、陰性クラスであると予測される陽性サンプルの数です。 TN は、ネガティブクラスであると予測されるネガティブサンプルの数です。

このペーパーでは、YOLOv3、YOLOv3-spp、Faster RCNN、YOLOv4、YOLOv5 の 5 つのネットワークモデルを含む、鉱山地帯の異物検出データセットに対するさまざまな高度な物体検出モデルの検出効果を比較します。YOLOv4 物体検出モデルがベースとして選択されています。鉱石輸送現場の状況を総合的に把握するためのネットワークモデル。改良されたモデル YOLOv4_ECA、YOLOv4_GECA、および YOLOv4 モデルのパフォーマンスも相互に比較され、YOLOv4_GECA モデルの一次元畳み込みカーネルサイズがモデルのパフォーマンスに及ぼす影響も比較されます。この論文では、採掘ベルトの異物検出モデルのトレーニングにおける学習率減衰戦略を改善し、YOLOv4 の学習率減衰戦略を変更してコサインアニーリング学習率減衰を再開し、実験的な比較と分析を行います。

提案した方法の性能を実証および評価するために、性能を他の高度な検出器と比較します。 5 つのネットワークモデル、YOLOv3、YOLOv3-spp、Faster RCNN、YOLOv4、および YOLOv5 は、採掘ベルトの異物データセットで 1000 ラウンドトレーニングされ、テストセットでテストされました。図 11 は、トレーニングプロセス中の YOLOv4 モデルと YOLOv5 モデルの mAP メトリクスの傾向を示しています。 300 ラウンドのトレーニング後、メトリクスは横ばいになり、最適値付近で変動しました。その中で、YOLOv5 モデルのトレーニング効果は YOLOv4 モデルより優れています。図 12 は、YOLOv4 モデルと YOLOv5 モデルのトレーニング中の再現率メトリクスの傾向を示しています。300 ラウンドのトレーニング後、メトリクスは横ばいになり、最適値付近で変動しました。その中で、YOLOv4 モデルのトレーニング効果は YOLOv5 モデルのトレーニング効果より優れています。

[email protected] インジケーターは、YOLOv4 および YOLOv5 モデルのトレーニング中に変化します。

YOLOv4 および YOLOv5 モデルのトレーニング中のインジケーターの変更を思い出します。

この研究では、モデルは自家製の採掘ベルトの異物データセットでトレーニングされ、まず、検出タスクでよく使用される 5 つのネットワークモデル、YOLOv3、YOLOv3-spp、Faster RCNN、YOLOv4、および YOLOv5 がトレーニングされました。分割されたトレーニングセットデータセットでそれぞれ 1000 ラウンドのテストを行った後、テストセットデータセットでテストします。表 1 に示すように。

表 1 からわかるように、採掘ベルトの異物検出タスクでは、YOLOv5 モデルの mAP が 0.907 で最も高い検出精度を示し、他のモデルはこれに近い約 0.885 の mAP 値を持っています。ただし、YOLOv5 モデルの再現率は 0.867 と低く、YOLOv4 モデルの再現率は 0.888 と最も高く、YOLOv5 モデルより 2.1% 高くなります。このテストタスクでは、誤検知に比べて検出漏れの方が深刻であるため、リコールの方が重要です。要約すると、YOLOv4 モデルは、精度とリコールの点で YOLOv3、YOLOv3-spp、YOLOv5 モデルよりも優れたパフォーマンスを発揮し、mAP は 0.885、リコールは 0.888 であり、その Fps は運用サイトの実際のニーズを満たすことができます。 YOLOv4 モデルが改善のベースモデルとして選択されます。

4 つのモデル YOLOv3、YOLOv3-spp、YOLOv4、および YOLOv5 の部分的な予測結果の比較を図 13 に示します。左から右に、木材、鉄筋、プラスチックパイプなどの異物と鉄鋼を含む 3 つの画像上から下の順に、異物画像に対する 4 つの物体検出モデルの検出効果を示しています。

4機種の検知効果の比較。

Image1 画像の検出では、YOLOv4 モデルと YOLOv5 モデルの方がより高い信頼性でカテゴリを予測しました。 Image2 画像の検出において、誤分類の場合、YOLOv5 モデルは他の 3 つのモデルと比較して鉱石を木材異物として誤って識別します。 Image3 画像の検出では、YOLOv4 モデルを除く 3 つのモデルすべてで検出漏れがあり、YOLOv3 モデルでは木材異物とスチールケーブル異物が検出されず、YOLOv3-spp モデルと YOLOv5 モデルではスチールケーブル異物が検出されませんでした。。実際の生産現場では、判断ミスや異物の検出漏れが鉱石移送処理工程に支障をきたす可能性があります。検知を誤ると投入口や粉砕機、ボールミルなどへの異物の侵入につながり、設備の損傷を引き起こしたり、判断ミスにより作業者の労働強度が高まる可能性があります。モデル予測の総合的な効果から、YOLOv4 モデルはパフォーマンスの点で採掘ベルトの異物検出タスクにより適しているため、モデルを改善するためにこのペーパーのベースモデルとして YOLOv4 が選択されています。

改良されたモデル YOLOv4_GECA は採掘ベルトの異物データセットでトレーニングされ、Res_GECA 残差モジュールの一次元畳み込みに含まれるハイパーパラメーター k が調整されてそれぞれ 3、5、7 に設定され、それぞれ 1000 ラウンドでトレーニングされます。、トレーニングプロセスのいくつかのモデル [email protected] インジケーターの変化傾向の比較については、図 14 を参照してください。 4 つの曲線、YOLOv4、YOLOv4_GECA_3、YOLOv4_GECA_5、および YOLOv4_GECA_7 が図 14 に示されています。ここで、YOLOv4_GECA_3 は、YOLOv4_GECA モデルの GECA アテンションメカニズムの一次元畳み込みカーネルハイパーパラメータ k が 3 であることを示し、以下同様です。この図から、3 つの異なる k パラメーターを持つ YOLOv4_GECA モデルの [email protected] は、モデルのトレーニングプロセス中に約 400 ラウンドで最高点に達し、その後は最適値の周囲で変動していることがわかります。比較すると、トレーニングプロセス中、YOLOv4_GECA モデルの [email protected] は YOLOv4 モデルの [email protected] よりも高くなります。

[email protected] インジケーターは、YOLOv4_GECA モデルのトレーニング中に変化します。

モデルはトレーニング後にテストセットでテストされ、テスト結果が表 2 に示されています。 YOLOv4 モデルと、異なるハイパーパラメーター k を使用した改良モデル YOLOv4_GECA の検出パフォーマンスの結果が表 2 に示されています。採掘帯の異物検出タスクでは、YOLOv4_GECA の @0.5 が YOLOv4 に比べて大幅に改善され、YOLOv4_GECA_3 と YOLOv4_GECA_5 のリコールも YOLOv4 に比べて改善され、改善されたモデルのパラメータ数の増加はほとんどありません。 YOLOv4_GECA_7 モデルは、[email protected] インデックスでパフォーマンスが向上しますが、再現率は低下します。 YOLOv4_GECA モデルは、YOLOv4 モデルと比較して Fps インデックスが減少し、1 秒あたり検出する画像の数が 5 枚少なくなります。 YOLOv4_GECA_3 モデルは、すべてのインデックスの点で最もよく機能し、採掘ベルトの異物検出タスクの [email protected] とリコールをそれぞれ 1% と 0.6% 改善し、 GECA アテンションメカニズムは非常に小さいです。実験結果から、本稿で提案する GECA アテンション機構と YOLOv4 モデルのバックボーンネットワークである CSPDarknet53 を組み合わせることで、異物検出性能を向上させることができます。 YOLOv4_GECA_3 モデルは Fps インデックスが低下し、1 秒あたり 30 枚の異物画像を検出しますが、それでも実際の状況から採掘地帯の異物検出タスクの需要を満たすことができ、実際の生産プロセスに適用できます。

リスタートコサインアニーリング学習率メカニズムは、採掘ベルトの異物データセットに対する改良された異物検出モデル YOLOv4_GECA_3 のトレーニングプロセスで使用されます。 YOLOv4 モデルはコサインアニーリング学習率メカニズムを使用してトレーニングされ、その学習率減衰プロセスを図 15 に示します。初期学習率値は 0.01 で、トレーニングフェーズの開始時にゆっくりと減衰し、トレーニングが進むにつれて急速に減少します。増加し、モデルトレーニングの最終段階では減少し、最終的な学習率は 0.0005 になります。

YOLOV4 モデルの学習率の減衰過程。

コサインアニーリングの学習率減衰はモデルトレーニングの後期段階では小さく、極小値に陥る可能性があるため、この論文では、コサインアニーリング学習率の再起動メカニズムを使用して、モデルトレーニングの後期段階で学習率が小さい場合に学習率を増加させます。確率的勾配降下法アルゴリズムのトレーニングにより、最適化プロセスが極小値から飛び出し、大域的極小値へのパスが見つけられます。この論文では、図 16 に示すように、1 回の再起動の学習率、2 回の再起動の学習率、3 回の再起動の学習率、および 4 回の再起動の学習率をテストしました。異なる再起動回数におけるコサインアニーリングの学習率が、左から右、上から下に、一次再起動、二次再起動、三次再起動、四重再起動として表示されます。初期学習率は 0.01、最終学習率は 0.01 です。 0.0005。再開ポイントは、モデルがそれぞれ 200 ラウンド、400 ラウンド、600 ラウンド、および 800 ラウンドまでトレーニングされたときに再開ポイントが配置される 4 つの再開学習率など、トレーニングラウンドが均等に分割されるポイントに配置されます。学習率の各再開の開始値は、前の学習率の最大値にスケーリング係数を乗算したもので、このホワイトペーパーでは 0.7 として使用されます。

さまざまなリスタートコサインアニーリング学習率を設定します。

モデルのトレーニングプロセスでは、再起動コサインアニーリング学習率低下法が使用されます。これにより、学習率の再起動中に学習率が増加するため、損失関数が変化します。このペーパーでは、YOLOv4_GECA_3_SGDR_4 は、YOLOv4_GECA_3 モデルのトレーニング中に 4 回の再起動学習率操作が実行されたことを示します。 YOLOv4_GECA_3_SGDR_4 モデルのトレーニングプロセスを図 17 に示します。学習率の再開中に分類損失関数が大きく変動し、その後、損失関数が継続的に減少します。

YOLOv4_GECA_3_SGDR_4 モデルのトレーニング中に分類損失が変化します。

トレーニングプロセス中に導入されたリスタートコサインアニーリング学習率減衰手法を備えた YOLOv4_GECA_3 モデルは、トレーニング完了後にテストセットでテストされました。テスト結果を表 3 に示します。表 3 には、YOLOv4 モデルのテスト結果が含まれています。異なる数の再起動学習率を備えた改良モデル YOLOv4_GECA と、学習率が指数関数的に減衰する YOLOv4_GECA_3_Decay ネットワークのパラメーター。結果は、リスタートコサインアニーリング学習率減衰アプローチが、YOLOv4_GECA モデルの指数関数的減衰アプローチよりも優れていることを示しています。表から、YOLOv4_GECA_3_SGDR_1 モデルの [email protected] とリコールインデックスが最も高く、平均精度 0.901 は YOLOv4_GECA_3 より 0.6% 高く、リコール 0.907 は YOLOv4_GECA_3 より 1.3% 高いことがわかります。 3 回の再起動学習率もモデルのパフォーマンスに大幅な向上をもたらし、YOLOv4_GECA_3 と比較して [email protected] が 0.898、再現率が 0.899 で、YOLOv4_GECA_3 と比較して 0.5% 向上しました。まとめると、トレーニング中のリスタートコサインアニーリング学習率減衰アプローチの導入は効果的であり、モデルパラメーターに負担をかけず、モデルの検出速度にも影響を与えません。

この研究の異物検出モデルは、自作の鉱山地帯の異物画像データセットでトレーニングされており、実験による比較では、YOLOv4 モデルが YOLOv3、YOLOv3-spp、YOLOv5 と比較して精度と再現率の点で優れていることが示されています。モデルは、mAP が 0.885、リコールが 0.888 であるため、YOLOv4 モデルが異物検出のベースモデルとして選択され、YOLOv4 モデルの構造とトレーニング中の学習率の減衰方法がそれぞれ改善されました。まず、YOLOv4 モデル構造が改善され、本稿で提案した GECA アテンションメカニズムを組み合わせることにより、バックボーンネットワーク CSPDarknet53 に YOLOv4_GECA モデルが構築されます。異なるハイパーパラメーター k を使用して YOLOv4_GECA モデルを個別にトレーニングおよびテストすることにより、YOLOv4_GECA_3 モデルの最高のパフォーマンスが得られます。次に、YOLOv4_GECA_3 モデルのトレーニング中の学習率減衰法が改善され、モデルのパフォーマンスをさらに向上させるために、リスタートコサインアニーリング学習率減衰法が提案されます。 YOLOv4_GECA_3_SGDR_1 は、mAP 0.901、リコール 0.907 で最高のパフォーマンスを示します。図 18 は、YOLOv4、YOLOv4_GECA_3、および YOLOv4_GECA_3_SGDR_1 モデルのパフォーマンス比較を示しています。この論文で提案した GECA アテンションメカニズムを組み合わせた後、YOLOv4 モデルの mAP と Recall が向上していることがわかります。モデルのパフォーマンスは減衰法によってさらに向上します。本研究のモデル改善アプローチにより、モデルの異物性能が向上し、検出漏れや誤検出率が低減され、検出速度は低下しますが、実際の生産プロセスにも適用可能です。

モデルの性能比較。

さまざまな異物認識について、表 4 と表 5 に、異物認識の種類ごとの YOLOv4、YOLOv4_GECA_3、および YOLOv4_GECA_3_SGDR_1 モデルの結果を示します。表 4 から、この論文で提案した 2 つの改良モデル YOLOv4_GECA および YOLOv4_GECA_SGDR_1 は、YOLOv4 基本モデル (たとえば、スチールケーブルの YOLOv4 モデルの [email protected]) と比較して、異物の各カテゴリの検出精度が向上していることがわかります。異物検出率はわずか 0.638 ですが、YOLOv4_GECA_3 はこの指数を 0.664 に改善します。また、表 5 から、この論文の改良モデルにより異物検出の各カテゴリの再現率が向上していることがわかります。YOLOv4 のプラスチックパイプ内の異物検出の再現率は 0.957 ですが、YOLOv4_GECA_3 では指数が 0.975 に向上しています。これら 2 つの表の結果は、本論文で提案した GECA アテンションメカニズムにより、小さな物体、異物の部分的な閉塞、および塵の干渉によって引き起こされる困難な異物の検出が向上し、GECA アテンションメカニズムの有効性が証明されたことを示しています。

一部の画像に対する YOLOv4、YOLOv4_GECA、YOLOv4_GECA_SGDR モデルの予測結果の比較を図 19 に示します。左から右に異物が含まれる 3 つの画像を示し、異物画像に対する 3 つの物体検出モデルの検出結果を示します。上から下の順に表示されます。 Image4 の画像では、スチールケーブルの異物が部分的に隠されており、YOLOv4 モデルは他の 2 つの改良モデルと比較して異物の位置の予測にずれがあり、この論文の改良モデル YOLOv4_GECA および YOLOv4_GECA_SGDR の方が正確であることがわかります。異物の検出に。 Image5 の画像では、光と遮蔽の影響により、YOLOv4 モデルで誤検知が発生し、1 つのスチールケーブル異物を 2 つとして予測し、プラスチックチューブの予測信頼度は他の 2 つの改良モデルよりも低くなりました。 Image6 の画像では、埋もれた比較的小さな鉄筋が塵、光、さまざまな要因によって妨げられていたため、YOLOv4 モデルでは鉄筋の異物検出が失敗し、その後の生産の安全性に影響を与える可能性がありました。画像検出結果を比較すると、本稿で提案する 2 つの改良モデル YOLOv4_GECA と YOLOv4_GECA_SGDR は、小さな物体、部分的に隠れた異物、塵の干渉により識別が困難な異物の検出において、YOLOv4 基本モデルよりも効果的であることがわかります。要約すると、GECA ベースの注意メカニズムを備えた提案された改良型 YOLOv4_GECA モデルと、減衰リスタートコサインアニーリング学習率を備えた提案された YOLOv4_GECA_SGDR モデルが、比較実験を利用して検証され、識別が困難な異物の検出における検出精度と検出再現率が向上します。小さな物体、異物の一部の隠れ、塵埃の干渉による影響を軽減し、実際の鉱石輸送の現場に適用できます。

3機種の検知効果の比較。

この論文では、基本的な異物検出モデルとしてYOLOv4を選択し、特徴マップのグローバルコンテキスト情報を十分に活用し、各チャネル間の依存関係を取得し、特徴抽出能力を向上させることができるYOLOv4_GECAモデルを構築するためのGECAアテンションメカニズムを提案します。対象となる小さな異物、部分的に遮蔽された異物、ゴミ干渉画像などのモデルを作成します。また、YOLOv4_GECA_SGDR ネットワークを使用した YOLOv4_GECA モデルに基づいてリスタートコサインアニーリング学習率減衰法を構築することにより、YOLOv4 の元の学習率減衰法を改善することも提案されています。このネットワークは、異物検出ネットワークのトレーニングと最適化プロセスの汎用性を高め、モデルの負担を増やすことなく異物画像を検出する際のモデルのパフォーマンスを向上させます。これは、鉱山地帯の異物検出モデルのトレーニングにより適しています。。作成された採掘帯の異物検出データセットに対して実験が行われ、実験分析の結果、本論文で提案したYOLOv4_GECA手法の精度と再現率が大幅に向上し、精度と速度のバランスが達成され、精度が到達したことが示されました。 0.901、リコール 0.907、Fps 30.31 ミリ秒で、鉱物地帯における異物の検出を向上させるという目的を達成しました。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

Janssens, E.、De Beenhouwer, J.、Van Dael, M. 高速インライン X 線検査用のニューラルネットワークヒルベルト変換ベースのフィルター逆投影。測定。科学。テクノロジー。 29(3)、034012 (2018)。

記事 ADS Google Scholar

Ren S、He K、Girshick R 他高速な r-CNN: 領域提案ネットワークによるリアルタイムの物体検出に向けて。上級神経情報プロセス。システム。 28（2015）。

Redmon, J.、Divvala, S.、Girshick, R. 他確認するのは一度だけです: 統合されたリアルタイムの物体検出。 2016 年のコンピュータービジョンとパターン認識に関する IEEE 会議、米国ラスベガス、2016: 779–788。土井: https://doi.org/10.1109/CVPR.2016。 91.

Redmon, J. と Farhadi, A. YOLO9000: より良く、より速く、より強く。 2017 年のコンピュータービジョンとパターン認識に関する IEEE 会議、ホノルル、米国、2017: 6517–6525。土井: https://doi.org/10.1109/CVPR.2017.690。

Redmon, J. および Farhadi, A. YOLOv3: 段階的な改善。 arXiv プレプリント arXiv:1804.02767、(2018)。

ボチコフスキー A、ワン CY、リャオ HYM。 YOLOv4: 物体検出の最適な速度と精度。 arXiv: 2004.10934、(2020)。

Liu W、Anguelov D、Erhan D 他 SSD: シングルショットマルチボックス検出器。第 14 回欧州コンピュータビジョン会議議事録にて。アムステルダム：シュプリンガー、2016. 21–37。

Jocher, G.、Stoken, A.、Borovec, J.、他。 Ultralytics/YOLOv5: V3.1 - バグ修正とパフォーマンスの向上[EB/OL]。 https://doi.org/10.5281/zenodo.4154370 (2020)。

Li, C.、Li, L.、Jiang, H.、他。 YOLOv6: 産業アプリケーション向けの 1 段階の物体検出フレームワーク。 arXiv プレプリント arXiv:2209.02976、(2022)。

Wang、CY、Bochkovskiy、A.、Liao、HYM YOLOv7: トレーニング可能な景品の袋は、リアルタイム物体検出器の新しい最先端を確立します。 arXiv プレプリント arXiv:2207.02696、(2022)。

Cao、X.ら。飛行場の舗装上の異物破片検出のための地域ベースの CNN。センサー 18(3)、737 (2018)。

論文 ADS PubMed PubMed Central Google Scholar

Xu、H.ら。畳み込みニューラルネットワークに基づく異物破片の材質認識。 J.イメージビデオプロセス。 2018、21。 https://doi.org/10.1186/s13640-018-0261-2 (2018)。

記事 Google Scholar

Rong, D.、Xie, L.、Ying, Y. 深層学習を使用したクルミ内の異物のコンピュータービジョン検出。計算します。電子。農業。 162、1001–1010 (2019)。

記事 Google Scholar

彼、Q ら。深層学習に基づいた高速鉄道車体の異物検出。 IEEE アクセス 7、183838 ～ 183846。 https://doi.org/10.1109/ACCESS.2019.2960439 (2019)。

記事 Google Scholar

パン、L.ら。 YOLOv3 アルゴリズムに基づいたパッシブミリ波画像からのリアルタイムの隠蔽物検出。センサー 20(6)、1678 (2020)。

論文 ADS PubMed PubMed Central Google Scholar

チェン、Y.ら。低照度環境におけるベルトコンベア上の異物検出のための YOLOv4 アルゴリズムの適用。センサー 22(18)、6851 (2022)。

論文 ADS PubMed PubMed Central Google Scholar

Qiu、Z.ら。改良された YOLOv5 アルゴリズムを地中レーダーによるリアルタイムの異物検出に適用します。リモートセンシング 14(8)、1895 (2022)。

記事 ADS Google Scholar

Jing、Y.ら。ランダムフォレストに基づく光学イメージングセンサーの異物破片検出。センサー 22(7)、2463 (2022)。

論文 ADS PubMed PubMed Central Google Scholar

エイブラムソン、HG et al. 術中の超音波画像に対する深層学習アプローチを使用した脳神経外科における異物の自動検出: 動物モデルから最初の人体実験まで。フロント。外科。 30(9)、1040066。https://doi.org/10.3389/fsurg.2022.1040066 (2022)。

記事 Google Scholar

Sowmya V、Radha R. データ拡張と転移学習技術を特徴とする YOLOv4 に基づく大型車両検出。 Journal of Physs: カンファレンスシリーズにて。 Vol 1911、1、012029 (IOP Publishing、2021)。

Hou Z、Liu X、Chen L. GioU を使用した非最大抑制を改善するための物体検出アルゴリズム、IOP カンファレンスシリーズ: 材料科学と工学。 Vol. 720、番号: 1、012062 (IOP Publishing、2020)。

Wang CY、Liao HYM、Wu YH 他 CSPNet: CNN の学習能力を強化できる新しいバックボーン。コンピュータービジョンとパターン認識ワークショップに関するIEEE/CVF会議の議事録。 390–391 (2020)。

Ge、R.ら。 ECG 不整脈検出のための畳み込みスクイーズアンド励起ネットワーク。アーティフ。知性。医学。 121、102181 (2021)。

論文 PubMed Google Scholar

リファレンスをダウンロードする

この研究は、助成金 2020AAA0109200 に基づく中国国家重点研究開発プログラムによって部分的に支援されました。一部は助成金XLYC2008020に基づく遼寧省活性化人材プログラムによる。一部は助成金 52074064 に基づく中国国家自然科学財団による。一部は、助成金 N2304006、助成金 N2204006、および助成金 N2104026 に基づく中国中央大学の基礎研究基金によるものです。

ノースイースタン大学情報科学工学部、瀋陽、110004、中国

ドン・シャオ、パンパン・リウ、ハン・ユー

冶金産業のためのインテリジェント診断と安全性の遼寧重点実験室、ノースイースタン大学、瀋陽、110819、中国

ドン・シャオ＆パンパン・リウ

Shenyang Institute of Computing Technology Co. Ltd.、CAS、瀋陽、110168、遼寧省、中国

ワン・ジチュン

瀋陽建柱大学科学院、瀋陽、110168、遼寧省、中国

ワン・ジチュン

中国医科大学第一病院（中国、瀋陽）

顧正民

PubMed Google Scholar でこの著者を検索することもできます

DX は研究を設計し、主要な原稿テキストを書きました。 PLがデータを収集しました。 JW はデータを分析および解釈しました。 ZGは図と表を用意しました。 HY が原稿を修正し、著者全員が原稿をレビューしました。

ドン・シャオへの対応。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Xiao、D.、Liu、P.、Wang、J. 他。 YOLOv4_GECA モデルに基づく採掘ベルトの異物検出方法。 Sci Rep 13、8881 (2023)。 https://doi.org/10.1038/s41598-023-35962-3

引用をダウンロード

受信日: 2023 年 2 月 10 日

受理日: 2023 年 5 月 26 日

公開日: 2023 年 6 月 1 日

DOI: https://doi.org/10.1038/s41598-023-35962-3

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。