基于改进YOLOv9n的石墨矿品位识别检测算法OA

针对石墨矿品位检测难以适配边缘计算设备实时、高精度识别的工程痛点,本文以轻量化目标检测网络YOLOv9n(You Only Look Once version 9 nano)为基础,构建非对称协同优化检测模型.分别在网络特征提取、特征聚合以及损失约束阶段嵌入3个定制化增强模块(DualConv、CSP-SMKFA以及 FIIoU),形成端到端递进式优化架构.基于自建石墨矿图像数据集进行对比测试,结果表明,改进模型的精确率(Precision,P)、召回率(Recall,R)、交并比阈值为0.5下的平均精度均值(mean Average Precision at Intersection‑over‑Union threshold 0.5,mAP@0.5)分别为84.9%、87.1%以及92.1%;相较于原始YOLOv9n基线模型,3个指标分别提升3.3%、4.3%以及4.5%.同时,模型维持轻量化特性,可满足矿山边缘计算终端实时品位识别需求,具备较高的工业现场落地应用价值.