基于YOLOv5s改进的井下人员和安全帽检测算法研究

针对目前煤矿井下综采工作面煤尘干扰导致的人员和安全帽检测算法精确度低、漏检率高等问题,文章提出一种基于YOLOv5s改进的矿井人员和安全帽检测算法。首先引入CBAM注意力机制,更准确的提取图像关键特征;然后采用αCIOU损失函数替换原始的CIOU损失函数,二者结合提升整体目标检测的准确率。实验结果表明：改进后的检测算法精度优于YOLOv5s原始算法,检测准确率高达97.6%,在井下综采工作面复杂环境下可以实现高效准确的井下人员和安全帽检测。     

改进 YOLOv4算法井下人员检测的研究

针对矿山企业井下作业人员工作环境光线暗、干扰因素多、常用井下行人检测的方法精度低、速度慢等问题,提出基于YOLOv4算法的井下人员检测系统,引入信息熵的K-means聚类确定目标检测的中心点,提高网络对目标特征的提取能力.试验结果表明,采用GeForce RTX2060显卡,相比人员检测常用的SSD、Faster R-...     

基于改进YOLOv5s的煤矿车辆车牌检测方法

为提升煤矿车辆车牌检测的准确性,提出了一种基于YOLOv5s改进的检测模型。在特征融合阶段,采用加权双向特征金字塔网络(BiFPN)为每个输入特征添加可学习的权重,从而学习不同输入特征的重要性,在不同层次上加强特征融合;使用EIOU损失代替YOLOv5s网络模型CIOU损失作为边界框损失函数,将预测框和真实框的纵横比影响因子拆开,分别计算预测框和真实框的长和宽,加快网络的收敛速度;在特征提取网络中融入CBAM注意力机制,提取目标的更多相关特征信息。实验结果表明,与之前的YOLOv5s模型相比,改进后的网络模型在平均精确度(mAP)上提升了1.05%,收敛速度更快,改进后的模型能有效提高车辆车牌检测的准确率。     

基于GCA-YOLOv5s煤矸石检测技术研究

针对目前基于图像处理的煤矸石检测方法精度低、实时性差、漏检等问题,文章提出了一种基于GCA-YOLOv5s的煤矸检测算法。引入Ghost轻量化模块代替卷积操作对网络模型进行压缩提升检测速度;采用卷积块注意力对特征图进行处理,使提取的特征更加精炼,提升模型的表现力;根据数据集中目标的大小分布特征,选择合适的Anchor尺度,提升煤矸的检测精度。实验数据表明：改进后的煤矸石检测算法在实时性方面优于默认的YOLOv5s检测算法,检测速度每秒提升了10.19帧,同时对小目标也有较好的检测效果。     

基于倒置残差的井下无人车目标检测研究

对井下光线昏暗、光照不均、背景复杂等特殊工况环境的影响下,所形成的图像目标存在细节特征少、图像模糊等问题进行了研究,提出了一种基于倒置残差结构改进YOLOv5s模型的检测算法,以此解决井下目标检测精度低的问题。首先主干网络部分引入通道注意力神经网络模块(SE-Net),提高检测精度;颈部网络部分在BottleneckCSP模块中引入倒置残差结构,将通道进行扩充,丰富特征数量,进一步提升检测精度。在自建井下数据集上进行检测试验,结果表明,基于倒置残差的模型平均检测精度均值(交并比为0.5)达84.4%,相比YOLOv5s模型精度提高了16.7个百分点,参数量减少了17.1%,模型轻量化且精度高,可有效改善井下目标检测精度低的问题,基本满足井下无人车目标检测的需求。     

基于YOLOv７-CA-Faster的井下复杂环境下车牌定位算法研究

针对井下环境中,传统车牌定位算法易受强光、反光、粉尘等不利条件影响,导致出现车牌与车身对比度降低、边缘弱化的问题,提出了一种基于改进YOLOv7的车牌高精度定位检测算法. 首先将坐标注意力机制(Coordinate Attention,CA)融入到YOLOv7颈部网络中,增强网络对车牌特征的学习和提取,弱化车身背景信息,提高低质量图像的车牌检测精度;然后通过FasterNet轻量卷积模块与YOLOv7骨干网络的高效聚合网络结构(Efficient Layer Aggregation Networks,ELAN)结合,简化改进算法模型的运算复杂度,在保证模型检测精度与稳定性的同时,提高目标检测速度.试验结果表明,YOLOv7-CA-Faster模型平均精度均值达到97.8％,与改进前的YOLOv7模型相比,平均精度均值提高了2.4个百分点;模型总参数量、浮点运算数、内存占用量分别减少11.9％、19.1％、12.0％,模型更轻量化.与Faster-RCNN、SSD、YOLOX-m和YOLOv5-m 等主流目标检测模型相比,YOLOv7-CA-Faster模型具有较大优势,平均精度均值分别提高7.3,5.9,3.1,2.8个百分点.在井下环境中,改进的YOLOv7-CA-Faster算法具有良好的检测性能,可为车辆编号的精准识别及地下矿山车辆智能管控提供技术支持.     

基于改进 YOLOv5的煤矿井下暗环境矿工安全穿戴智能识别

煤矿井下矿工安全智能识别是防止矿工受到意外伤害的重要保护措施之一。为了提高煤矿井下光线不足等暗环境下的识别准确率,提出一种基于改进YOLOv5的目标检测算法对矿工安全穿戴进行智能识别。首先,实地采集数据构建安全穿戴数据集,将其输入到弱光增强网络Zero-DCE中,提升模型的泛化能力;其次,提出C-ASPP模块,通过对ASPP改进并加入注意力机制,将其加入主干网络之中,使模型更加高效关注安全穿戴区域的特征;然后,在主干融入Transformer算法,增强模型对不同尺度目标的动态调整能力;最后,在特征融合阶段,使用双向特征融合金字塔模型,提高模型的特征提取能力和检测性能。试验结果表明：改进后的YOLOv5算法的平均检测精度提升至90.2%,较原算法提高了3个百分点,检测速度为81.2帧/s,相较于其他算法有着较高的准确度和速度,可满足井下工作区域内矿工安全穿戴识别要求。     

基于改进YOLOv5的矿用钢丝绳芯输送带破损检测方法

针对矿用钢丝绳芯皮带进行无损检测时存在目标区域占比小、局部信息冗余以及网络参数难以训练等问题,提出一种基于改进YOLOv5的钢丝绳芯皮带检测算法。通过优化Mosaic数据增强将图像数从4提升至9,提升图像特征丰富度;采用注意力机制对图像中重要特征进行加权控制;并用EIOU作为损失函数,增加收敛和改善回归准确度。实验结果表明,改进后平均精度均值增加0.7%,达到70.9%,增强了其抗干扰能力且漏检量减少。     

基于半监督学习的煤矿井下行人检测模型

在井工煤矿辅助运输车辆无人驾驶及安全监测领域,行人检测技术至关重要。目前已有许多工作进行了相应研究,但这些研究均需要使用大量的精确标注图片,而煤矿井下图片获取较为困难,标注难度也十分大,这些因素都极大地影响了相关模型的落地应用以及推广。为了解决这一问题,提出了一种基于半监督学习的煤矿井下行人检测模型。通过使用半监督学习框架可以有效降低煤矿井下行人检测模型对于高质量标注数据的大量需求。此外,针对煤矿井下设备运算能力较低的特点,还对YOLOv5模型进行了改进,在维持模型检测精度的条件下提升了模型的检测速度。实验表明基于半监督学习的煤矿井下行人检测模型可以使用仅相当于原数据集5%的数据训练得到较为有效的检测模型,大幅度较少了对于标注数据的依赖,对煤矿井下行人检测模型的快速应用和推广起到了帮助作用。     

基于GBS-YOLOv5s的煤矿烟火检测

针对现有的煤炭烟火检测方法精确度低、参数量大、算法复杂度高等问题,提出了一种基于GBS-YOLOv5s的煤矿烟火检测算法。使用Ghost卷积模块实现特征提取,在原始算法上加入Ghost Bottleneck模块来减少模型参数量。其次,通过在SPPF模块后面加入全局上下文特征提取BoT3模块,增加对小目标的检测效果。最后,引入一种新的Soft-NMS算法,降低这些边界框的置信度,提升召回率,减少重叠目标的漏检。实验结果表明：GBS-YOLOv5s目标检测算法优于YOLOv5s算法,准确率提升了3.3%,每秒的浮点运算数GFLOPs减少了7.6 G,可以满足煤矿场景下对模型检测的要求。     

基于深度学习的矿井巷道人员计数技术

在煤矿发生安全事故时需要明确掌握各个区域的人员情况,合理安排营救计划。使用YOLOv5作为目标检测器,结合改进的DeepSORT跟踪算法进行矿井人员跟踪,实现煤矿矿井各个巷道区域的人员计数;首先使用轻量化的全尺度特征学习Re-ID特征提取模型OSNet对DeepSORT进行优化,替换原有的CNN特征提取模块;然后采用检测器和OSNet特征提取模型单独训练的策略,实现了矿井复杂环境下稳定的跟踪效果;在此基础上,通过在视频画面中设置ROI区域和基准线来判断人员进出的情况,从而实现计数功能。为了有效训练和评估模型的性能,采集了10 000张煤矿矿井下各个巷道不同区域的图片用于训练和测试,改进后模型的MOTA为66.7%,优于改进前的63.4%;改进后速度为28.1 FPS,优于改进前的25.3 FPS。试验结果表明：改进后的模型可以有效地实现矿井人员计数,可以用到实际的生产环境中。     

融合金字塔结构与注意力机制的煤矿井下巡检机器人PT目标检测算法

近年来,煤矿机器人已成为现代煤机装备领域的研究热点,多数煤矿的主煤流运输系统基本实现了连续化、机械化和自动化,因此对主运输巷道内的安全监控与巡检效率提出了更高的要求,而精准的目标检测是实现煤矿井下智能化安全监控的必要保障,但现有的目标检测算法应用于复杂恶劣的煤矿井下巷道环境,存在目标检测精度较低的问题。面向井下低照明、环境杂乱的特殊工况检测需求,制作了井下巷道环境内目标物数据集,完成数据集标注并展开多维度分析;提出一种基于金字塔结构与注意力机制融合的PT目标检测算法,利用注意力机制模块替换金字塔结构中的卷积模块,在控制特征计算量的同时提高对全局特征的提取能力,实现目标物局部特征与全局特征融合的提取效果,提高了图像中目标感兴趣区域特征的表达能力。最后,面向煤矿井下巡检机器人应用场景,将提出的PT算法与传统经典的Faster R-CNN、YOLOv4算法进行对比分析。结果表明：所提出的PT目标检测算法能够有效识别复杂环境下巷道内目标物,相较于主流的Faster R-CNN、YOLOv4目标检测网络,PT算法有更好的综合识别能力,识别煤矿人员的准确率分别提升了2.90%和4.30%,识别井下障碍的准确率分别提升0.20%和4.80%,识别矿井裂缝的准确率分别提升了4.40%和8.60%,识别井下设备的准确率分别提升了3.00%和8.70%。因此,PT目标检测算法能够更好地适应井下环境,目标检测算法较其他算法能够获得更高的准确率与检测速度,可为井下巷道安控系统建设提供理论依据与技术支撑。     

井下人员跟踪监测系统的设计

为了便于对井下人员及设备进行实时监测管理,随时了解井下矿工的数量及所在位置,科研技术人员开发了井下人员跟踪监测系统。该监测系统的跟踪器由井下人员携带、或放置在车辆及仪器设备上,根据跟踪器发来的信号进行处理判断,判断来自哪个区域的活动踪迹,最终实现跟踪统一管理。它的最大优势是,利用其定位功能及时找到井下人员所处的位置。因此,如果发生煤矿事故,人员跟踪系统有助于迅速高效地寻找井下被困人员,从而最大限度地减少伤亡。     

井下人员跟踪定位系统的组网设计

以青瓷窑煤矿为例,探讨煤矿入井人员实时跟踪监测和定位,随时掌握每个人的位置及活动轨迹.通过考察矿井结构与实际应用做出系统组网设计.井下系统采用RS-485组网,实现数据采集传输.     

井下人员定位跟踪检测系统的研究

基于对RFID技术与ZigBee技术的分析和比较,设计了一种新型煤矿井下人员定位跟踪检测系统。阐述了ZigBee技术的特点及其在煤矿井下的应用;重点介绍了井下人员定位网络的组成、结构和目标节点的定位过程。该系统可进一步提高矿井管理的安全性,便于矿领导、调度室和安监人员及时了解有关人员下井时间及分布情况。     

基于改进卡尔曼滤波算法的煤矿井下跟踪方法

煤矿井下环境特殊,受限的多径衰落无线信道对跟踪技术提出了极大的挑战。提出了指纹匹配和卡尔曼滤波相结合的井下跟踪算法。首先利用卡尔曼-均值滤波器对采样RSSI值进行去噪等处理,然后执行指纹匹配算法得到观测点处的位置坐标作为跟踪中的观测值,并与真实值估算出井下观测噪声方差,最后采用改进的卡尔曼滤波算法跟踪目标运动轨迹。试验结果表明,改进的算法能够满足矿井下目标的跟踪精度及误差的要求,增强了跟踪系统的可靠性。     

面向煤矿井下的改进分布式目标跟踪算法

提出一种面向煤矿井下线性拟合和卡尔曼滤波相结合的改进分布式目标跟踪算法。根据移动目标的当前位置建立动态簇,簇头节点集中处理簇成员节点发来的最新观测数据,结合线性拟合算法和卡尔曼滤波算法对移动目标进行预测,将线性拟合的预测值和卡尔曼滤波预测值作为真正的预测值,得到目标的状态估计,通过这样的改进可实时的修正预测值。仿真结果表明,与传统的分布式目标跟踪算法比较,改进算法集中了2种算法的优点,有很好的跟踪性能。     

基于GIS和RFID的煤矿井下人员跟踪定位与监控系统设计

煤矿井下工作环境恶劣,突发性事故时有发生,井下工作人员多、地点分散、给安全管理与事故救援带来很大的困难.基于GIS和RFID的煤矿井下人员跟踪定位与监控系统能够很好的解决并下人员的实时定位与监控管理等问题,为井下救援与管理带来极大方便,从而使我国的煤矿安全生产与事故救护更加规范与科学.     

基于注意力机制的轻量级矿井钢丝绳断丝检测算法研究

立井提升系统作为煤矿生产中的主要运输设备,其核心构件钢丝绳常因工作负荷大、受到腐蚀、磨损等原因而产生断丝引发事故。传统的立井提升机钢丝绳检测算法存在效率低、劳动强度大、智能化程度差和准确率低等问题。基于此,提出一种改进YOLOv5s模型,并基于改进的模型进行矿井钢丝绳断丝检测。首先,设计Swiener滤波算法进行钢丝绳图像运动模糊修复,抑制噪声干扰;其次,在特征提取阶段,引入RFC3轻量化模块降低模型可训练参数,提升钢丝绳检测速度;第三,提出CBAM-R注意力机制,增强模型对小断口断丝的检测能力;最后,引入Focal EIoU损失函数,提高模型对小断口断丝的检测精度并加速模型收敛。研究结果表明：所提出的基于注意力机制矿用钢丝绳断丝检测算法(CTR-YOLO)可以更好地满足实际应用需求,减少了误检、漏检导致的人力成本浪费及安全事故的发生。     

改进YOLOv5s的采煤机滚筒与支架护帮板干涉状态智能识别

针对综采工作面液压支架护帮板处于未收回异常状态导致采煤机滚筒与护帮板干涉问题,提出一种改进YOLOv5s的采煤机滚筒与液压支架护帮板干涉状态智能识别方法。运用课题组前期提出的基于边界约束和非线性上下文正则化的去雾去尘方法对视频图像进行清晰化处理,提高综采工作面监控视频图像质量;对YOLOv5s模型进行改进,通过将YOLOv5s主干网络中的普通卷积Conv替换为分类效果更佳的Ghost卷积,减少了模型的参数数量,提高了模型识别速度,同时引入坐标注意力机制,提高了模型对护帮板和滚筒特征提取能力,从而提高模型识别精确率。运用软非极大值抑制算法（Soft-NMS）的锚框筛选方法,减少因护帮板重叠而发生漏检问题。针对采煤机滚筒与液压支架护帮板干涉状态判定问题,提出液压支架护帮板与采煤机滚筒锚框重合度的判定方法。运用本文改进YOLOv5s模型与YOLOv5s、YOLOv3-tiny模型进行对比分析,结果表明：本文方法与原模型相比的识别精确率提高了约8.1%,GFLOPs降低1.86倍;mAP@.5达到97.2%、平均识别速度为检测时间为5.9 ms。运用本文方法对煤矿实际综采工作面采煤机滚筒与液压支架护帮板视频图像进行干涉状态识别试验验证,结果表明：对采煤机滚筒与液压支架护帮板干涉状态识别准确率为96%。