基于GSP-YOLO煤矸石检测算法研究

针对目前基于深度学习的煤矸石检测算法在图像检测速度与检测精度上不够理想的问题,提出了一种基于GSP-YOLOv5s的煤矸石检测算法。将主干网络中的卷积模块替换为Ghost卷积模块,降低了参数量;引入SE注意力模块,增强识别能力;删除20×20检测头,更加轻量化。实验结果表明：GSP-YOLOv5s算法检测的平均精度为94.6%,较YOLOv5s精度提升了0.8%;检测速度为110.3 fps,速度提升7.6%.     

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。     

基于深度学习优化YOLOV3算法的芳纶带检测算法研究

矿用芳纶带传送设备在长期运输过程中会产生划伤、砸伤等损伤。芳纶带表面缺陷需要及时的检测,而传统机器视觉检测精度低、受背景干扰比较大、漏检率和误检率较高,因此,本文提出运用深度学习神经网络检测,查看一次统一的实时对象检测(you only look once unified real-time object detection,YOLO)。在现场的测试中,YOLOV3算法对小目标的识别精度比较低,敏感度不够,本文优化了YOLOV3算法,网络信息的传输过程,由ResNet(残差网络)替换为特征表述更为完整的DenseNet(密集连接网络),同时运用了卷积降维进行优化,减少检测时间。在现场经过比对,优化后的YOLOV3算法相较于通过频域变换和Otsu算法,检测精度提高了26%,对比没有优化的YOLOV3算法,检测精度提高了15%,通过在现场的实验,该方法有效地改善了对于芳纶带小目标的瑕疵检测。     

基于YOLO v3的煤岩钻孔图像裂隙智能识别方法

提出一种基于YOLO v3的深度卷积神经网络检测识别数字钻孔图像裂隙自动识别方法。首先详细阐述了新版本YOLO v3目标检测原理,然后选取煤矿井下钻孔图像在VOC 2007上制作数据集,采用Darknet-53的网络结构进行训练。试验结果表明基于的YOLO v3的钻孔图像裂隙检测方法可以快速准确识别,为围岩裂隙机器的视觉识别提供了新技术支持。     

基于深度学习YOLO模型的植物图像识别算法研究

为提高YOLO模型进行植物图像快速识别的准确率,对基于深度学习YOLO模型算法进行研究.在传统网络模型的基础上,引入了可变形卷积,将损失函数加入分类函数层中,有效的提高了模型的泛化性能,结合cuDNN库进行并行计算,提高了算法的效率.采用改进的YOLOv3网络模型结合公开数据集进行测试,实现了102种植物的有效识别,平...     

矿井带式输送机胶带表面异物视频检测系统设计研究

由于煤矿输送带视觉场景噪声高、地下环境复杂，输送带图像的异物识别效率较高。针对煤矿带式输送机存在异物造成输送机损坏的问题，提出了基于SSD技术的带式输送机表面异物视频检测方法。采用深度可分卷积方法减少SSD算法中的参数数量和提高速度；采用GIOU函数计算式代替原始SSD中的位置损失函数，以提高检测精度；对特征映射的提取位置和识别框的比例进行优化，以提高检测精度。实验结果表明，改进算法优于原SSD算法，平均准确率从 87.1% 提高到90.2%，检测帧率从32帧提高到41帧。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂，采用“一刀切”的开采方法会加速滚轮截齿的磨损，同时开采效率也大幅降低，对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位，同时与Faster R-CNN，SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%，检测速度达到了63 frame/s，与Faster R-CNN，SSD相比精度高出7.7%，4.7%，而检测速度高出763%，40%；在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间，相对误差较小，不会对采煤效率产生影响。研究结果表明，YOLOv2可以对煤岩进行准确快速的识别。     

基于优化SSD-MobileNetV2的煤矿井下锚孔检测方法

为进一步提高煤矿井下打锚技术的自动化水平和安全性,提出了煤矿井下钢带锚孔自动检测方法。选取兼具检测精度与速度的SSD算法作为检测网络,以轻量化MobileNetV2为骨干特征提取网络建立了锚孔检测模型。针对煤矿井下钢带锚孔目标小、不易检测的问题,优化了先验框的设置,使得先验框进一步与有效感受野匹配,提高识别精度。该锚孔检测模型对于自建数据集中的锚孔目标识别准确率为94.24%,AP达94.08%,取得了较好的检测效果;检测速度可达84.73帧/s;模型大小仅为14.3 MB。模型经TensorRT优化并部署于NVIDIA Jetson Xavier NX硬件平台上,验证了模型的可应用性。     

基于生成对抗网络的罐笼人数统计方法

针对目前煤矿罐笼内部人数统计方法存在成本高、实时性差的问题,提出了一种基于生成对抗网络 (GAN) 的罐笼内部人数统计模型 G-SSD。该模型以经典的 SSD 作为基础目标检测模型,利用 GAN 在数据表达方面的优势进行数据集的扩充,并在基础 SSD 模型中引入了注意力机制模块来增强特征图谱,消除背景中的噪声并稳定模型的训练过程。试验结果表明,笔者所提出的模型在人数较少、人数适中、人数较多 3 种情景下的平均精度分别达到了 98.8%、96.9%、84.8%,相比于经典 SSD 模型其平均精度提升了 10.3%。并通过与多种现有目标检测模型的对比试验,证明了所提算法可以有效提高罐笼内部人数统计的效果。     

改进Mask RCNN算法对矿石分割定位的研究

针对复杂工况环境下矿石分割精度低的问题，提出改进Mask RCNN实例分割算法。Mask RCNN采用简单的反卷积操作来恢复矿石的掩膜，导致矿石边缘信息丢失，因此提出混合注意力模块，该模块将通道注意力机制和空间注意力机制进行加权融合，可以在通道层面和空间层面对矿石的特征信息加强。结合混合注意力模块改进Mask RCNN的分割网络结构，减少在卷积运算中造成的矿石细节信息丢失，提高网络对矿石的分割精度。用制作的矿石数据集进行网络训练和网络评价，将改进之后的算法与原算法以及其他两种常用算法进行对比试验研究，试验结果表明，改进算法中MIoU约为87.1%,相较原算法提升约19.15%,MPA值约为94.61%,较原算法提升了约22.93%,对于矿石识别分割具有更高的检测精度。改进算法在复杂工况环境下对矿石的精确识别和分割有很大的应用前景。     

基于轻量化PAM-M-YOLO模型的煤矸石图像检测

针对传统煤矸石检测算法中人为提取煤矸石图像特征过程复杂、检测精度低等问题,提出了一种轻量化的PAM-M-YOLO煤矸石检测模型。首先,使用MobileNetv3特征提取网络替换原模型主干网络,采用深度可分离卷积替换传统卷积进行煤矸石图像的特征提取;其次,设计PAM并联注意力模块提升目标检测网络层拼接后特征图通道和空间信息关注度;最后,基于CAM激活限制分支给模型添加先验信息,以降低模型在非关键特征上的局部坍塌。试验结果表明,轻量化PAM-M-YOLO煤矸石检测模型准确率、召回率、mAP值分别为98.7%、97.5%、98.8%,较原M-YOLO模型分别提升了3.6, 2.3, 2.0个百分点;参数量为3.8 MB,比YOLOv5模型降低了近1/2。热力图可视化效果表明,轻量化PAM-M-YOLO模型在检测过程中所关注的信息更集中于煤矸石区域,有效解决了模型在煤矸石区域的局部坍塌问题。     

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 Kmeans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 GeForceRTX2060显卡,相 比人员检测常用的 SSD、FasterR-CNN算法,改进 YOLOv4 算法提高了检测率,平均检测精度达到97.72%,检测速度为 32帧每秒,满足井下人员实时检测的需求。     

基于机器视觉的煤矸石检测研究

针对传统煤矸石分拣机器人对输送带上不同位置煤矸石感知能力不足的问题,提出使用单激发多盒探测器(SSD)机器视觉算法对煤矸石进行检测的方法,提高分拣机器人的感知与分拣性能。实验结果表明,基于SSD的煤矸石检测算法实时性优于Faster-RCNN检测算法,且具有更高的准确性,进一步促进了煤矸石分拣机器人的智能化。     

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。     

YOLOv2在煤岩智能识别与定位中的应用研究

综采工作面煤层走向复杂,采用“一刀切”的开采方法会加速滚轮截齿的磨损,同时开采效率也大幅降低,对煤岩的精准识别是解决此类问题、实现智能开采的关键。将基于回归方程的深度学习目标检测算法YOLOv2与线性成像模型相结合并通过该算法对井下采集煤岩图像进行了智能识别与定位,同时与FasterR-CNN,SSD对煤岩图像的识别结果进行了对比。结果显示YOLOv2对煤岩的识别精度达到了78%,检测速度达到了63 frame/s,与Faster R-CNN,SSD相比精度高出7.7%,4.7%,而检测速度高出763%,40%;在矿井测量坐标系中YOLOv2标定的煤层边界框角点的计算坐标与实测坐标相比相对误差在3.0%～4.5%之间,相对误差较小,不会对采煤效率产生影响。研究结果表明,YOLOv2可以对煤岩进行准确快速的识别。     

基于轻量化YOLOv7的井下高压场景安全识别研究

为了使杨柳煤矿安全监测平台精准快速地识别机电人员高压作业场景中存在的不安全行为,以井下中央变电所为例,聚焦绝缘护具佩戴情况设计安全识别框架。基于YOLOv7目标检测算法引用部分卷积(PConv),提高模型在处理遮挡或缺失画面的鲁棒性和泛化能力;融合快速神经网络结构(FasterNet),降低计算冗余优化检测性能;最后融合时间空间注意力模块(CBAM),提高算法的特征提取能力。实验结果表明：轻量化处理后较原模型体积缩小30.5%,计算量减少23.7%,识别平均精度可达97.3%,单张图片检测速度提升38.1%。在复杂背景下小目标检测任务中有效地解决了漏检问题。     

一种基于深度学习的煤矸石检测方法

针对选煤场的煤矸分离中基于计算机视觉的煤矸石检测方法需要复杂的人工特征设计过程,在YOLOv3目标检测模型基础上,提出一种基于深度学习的端到端煤矸石检测方法。采用深度可分离卷积以及转置卷积对模型的骨干网络进行改进,以缩减模型大小并提高模型运行速度;加入空间金字塔池化模块,改善模型的特征融合能力;引入平衡L1损失函数和距离交并比损失函数,加速模型收敛并提高定位准确性。研究结果表明,所提算法能够实时精准地检测出煤与矸石混合体中的矸石,为提高煤炭质量、改进分拣效率提供有效保障。     

基于AlexNet-SN网络的煤与煤矸石分类方法

现有煤矸石分选方法依据人工设计的特征对煤矸石进行识别,特征提取过程稍显复杂,准确率仍有很大的提升空间。人工智能技术快速发展,智能选矸成为解决煤矸石分拣问题的重要研究方向,为提高煤与煤矸石分类准确率,本文提出了一种基于AlexNet网络和风格迁移技术的改进的煤矸石分拣方法。选用 的卷积核代替原AlexNet网络前几层中较大的卷积核,利用BN层代替LRN和Dropout,并采用风格迁移数据增强的方法提高煤与煤矸石数据集的多样性。结果表明,与原始的AlexNet网络相比,该方法的准确率提高了1.8%,损失率下降了2%。本文选用的方法不仅能够满足实时检测的要求,而且具有更高的识别精度,能有效应用于煤矸石识别。     

基于RetinaNet的煤矿井下输送带异物检测技术

受煤矿生产环境与开采条件等因素影响,煤炭中常混入煤矸石、铁器等异物,从而在井下煤炭运输过程中对输送带造成损害,导致经济损失和安全隐患。使用深度学习方法对输送带异物进行检测。在煤矿井下光照和粉尘影响下,运用HSV空间改进融合Retinex算法对图像进行增强,以RetinaNet＿Res101为基础网络,用八度卷积代替网络中的部分传统卷积层,在特征提取阶段降低特征图中低频分量冗余特征,提高细节特征提取效果,减少空间冗余,达到提升精度的同时节约计算资源提高运算速度的效果。实验结果表明,八度卷积优化RetinaNet模型在测试集平均精度为94.1%,比原始RetinaNet模型提高3.9%,同时检测速度提高了26.3%。     

基于递归门控卷积和上下文注意力的煤块检测算法

针对煤矿带式输送机上煤块检测因光照不均存在的漏检与误检问题，提出一种基于门控卷积和上下文注意力机制的改进YOLOv5煤块检测算法。首先，将主干网络中残差模块替换为递归门控卷积模块，通过逐步融合特征信息，提取高阶语义特征，增强模型的特征提取能力。其次，在特征融合结构中加入GCA注意力机制，将全局上下文信息融入坐标注意力模块中，加强感兴趣区域的全局表示，增强多尺度特征融合能力，提高模型对煤块边缘特征的敏感度。最后，采用SIoU损失函数，加速网络模型的收敛。试验结果表明，改进的算法在自建煤块数据集上平均精度均值达到92.8%,召回率达到85.9%,检测速度达到38帧/s。既提高了检测精度，又满足了检测的实时性。