基于MES−YOLOv5s的综采工作面大块煤检测算法

综采工作面的目标具有高速运动、多尺度、遮挡等特点,现有的目标检测算法存在精度低、模型占用的内存大、硬件依赖强等问题。针对上述问题,提出了一种基于MES−YOLOv5s的综采工作面大块煤检测算法。采用轻量化设计,将MobileNetV3作为主干网络,以减小模型占用的内存,提高CPU端的检测速度;在颈部网络添加高效多尺度注意力(EMA)模块,融合不同尺度的上下文信息,并进一步减少计算开销;采用SIoU损失函数代替CIoU损失函数,以提高训练速度和推理准确性。消融实验结果表明:MobileNetV3大幅减少了模型占用的内存和检测时间,但mAP损失严重;EMA模块和SIoU损失函数可在一定程度上恢复损失的精度,同时保证模型在CPU上具有较高的检测速度,满足煤矿井下目标实时检测需求。对比实验结果表明,与DETR,YOLOv5n,YOLOv5s,YOLOv7模型相比,MES−YOLOv5s模型综合性能最好,mAP为84.6%,模型占用的内存为11.2 MiB,在CPU端的检测时间为31.8 ms,在高速运动、多尺度、遮挡和多目标的工况环境下能够保持较高的召回率和精度。

基于改进YOLOv5的带式输送机大块煤检测

过大的煤块在带式输送机上运输时易造成煤流不畅、堵塞及堆煤,然而大块煤和普通煤块在外形和颜色上的差异较小,且煤块间存在遮挡和堆叠的情况,现有煤块检测方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。针对上述问题,提出了一种改进YOLOv5模型,用于带式输送机大块煤检测。利用并行空洞卷积模块替换YOLOv5骨干网络中的部分普通卷积模块,扩大感受野,提升多尺度特征学习能力,从而更好地区分大块煤与普通煤块;在颈部网络中加入联合注意力模块,更好地融合上下文信息,提高对大块煤的定位能力。利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,根据大块煤的数量信息实时联动PLC示警。实验结果表明:相比于原始YOLOv5模型,改进YOLOv5模型在召回率和平均精度上分别提高了3.4%,2.0%;PLC可根据改进YOLOv5模型检测出的大块煤数量操作相应的指示灯和蜂鸣器进行示警;将改进YOLOv5模型应用于煤矿井下实际输煤视频中,对大块煤的检测精确率达97.0%,有效避免了漏检和误检现象。