融合注意力机制和先验知识的刮板输送机异常煤块检测

刮板输送机作为综采工作面的主要运输设备,运行状态直接影响生产效率。在其工作过程中,由于采煤过程产生的较大煤块,易造成板刮输送机运输过程的拥堵。然而,煤矿工作环境的恶劣、煤的颜色属性等造成大块煤的检测异常困难,为此本文提出一种融合注意力机制和先验知识的煤矿刮板输送机异常煤块检测模型。为兼顾异常煤检测的准确性与实时性,采用YOLO v4端到端检测模型同时检测出异常煤块的类别信息;考虑到刮板输送机中包含与异常煤块无关的信息,以神经科学和空间抑制思想为基础,构建一种以能量函数为载体的注意力机制检测刮板输送机中不同区域异常煤块,提高异常煤块的检测精度;针对基于深度神经网络的异常煤块检测过多依赖数据且泛化能力较低,受人们经验学习影响的问题,提出具备特征提取的先验知识来降低模型对数据的依赖和提高模型的检测效率;构建了煤矿实际生产场景中异常煤块检测数据集。结果表明:与其他模型相比,所提出模型在测试集上的检测精度可达90.28%,相比YOLO v3和YOLO v4分别提高了5.82%和5.17%,明显优于其他模型;检测速度每秒可达28帧,满足实时检测的需求,同时验证了本文所提出注意力机制和先验知识模型的有效性。

融合轻量级网络和双重注意力机制的煤块检测方法

针对现有煤矿井下带式输送机上煤块检测方法存在检测精度低、检测速度慢等问题,提出了一种融合轻量级网络和双重注意力机制的改进YOLOv4模型,并将其应用于带式输送机煤块检测。改进YOLOv4模型采用K-means聚类算法重新聚类先验框,使先验框更适应检测目标尺寸;通过引入MobileNet轻量级网络模型改进主干网络结构,以减少模型的参数量和计算量,提高检测速度;嵌入具有双重注意力机制的卷积块注意模块,用于提高模型对目标特征的敏感度,抑制干扰信息,提高目标检测精度。实验结果表明,改进YOLOv4模型能准确检测出不同尺寸的煤块;相较于YOLOv4模型,改进YOLOv4模型权重文件减少了36.46%,精确率提高了2.16%,召回率提高了20.4%,平均精度均值提高了14.37%,漏检率降低了16%,检测速度提升了19帧/s,处理单张图像耗时减少了1.31 s,提高了煤块检测精度和检测速度。

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。

基于改进YOLOv5s+DeepSORT的煤块行为异常识别

煤块检测方法主要包括传统图像检测方法和深度学习目标检测方法。传统图像检测方法检测精度不高、实时性较差、无法对堆煤进行准确判断;深度学习目标检测方法虽然可以实现实时检测,但没有对煤块的数量、滞留和堵塞状态进行识别,而且识别模型参数较多。针对上述问题,提出了一种基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法。首先通过摄像头和巡检机器人采集煤矿综采工作面带式输送机上煤块视频图像,并制作数据集。然后利用MobileNetV3_YOLOv5s_AF-FPN模型进行煤块图像目标检测:通过MobileNetV3替换原始YOLOv5s主干特征提取网络,减少参数量,提高推理速度;将YOLOv5s中原有的特征金字塔网络改进为增强特征金字塔网络(AF-FPN),以提高YOLOv5s网络对多尺度煤块目标的检测性能。利用DeepSORT进行煤块多目标跟踪:将改进YOLOv5s模型检测后的煤块图像作为DeepSORT的输入进行多目标跟踪,利用DeepSORT对煤块进行状态估计、数据关联匹配和跟踪器参数更新,确定跟踪结果,并对连续跟踪的煤块进行ID编码,对当前帧的煤块数量进行计数。最后在目标跟踪器中取出连续跟踪的目标,设置距离阈值,判断其是否滞留;设置数量阈值,判断其是否堵塞,最终实现煤块滞留和堵塞行为异常识别。利用自建dkm_data2021数据集对基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法的可靠性进行实验验证,结果表明:改进YOLOv5s模型相比YOLOv5s模型平均检测精度提高了1.45%,参数量减少了35.3%,推理加速了12.7%,平均漏检率降低了11.08%,平均误检率降低了11.54%;基于改进YOLOv5s+DeepSORT的煤块行为异常识别方法检测精度为80.1%,可准确识别煤块滞留、堵塞状态,验证了该方法的可靠性。