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CBA-YOLO模型的煤矸石检测

煤矸石检测中存在样本间特征差异小、目标密集等问题,导致现有煤矸石检测方法精度不高且实时性较差。针对该问题,提出了一种基于CBA-YOLO模型的煤矸石检测方法。CBA-YOLO模型以速度较快、精度较高的YOLOv5m为基础模型,在YOLOv5m的Backbone中加入卷积块注意力模块(CBAM),通过串联空间注意力模块和通道注意力模块,在聚焦特征差异的同时降低数据维度,提高煤矸石检测性能;在Neck部分采用双向特征金字塔网络(BiFPN)结构,通过融合不同尺度的特征提高模型计算效率,从而提升煤矸石检测速度;在Prediction部分采用Alpha-IoU函数作为损失函数,通过设置权重系数加速对高置信度目标的学习,进一步提高煤矸石检测精度。实验结果表明:CBA-YOLO模型对煤矸石的平均检测精度达98.2%,比YOLOv5模型提高了3.4%,检测速度提升了10%;CBA-YOLO模型的鲁棒性更强,可有效避免漏检、误检和重叠现象。

YOLOv4煤矸石检测方法研究

针对煤矸石分选的问题,提出一种基于深度学习的目标检测算法替代人工选矸,为后续开发自动选矸机器人提供视觉依据。由于矸石样本数量有限,各个地区矸石特征不一,没有统一标准大数量样本集,为不影响深度卷积网络训练精度,提出一种基于卷积生成对抗网络(DCGAN)的煤矸石图像数据扩充方法,建立有效的监督样本集进行训练。通过模型训练实验发现,基础YOLOv4的深度学习网络存在针对小块煤矸石漏检与误检的缺陷,通过采用修改K-means初始锚框参数与增加一个检测通道,在主干网络中加入SE注意力机制,来改进算法克服小块煤矸石漏检的缺陷。通过实验测试得出,改进后的YOLOv4能够对小块煤矸石检测,同时也能够提高目标检测模型的整体检测精度,准确率可达94%以上,完全可以替代人工检测。

一种改进的高斯混合模型煤矸石视频检测方法

基于皮带运输机的监控视频,实现煤流中矸石的检测。由于皮带运输机视觉场景复杂、视频图像质量差,所以,采用改进的高斯混合模型提取视频背景,实现视频背景分离,从而实现煤矸石的检测和识别。为提高算法性能,采用粒子群优化算法对高斯混合模型参数进行优化与自整定。研究结果表明:所提算法对矸石的检测准确率达到95.83%,能够对皮带运输机上的煤矸石实现有效检测,为提高煤炭质量、保证皮带运输机安全运行提供有效保障。

基于轻量化HPG−YOLOX−S模型的煤矸石图像精准识别

针对现有基于视觉技术的煤矸石分选方法存在模型参数量大、特征提取能力差、识别精度低等问题,提出了一种基于轻量化Ghost−S网络与混合并联注意力模块(HPAM)YOLOX−S模型(HPG−YOLOX−S模型)的煤矸石识别方法。首先,在YOLOX−S模型主干网络中加入HPAM,以增强图像中重要信息,抑制次要信息,加强主干网络的特征提取能力。其次,将YOLOX−S模型主干网络替换为参数量更小的Ghost−S网络,提高利用率与特征融合能力。最后,在预测层中采用SIOU损失函数来替换YOLOX−S模型的损失函数,提升检测与定位精度,加强对目标的提取能力。为验证所提方法对大块煤矸石的检测效果,将HPG−YOLOX−S模型与YOLOX−S模型进行对比,结果表明,HPG−YOLOX−S模型对煤与矸石的识别准确率分别为99.53%和99.60%,较YOLOX−S模型识别准确率分别提高了2.51%,1.27%。有效性验证结果表明,HPG−YOLOX−S模型的精确率、召回率和F1值均在94%以上,较YOLOX−S模型分别提高了5.68%,3.51%,2.91%;HPG−YOLOX−S模型的参数为7.8 MB,较YOLOX−S模型降低了1.2 MB。消融试验结果表明,HPG−YOLOX−S模型的平均精度均值较YOLOX−S模型提高了9.17%。热力图可视化试验结果表明,HPG−YOLOX−S模型关注煤与矸石的纹理和轮廓等表面差异,对煤矸石目标的全局关注度更加显著。

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。