基于改进YOLOv8的煤矿输送带异物检测

现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率。实验结果表明:改进YOLOv8的精确度达91.69%,mAP@50达92.27%,较YOLOv8分别提升了3.09%和4.07%;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny等主流目标检测算法。

基于改进YOLOv5s的煤矿输送带异物检测算法

为了解决现有煤矿输送带异物检测模型存在的参数量大、占用计算机资源多、检测异物种类少等问题,对YOLOv5s目标检测算法进行了优化。首先,将轻量化卷积神经网络ShuffleNetv2作为YOLOv5s骨干网络并对异物图像进行了特征提取,进而减少了模型参数量,提高了网络并行度;其次,将双向特征金字塔网络作为特征融合网络,融合了不同特征图尺度中的细节信息;最后,添加了坐标注意力机制,增强了特征提取能力,强化了异物目标关注度,从而提高了网络模型检测精度。实验结果显示,与原始模型相比,基于改进YOLOv5s的目标检测网络模型其参数量压缩为3.60×106个,检测帧率提升了8.4%,表明该算法能够在计算资源较少的情况下实现快速、准确的煤矿输送带异物检测。

基于改进YOLOv8的输送带异物检测研究

针对基于深度学习的输送带异物检测模型参数量大、检测速度慢等问题,提出一种基于改进YOLOv8的输送带异物检测方法。利用Ghost模块设计主干网络CSPGhostNet,减少模型参数量和计算量;采用Alpha-IoU损失函数作为目标框回归损失函数,提高网络模型的收敛速度和检测精度;利用网络剪枝对检测模型剔除冗余参数。在嵌入式平台NVIDIA Jetson Xavier NX上进行实验,结果表明,相较于原YOLOv8l模型,改进模型mAP为90.5%,帧率提高375%,运算速度达到30帧/s,实现了有限计算资源下输送带异物的实时检测。

基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法

现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题,且仅对异物进行识别检测,不能准确计算异物数量。针对该问题,设计了一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法。对YOLOv8n模型进行改进,再使用改进YOLOv8n(MSF−YOLOv8n)模型对带式输送机异物进行识别;将MSF−YOLOv8n模型的异物检测结果作为DeepSORT算法的输入,实现带式输送机异物跟踪和计数。YOLOv8n改进方法:使用C2f_MLCA模块替换主干网络中的C2f模块,提高网络在颜色信息单一环境下的信息提取能力;使用分离和增强注意力模块(SEAM)改进Head部分,以提高异物被遮挡情况下的检测精度;采用Focaler−IoU优化损失函数,解决检测目标形状差异大的问题。MSF−YOLOv8n模型性能验证实验结果表明,MSF−YOLOv8n模型的mAP50达93.2%,相较于基础模型提高了2.1%;参数量仅为2.82×10^(6),比基础模型少了0.19×10^(6),更适合部署到巡检机器人等边缘设备中;检测精度比YOLOv5s,YOLOv7,YOLOv8s算法分别高2.2%,1.3%,0.3%;其帧率虽然比YOLOv8s和YOLOv8n低,但仍可满足视频实时性检测要求。异物检测及计数实验结果表明,DeepSORT算法的准确率达80%,可准确跟踪被遮挡的锚杆及形状差异较大的目标。

基于特征增强与Transformer的煤矿输送带异物检测

输送带是煤矿井下最重要的运输设备之一,在输送工作中会因锚杆、槽钢、大块矸石等异物混入造成输送带撕裂、落煤口阻塞等重大安全事故,严重影响运输效率,甚至威胁工人生命安全。为了解决现有输送带异物检测算法存在的对细长物体表征能力弱、弱语义特征提取能力差等问题,设计了一种基于低层级特征增强与Transformer机制的异物检测算法(Feature Enhancement and Transformer YOLO,FET–YOLO)。首先,针对现有检测网络难以提取细长物体特征的问题,引入可变形卷积以提升网络对细长异物的形状特性的适应性,并使用MobileViT模块增加图像中异物与背景的区分度,以提取出更符合细长异物的多样性特征,削弱背景噪声的干扰;其次,构建低层级特征增强模块(Low-Level Feature Enhancement Module,LFEM),提升异物弱语义特征在检测网络中的表达能力,以降低漏检、错检的概率;最后,引入鬼影混洗卷积(GSConv)减少因特征图尺寸变化造成的信息丢失,保证网络高效提取特征的同时,减少模型参数量。利用煤矿井下输送带工作视频制作训练集和验证集,并将提出的算法与现有的3种输送带检测算法对比,实验结果表明:所提出的算法可以更好的解决输送带异物目标检测中细长物体检测效果差、弱语义特征提取困难的问题,具有更高的检测精度、同时符合输送带检测场景对检测实时性的要求,对于分辨率大小为640×640的图像mAP@0.5可达0.875,mAP@0.5:0.95可达0.543,检测速度为75 fps。

基于Stair−YOLOv7−tiny的煤矿井下输送带异物检测

针对现有煤矿井下输送带异物检测方法应对复杂场景适应性差、无法满足实时性和轻量化要求、处理尺寸差异较大异物时表现不佳的问题,基于轻量化YOLOv7−tiny模型进行改进,提出了一种Stair−YOLOv7−tiny模型,并将其用于煤矿井下输送带异物检测。该模型在高效层聚合网络(ELAN)模块中添加特征拼接单元,形成阶梯ELAN(Stair−ELAN)模块,将不同层级的低维特征与高维特征进行融合,加强了特征层级间的直接联系,提升了信息捕获能力,增强了模型对不同尺度目标和复杂场景的适应性;针对检测头引入阶梯特征融合(Stair−fusion),形成阶梯检测头(Stair−head)模块,通过逐层融合不同分辨率的检测头特征,增强了中低分辨率检测头的特征表达能力,实现了特征信息的互补。实验结果表明:Stair−YOLOv7−tiny模型在输送带异物开源数据集CUMT−BelT上的检测效果优于CBAM−YOLOv5,YOLOv7−tiny及其轻量化模型,准确率、平均精度均值、召回率和精确率分别达98.5%,81.0%,82.2%和88.4%,检测速度为192.3帧/s;在某矿井下输送带监控视频分析中,Stair−YOLOv7−tiny模型未出现漏检或误检,实现了输送带异物的准确检测。

基于改进YOLOv5的矿用输送带纵向撕裂检测方法

带式输送机输送带纵向撕裂可能引发重大安全事故。针对现有输送带撕裂检测方法精度低、抗干扰能力差的问题,提出了一种基于多尺度特征融合的纵向撕裂检测系统。该系统通过线性激光和高速相机实时捕获输送机胶带表面图像,使用LoG算法对图像进行预处理,提取图像关键区域、减少数据冗余,并通过多尺度特征融合神经网络进行撕裂检测。在检测算法方面,在神经网络主干网络中引入ConvNeXt特征增强模块,提高模型对细小撕裂纹理的特征提取能力,在Neck部分使用双向特征金字塔网络(BiFPN)融合浅层细节纹理特征,减少下采样过程中深层网络细节信息的丢失。实验结果表明,改进后的算法对输送带纵向撕裂故障的检测精度P和平均精度均值(mAP)分别达到了96.34%、94.36%,优于其他主流的检测方法。

基于机器视觉的异物识别系统在输送机保护中的应用

设计了一种基于机器视觉的异物识别系统,并应用于主运输带式输送机的保护中。使用YOLOv5s作为深度学习模型,将训练完成的模型部署至边缘计算模块中;由工业级本安相机获取实时视频,并传入边缘计算模块中对煤流中的异物进行识别,最终只对外传输识别结果;当检测到的异物危险等级较高时会向协同控制器发送报警信号,由协同控制器对具体的单机控制器下发停机指令;同时将处理后的实时视频和报警信息上传至管控平台显示。基于机器视觉的异物识别提高了当前主运输带式输送机保护的智能性,稳定性和可靠性。

基于改进YOLOv8n的煤矿带式输送异物检测研究

在煤矿带式输送物料过程中,异物的出现可能会引发输送带撕裂或堵塞等安全风险。针对输送带输送物料中异物多样、人工巡检效率低、硬件限制等问题,提出一种基于改进YOLOv8n的轻量化煤矿带式输送异物检测算法:采用GhostNetV2网络对原CSPDarkNet53主干网络进行轻量化改进,以减少模型的参数和计算量;整合全局平均池化和全局最大池化思想优化SPPF模块,关注煤矿恶劣环境影响下图像的底层信息;设计了headC2f_CA模块,融入通道注意力机制,以便能够更有效地捕捉不同尺度和位置的异物特征,强化特征信息表达;引入DIoU损失函数,精确反映锚框与预测框之间的相似度,提升模型检测精度。实验结果表明,改进后的模型平均精度均值达88.3%,相比于基线模型YOLOv8n,提升了0.8%,参数量减少了18.51%,计算量减小了20.73%,模型大小缩减了15.87%。该模型有效缓解了边缘设备的硬件限制,同时保障了煤矿安全监测的准确性。

基于改进YOLOv8的煤矿输送带异物目标检测方法研究

现有煤矿输送带异物目标检测方法所提出的网络结构复杂,而且选煤厂入煤工段和矿井运输工段的输送带光照强度低,存在粉尘等微小颗粒物的干扰,检测精度和检测效率均难以满足实际工况要求。为解决上述问题,文章构建了融合轻量化网络的改进YOLOv8检测算法——YOLOv8-MobileNetV1。该模型以YOLOv8为基础,将传统的C2F卷积层替换为轻量化网络MobileNetV1来减少模型的参数量;将传统的空间金字塔池化层修改为大核金字塔池化层,以进一步提升模型的性能和泛化能力;同时融合CVH注意力机制模块来提高网络深层次信息的提取能力,从而提高煤矿输送带运输过程中的异物识别精度和检测效率。为验证该模型的有效性,自行构建了选煤厂和矿井输送带运输过程中常见异物(大块和锚杆)的数据集,并按照8∶1∶1的比例随机划分为训练集、验证集和测试集,从检测精度和检测效率两方面进行评价。实验结果表明:YOLOv8-MobileNetV1算法的大块和锚杆的目标检测精度为81.30%和89.46%,平均检测精度达到了85.38%,帧率为83.5 fps。相较于传统的目标检测算法,YOLOv8-MobileNetV1算法提高了煤矿输送带异物目标检测精度和检测效率,满足了实际工况所需的准确性和时效性,为煤矿安全生产做出了保障。

煤矿带式输送机监控系统的应用分析

煤矿带式输送机对于井下煤炭运输起着十分重要的作用。然而,在运行过程中,由于一些不可控的因素,带式输送机会发生各种故障。为了保证带式输送机的安全运行,需要建立带式输送机监控系统。介绍了煤矿带式输送机监控系统的功能,重点分析了带式输送机智能监控系统的建设和应用,主要包括智能煤流调速系统和智能异物识别系统,可以为煤矿带式输送机的安全高效运行提供一定的参考。

基于RT-DETR改进的皮带运输机异物识别方法

凭借兼顾检测精度与速度的特点,YOLO近年来已成为煤炭等工业领域目标检测模型的佼佼者。然而,YOLO的检测性能受到置信度阈值和非极大值抑制阈值等超参数设定的影响。因此,本研究提出了一种基于改进的RT-D ETR带式输送机非煤异物检测模型。该模型无需置信度过滤和非极大值抑制,从而提升了检测精度。此外,针对RT-DETR参数量较大、难以在计算资源有限的边缘设备上部署的问题,我们设计了一种EMA-Faster Net骨干网络,并将颈部网络的AIFI模块替换为LPE-AIFI模块。最后,我们采用TensorRT进行加速,并将模型部署到Jetson Orin Nano边缘计算设备上。实验结果表明,改进后的RT-DETR模型与具有相似参数量的YOLOv8s相比,其召回率高出5.6%,平均类别精度高出4.3%;经TensorRT加速后,模型帧率可达26.4 FPS,满足了实时监测的要求。

带式输送机异物检测系统开发与试验研究

以MO-YOLOX模型为依据,介绍一种带式输送机异物检测系统开发方案。该系统主要由登录模块、管理模块、检测模块与图像管理模块构成,在各模块及MO-YOLOX模型的配合下,其可较为准确地检测煤炭中是否存在铁块、树枝等异物,提升煤炭输送质量,防止煤炭资源中夹杂异物对输送机皮带造成损伤。

煤矿带式输送机胶带异物识别技术研究

在煤矿生产中,带式输送机是一种关键的物料运输设备,用于在矿区内部输送煤炭及其他材料。然而,输送过程中常会出现金属块、石块等异物混入,可能会导致设备损坏、运输效率下降甚至安全事故发生。因此,研究能够有效识别并处理这些异物的技术,对保障煤矿生产的安全和连续性至关重要。文章介绍煤矿带式输送机的基本工作原理、输送带异物的常见类型和来源,继而分析当前异物识别技术的局限性,阐述新型异物识别技术,包括数据采集与预处理、特征提取技术、模式识别与机器学习应用等。

基于AI智能识别的输送机安全控制应用系统

为了进一步提升煤矿运输系统的智能化程度,运用AI智能识别技术开发输送机安全控制应用系统。基于系统各架构组成及实现功能,通过煤流负荷识别监测系统智能化判断运输机负荷情况,并对异物进行识别,可快速对不同煤流场景的煤流异物、煤流负荷和刮板机断链问题进行智能识别检测,并提出相应的安全管控措施,实现综采工作面煤炭运输过程中的煤流智能检测、智能预警、自动控制。现场应用结果表明,输送机安全控制应用系统运行稳定,能够实现对运输系统各煤流场景的智能识别检测,保障运输生产环节安全运行。

基于智能化技术的煤矿胶带运输异物检测工艺研究

针对煤矿胶带运输异物检测的问题,提出一种基于机器视觉和深度学习的智能化异物检测工艺。该工艺通过图像采集、预处理、异物识别、定位与分拣等环节,实现对胶带表面异物的精准检测和自动清理。仿真实验结果表明,该工艺的异物检测精度高达98.7%,证明了该技术方案的可行性和有效性。

煤矿带式输送机异常状态视频AI识别技术研究

传统的带式输送机异常状态识别采用人工巡检或机械综合保护系统进行检测,人工巡检劳动强度大、效率低、难以准确发现故障等,机械综合保护系统易造成误判,识别效果不佳,已无法满足煤炭行业智能化需求。随着机器视觉、深度学习和工业以太网技术发展,视频AI技术成为煤矿带式输送机异常状态智能识别的研究热点。分析了采用视频AI技术识别煤矿带式输送机输送带跑偏、托辊故障、人员入侵、人员不安全行为、堆煤及异物等异常状态的研究现状,指出目前煤矿带式输送机异常状态视频AI识别技术存在视频图像数据集构建耗时长、异常状态识别精度不高、视频信息传输延时大3个主要问题。针对视频图像数据集构建耗时长问题,提出加强基于半监督、无监督及小样本学习的视频AI识别算法研究、基于生成模型等方式扩充数据集的解决思路;针对异常状态识别精度不高问题,提出加强数据去模糊方法研究、利用生成对抗网络等算法均衡正负样本和改进AI识别算法的解决思路;针对视频信息传输延时大问题,提出构建“云−边−端”协同的带式输送机异常状态视频AI识别系统架构,合理部署高带宽、低延时的网络通信系统的解决思路。从高性能视频AI识别算法,高带宽、低延时视频通信技术,“云−边−端”高效协同的视频AI识别系统和健全视频AI识别技术标准4个方面展望了带式输送机异常状态视频AI识别技术的发展趋势。

基于Faster-YOLOv7的带式输送机异物实时检测

基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低。针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法。通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度。实验结果表明:(1)Faster-YOLOv7的初始损失为0.143,最终稳定在0.039左右。(2)Faster-YOLOv7的检测速度可达42帧/s,较YOLOv5、YOLOv7分别提升了17,20帧/s;Faster-YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低了29,57 MiB;检测准确率达91.3%,较YOLOv5提升了8.8%。(3)将SSD、YOLOv5、轻量化YOLOv7、Faster-YOLOv7目标检测算法应用到煤矿井下带式输送机运煤图像及视频中,发现SSD在视频检测时发生了漏检现象,YOLO系列模型均有效地识别出待测异物,且Faster-YOLOv7识别结果的置信度更高。

基于生成对抗网络的带式输送机异物检测方法

煤矿井下胶带运输图像具有照度低、细节不清晰、背景干扰等特点,现有的带式输送机异物检测模型存在精度低、灵活性差、计算量大、优化空间存在差异等问题。针对上述问题,提出了一种基于生成对抗网络(GAN)的带式输送机异物检测方法。对胶带运输过程视频文件进行预处理,分类得到正常图像、异常图像,制作实验数据集对改进GANomaly模型进行训练,再通过训练好的模型进行带式输送机异物检测。在训练阶段,将不含异物的带式输送机图像作为输入;在测试阶段,将含有异物的带式输送机图像作为输入,得到的重构图像与输入网络的原图像作差,即可得到异物的具体位置。GANomaly模型轻量化改进方法:在GANomaly基础网络模型中加入深度可分离卷积残差模块,采用深度可分离卷积代替原有主干网络中的卷积操作,大幅降低了模型计算量,同时减少了参数的冗余计算,能够明显提高异物检测速度;通过合并多个批量归一化(BN)层,加快模型的收敛迭代速度,提高模型的泛化收敛能力,有效避免梯度消失。实验结果表明,改进GANomaly模型相较于传统GANomaly模型,在运行速度上提升了6.27%,评价指标F1分数、AUC、召回率(Recall)和平均精度均值(mAP)分别提升了19.05%,22.22%,15.00%,17.14%。

煤矿运输皮带故障检测的机器学习方法

为了能够及时对煤矿运输皮带的故障进行检测,文章研究一种用于煤矿运输皮带机故障检测的机器学习方法。在对皮带故障检测图像特点分析的基础上,以基于ShuffleNet V2改进的YOLOv5网络建立了煤矿运输皮带的故障检测网络。针对因工作环境导致的图像质量问题,在网络前部加入了图像预处理模块。同时,为了减小模型体积,提高检测速度和效率,对加强特征提取模块和多尺度特征融合模块进行了改进。实验结果表明,煤矿运输皮带故障检测网络的mAP值达到0.896,实现了较高的检测精度;同时检测速度可达32.2帧/秒,满足工业现场对实时检测的需求。