煤炭学报

作者：郝帅, 张旭, 马旭, 孙思雅, 文虎, 王均利,

关键词：异物检测, YOLOv5, 输送带, 注意力机制, 深度可分离卷积, 深度学习,

输送带是矿井下煤炭运输的重要设备之一，运行过程中由于大块煤、矸石、锚杆、槽钢等异 物混入易导致皮带撕裂故障发生，严重影响煤矿安全生产，甚至威胁矿工生命安全。 为了实现煤矿 井下输送带上大块异物的自动、快速以及准确检测，设计了一种基于计算机视觉技术的大块异物检 测方法。 针对输送带中异物目标图像受煤尘干扰、输送带高速运动以及光照不均等影响造成传统 图像检测算法难以准确检测问题，提出一种融合卷积块注意力模型的 YOLOv5 目标检测算法，记为 CBAM-YOLOv5。 首先，通过自适应直方图均衡化算法来增强煤矿井下输送带图像的对比度，减少 煤尘干扰;然后，针对输送带高速运动易导致待检测目标图像模糊进而造成目标难以被准确检测的 问题，在 YOLOv5 算法框架下通过引入深度可分离卷积提高网络检测速度，并通过优化检测网络的 损失函数提高整个网络的检测精度;其次，针对受光照不均影响导致异物目标难以被准确检测的问 题，通过在 YOLOv5 检测网络中引入卷积块注意力模型来提升图像中异物目标的显著度，增强异物 目标在检测网络中的特征表达能力，进而提高异物目标的检测精度;最后，利用某煤矿井下输送带 监控视频数据制备训练样本和测试样本，并将提出的算法与 4 种经典目标检测算法进行对比。 实 验结果表明:所提出的检测算法可以较好的解决异物目标检测时易受煤尘干扰、输送带高速运动以 及光照不均对目标检测精度的影响，对于分辨率为 1 280×720 的图像平均检测精度可达 94.7%，检 测速度为 31 fps。

来源：2022年第11期

《煤炭学报》期刊编辑部

查看煤炭学报杂志2022年第11期