《工矿自动化》虚拟专题 | 智能矿山目标检测技术

来源：工矿自动化

目标检测是煤矿智能化信息感知的重要内容，可实现对矿山场景中人、物、环境等的实时监测和识别，为矿山安全生产、管理提供重要信息。随着人工智能技术的快速发展及其与煤炭资源开发利用的深度融合，煤矿生产场景下的目标检测技术得到了广大煤炭科技工作者的深入研究，取得了丰硕的成果。本刊整理了近期发表的智能矿山领域目标检测技术代表性文章，以期促进同行交流。

行业视野: 智能化
类别; 70个
关键词; 58位
专家; 13篇
论文; 1394IP
点击量; 473次
下载量

基于YOLOv7−SE的煤矿井下场景小目标检测方法

作者(Author)：曹帅, 董立红, 邓凡, 高峰

摘要：目前的小目标检测方法虽然提高了小目标检测效果，但针对的多为常规场景，而煤矿井下环境恶劣，在井下小目标检测过程中存在小目标特征信息提取困难的问题。针对上述问题，提出了一种基于YOLOv7−SE的煤矿井下场景小目标检测方法。首先，将模拟退火（SA）算法与k−means++聚类算法融合，通过优化YOLOv7模型中初始锚框值的估计，准确捕捉井下小目标；然后，在YOLOv7骨干网络中增加新的检测层得到井下小目标高分辨率特征图，减少大量煤尘对井下小目标特征表示的干扰；最后，在骨干网络中的聚合网络模块后引入双层注意力机制，强化井下小目标的特征表示。实验结果表明：① YOLOv7−SE网络模型训练后的损失函数值稳定在0.05附近，说明YOLOv7−SE网络模型参数设置合理。② 基于YOLOv7−SE网络模型的安全帽检测平均精度（AP）较Faster R−CNN，RetinaNet，CenterNet，FCOS，SSD，YOLOv5，YOLOv7分别提升了13.86%，25.3%，16.13%，12.71%，15.53%，11.59%，12.20%。基于YOLOv7−SE网络模型的自救器检测AP较Faster R−CNN，RetinaNet，CenterNet，FCOS，SSD，YOLOv5，YOLOv7分别提升了12.37%，20.16%，15.22%，8.35%，19.42%，9.64%，7.38%。YOLOv7−SE网络模型的每秒传输帧数（FPS）较Faster R−CNN，RetinaNe，CenterNet，FCOS，SSD，YOLOv5分别提升了42.56，44.43，31.74，39.84，22.74，23.34帧/s，较YOLOv7下降了9.36帧/s。说明YOLOv7−SE网络模型保证检测速度的同时，有效强化了YOLOv7−SE网络模型对井下小目标的特征提取能力。③ 在对安全帽和自救器的检测中，YOLOv7−SE网络模型有效改善了漏检和误检问题，提高了检测精度。

免费下载

工矿自动化

2024年第03期

70

1
基于改进YOLOv5的带式输送机大块煤检测

作者(Author)：秦宇龙, 程继明, 任一个, 王晓晴, 赵青, 安翠娟

摘要：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。

免费下载

工矿自动化

2024年第02期

75

1
基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型

作者(Author)：顾清华, 苏存玲, 王倩, 陈露, 熊乃学

摘要：露天矿环境特殊，道路场景复杂多变，在光照不足时会导致矿区道路多目标识别不清、定位不准，进而影响检测效果，给矿区无人矿用卡车的安全行驶带来严重安全隐患。目前的道路障碍物检测模型不能有效解决矿区暗光环境对模型检测效果的影响，同时对矿区小目标障碍物的识别也有较大误差，不适用于矿区特殊环境下障碍物的检测与识别。针对上述问题，提出了一种基于双曲嵌入的露天矿区暗光环境下多目标检测模型。首先，在模型的图像预处理阶段引入卷积神经网路Retinex−Net对暗图像进行增强，提高图像清晰度；然后，针对数据集中特征过多而无重点偏好的问题，在加强特征提取部分添加全局注意力机制，聚集3个维度上更关键的特征信息；最后，在检测模型预测阶段引入双曲全连接层，以减少特征丢失，并防止过拟合现象。实验结果表明：① 基于双曲嵌入的露天矿区暗光环境下道路多目标检测模型不仅对露天矿区暗光环境下的大尺度目标具有较高的分类与定位精度，对矿用卡车及较远距离的小尺度目标即行人也可准确检测与定位，能够满足无人矿用卡车在矿区特殊环境下驾驶的安全需求。② 模型的检测准确率达98.6%，检测速度为51.52 帧/s，较SSD、YOLOv4、YOLOv5、YOLOx、YOLOv7分别提高20.31%，18.51%，10.53%，8.39%，13.24%，对于矿区道路上的行人、矿用卡车及挖机的检测精度达97%以上。

免费下载

工矿自动化

2024年第01期

69

7
基于改进YOLOv7的矿用电铲检测算法

作者(Author)：宋立业, 赵小萱, 崔昊

摘要：针对现有基于深度学习的电铲检测方法未能很好地平衡检测速度与检测精度的问题,提出了一种改进YOLOv7模型,并将其用于矿用电铲检测。该模型以YOLOv7模型为基础,在主干网络中采用轻量化GhostNet网络进行特征提取,在颈部网络中采用轻量级GSConv替换部分普通卷积,以减少模型参数量和计算量,提高模型检测速度;考虑到轻量化改进后模型参数量减少对特征信息提取能力的影响,在不增加计算量的前提下,对颈部网络进行进一步改进,在扩展高效层聚合网络(ELAN)中嵌入坐标注意力机制(CA),同时利用双向特征金字塔网络(BiFPN)改进路径聚合网络(PANet),以提高网络对特征信息的提取能力,进而有效提高模型检测精度。实验结果表明,与YOLOv7模型相比,改进YOLOv7模型的参数量减少了75.4%,每秒浮点运算次数减少了82.9%,检测速度提高了24.3%;相较于其他目标检测模型,改进YOLOv7模型在检测速度和检测精度方面取得了良好的平衡,满足在露天煤矿场景下对电铲进行实时、准确检测的需求,为嵌入到移动设备中提供了有利条件。

免费下载

工矿自动化

2023年第12期

49

16
基于FBEC−YOLOv5s的采掘工作面多目标检测研究

作者(Author)：张辉, 苏国用, 赵东洋

摘要：针对采掘工作面目标尺度跨度大、多目标间相互遮挡严重及恶劣环境导致的检测精度降低等问题，提出了一种基于FBEC−YOLOv5s的采掘工作面多目标检测算法。首先，在主干网络引入FasterNet网络，以凭借其残差连接与批标准化模块，增强模型的特征提取和语义信息捕捉能力；其次，在YOLOv5s模型颈部融合BiFPN网络，以通过其双向跨尺度连接和快速归一化融合操作，实现多尺度特征的快速捕捉与融合；最后，采用ECIoU损失函数代替CIoU损失函数，以提升检测框定位精度和模型收敛速度。实验结果表明：① 在满足煤矿井下实时检测要求的同时，FBEC−YOLOv5s模型的准确率较YOLOv5s模型的准确率提升了3.6%。② 与YOLOv5s模型相比，FBEC−YOLOv5s模型的平均检测精度均值上升了2.8%，平均检测精度均值为92.4%，能够满足实时检测要求。③ FBEC−YOLOv5s模型的综合检测性能好，能够在恶劣环境、多目标间相互遮挡严重及目标尺度跨度大导致检测精度降低的情况下表现出良好的实时检测能力且具有较好的鲁棒性。

免费下载

工矿自动化

2023年第11期

147

31
基于改进KCF的多目标人员检测与动态跟踪方法

作者(Author)：刘毅, 庞大为, 田煜

摘要：针对煤矿巷道光照不足、目标尺度变化剧烈、目标容易被遮挡和矿灯干扰等因素，导致对于井下的目标检测和跟踪存在成功率和准确度低的问题，提出一种基于改进核相关滤波（KCF）算法的多目标人员检测与动态跟踪方法，为避免井下复杂环境中由于光照不均引起检测失败，在改进的KCF算法中引入SSD检测算法，以提升对多目标人员检测能力。① 读取待跟踪视频序列，使用经过井下数据集训练后的SSD算法检测图像中的目标，若没有发现目标则继续读取下一帧。② 将检测到的目标放入跟踪器中，对图像进行预处理，通过比较将所有的检测框按照设定的阈值进行打分，并根据分值从高到低依次排列，高分的检测结果直接输出，低分的检测结果用于滤除不良信息，以提升检测速度。③ 通过KCF跟踪预测目标M帧后清空跟踪器，再重新进行目标检测。通过检测算法和跟踪算法的叠加，保证对目标的持续跟踪能力。实验结果表明：① 该方法最后的损失值稳定在1.675附近，检测结果较为稳定。② 经过训练后的SSD算法识别精度较训练前的SSD算法识别精度提高了52.7%。③ 该方法对矿井人员检测成功率、跟踪准确率分别为87.9%，88.9%，均高于其他4种算法（KCF、CSRT、TLD及MIL）的检测成功率、跟踪准确率。④ 该方法在重叠阈值较低时具有较高成功率，直至重叠阈值大于0.8时，成功率大幅下降，这是因为矿井中环境多样，想要完全符合标注的框有一定难度。实际应用结果表明：在井下煤矿巷道光照不足、目标尺度变化剧烈、容易被遮挡和受矿灯干扰等复杂环境中，该方法具有较高的适用性。

免费下载

工矿自动化

2023年第11期

175

30
基于深度学习的煤矿井下低光照人脸检测方法

作者(Author)：王均利, 李佳悦, 李秉天, 温琪, 王满利

摘要：煤矿井下光线昏暗、人工光源干扰等造成监控系统采集到的人脸图像对比度低、人脸特征模糊，传统人脸检测算法应用于煤矿井下时会出现误检、漏检。针对上述问题，提出了一种基于深度学习的煤矿井下低光照人脸检测方法。采用基于无监督学习的生成对抗网络（GAN）对煤矿井下低光照图像进行对比度增强，使用自调整注意力引导的U−Net作为生成器，利用双判别器对全局和局部信息进行引导，并使用自特征保留损失函数来指导训练过程和维护图像中人脸的纹理结构，强化人脸特征，避免出现曝光、人脸细节信息丢失等现象，得到较为清晰的人脸图像；利用RetinaFace人脸检测框架对增强后的人脸特征进行检测，其采用特征金字塔结构和单阶段检测模式对人脸图像进行检测，在基本不增加计算量的同时，提高对小尺度人脸检测的能力。在公开低光照人脸数据集DARK FACE和自建煤矿井下人脸数据集上的实验结果表明，该方法提高了图像对比度，清晰地恢复了图像中的人脸特征，在准确率、召回率、平均精度方面均表现较好，有效提高了煤矿井下人脸检测精度。

免费下载

工矿自动化

2023年第11期

165

87
融合坐标注意力与多尺度特征的轻量级安全帽佩戴检测

作者(Author)：李忠飞, 冯仕咏, 郭骏, 张云鹤, 徐飞翔

摘要：针对现有煤矿工人安全帽佩戴检测算法存在检测精度与速度难以取得较好平衡的问题，以YOLOv4模型为基础，提出了一种融合坐标注意力与多尺度的轻量级模型M−YOLO，并将其用于安全帽佩戴检测。该模型使用融入混洗坐标注意力模块的轻量化特征提取网络S−MobileNetV2替换YOLOv4的特征提取网络CSPDarknet53，在减少相关参数量的前提下，有效改善了特征之间的联系；将原有空间金字塔池化结构中的并行连接方式改为串行连接，有效提高了计算效率；对特征融合网络进行改进，引入具有高分辨率、多细节纹理信息的浅层特征，以有效加强对检测目标特征的提取，并将原有Neck结构中的部分卷积修改为深度可分离卷积，在保证检测精度的前提下进一步降低了模型的参数量和计算量。实验结果表明，与YOLOv4模型相比，M−YOLO模型的平均精度均值仅降低了0.84%，但计算量、参数量、模型大小分别减小了74.5%，72.8%，81.6%，检测速度提高了53.4%；相较于其他模型，M−YOLO模型在准确率和实时性方面取得了良好的平衡，满足在智能视频监控终端上嵌入式加载和部署的需求。

免费下载

工矿自动化

2023年第11期

120

37