• 论文
主办单位:煤炭科学研究总院有限公司、中国煤炭学会学术期刊工作委员会

基于Faster−YOLOv7的带式输送机异物实时检测

2023-12-04


研究背景

        在煤矿带式输送机运输煤流过程中,可能有锚杆、木条、铁块、纺织物等异物掺杂在煤块中,易造成输送带损毁甚至撕裂,引发安全事故,还对煤炭质量造成一定的影响。实时、精准识别带式输送机异物对于确保煤矿安全生产尤为重要。提出了一种基于Faster−YOLOv7的带式输送机异物实时检测方法。通过轻量化设计YOLOv7主干网络来降低模型的内存需求,利用限制对比度自适应直方图均衡化算法提升煤矿井下弱光环境下的检测效果,设计有效通道注意力机制来缓解高层信息丢失对目标检测精度的影响,使用Alpha−IoU回归损失函数提高检测精度。



研究内容

        1)异物检测流程。首先采集带式输送机运煤监控视频数据。其次截取监控视频中包含异物的数据帧,构建异物数据集,并通过数据增强操作来提高数据集质量。然后对Faster−YOLOv7异物检测模型进行训练,并存储最优的权重文件。最后输入实时监控视频数据,经过图像增强预处理后,读取Faster−YOLOv7模型实现异物检测,并存储异物信息。 

图1 带式输送机异物实时检测流程

       2)改进YOLOv7模型。采用MobileNetv3作为主干网络来构建Faster−YOLOv7。在主干网络的末端添加有效通道注意力模块,加强整体的通道特征,提高模型性能。采用Alpha−IoU代替CIoU作为回归损失函数,Alpha−IoU损失函数可泛化成具有多个惩罚项的IoU损失函数。

图2 Faster−YOLOv7网络结构



实验及结果分析

       1)Faster−YOLOv7的初始损失为0.143,最终稳定在0.039左右。

       2)Faster−YOLOv7的检测速度达42帧/s,较YOLOv5、YOLOv7分别提升17,20帧/s;Faster−YOLOv7内存为14 MiB,较YOLOv5、YOLOv7分别降低29,57 MiB;检测准确率达91.3%,较YOLOv5提升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。 

图3 不同模型检测结果


作者简介


       唐俊(1998—),男,安徽合肥人,硕士研究生,主要研究方向为嵌入式系统和深度学习,E-mail:1592267145@qq.com。

引用格式

唐俊,李敬兆,石晴,等. 基于Faster−YOLOv7的带式输送机异物实时检测[J]. 工矿自动化,2023,49(11):46-52, 66.

TANG Jun, LI Jingzhao, SHI Qing, et al. Real time detection of foreign objects in belt conveyors based on Faster-YOLOv7[J].Journal of Mine Automation,2023,49(11):46-52, 66.

扫码阅读全文


责任编辑:郑海霞

审       核:李明

  责任编辑:宫在芹
今日专家

1985.09—1989.07太原工业大学学习本科 1989.07—1990.07太原内...

亮点论文

  电池可以小到什么程度,可以比一粒盐还小吗?科学家给出了肯定答案,在保持完整的电池功能以外,将微型电池的面积做到了 0.1mm2。    图片图丨全球最小的微型电...

今日企业

主办单位:煤炭科学研究总院有限公司 中国煤炭学会学术期刊工作委员会

©版权所有2015 煤炭科学研究总院有限公司 地址:北京市朝阳区和平里青年沟东路煤炭大厦 邮编:100013
京ICP备05086979号-16  技术支持:云智互联