煤矿带式输送机异物检测
杜京义1
陈瑞1
郝乐2
史志芒1
1.西安科技大学电气与控制工程学院,陕西西安 7100542.西安科技大学安全科学与工程学院,陕西西安 710054
摘要：针对现有基于深度学习的带式输送机异物检测方法存在检测速度慢的问题,提出了一种改进YOLOv3模型,并将其应用于煤矿带式输送机异物检测.该模型以轻量化网络DarkNet22-DS作为主干特征提取网络,DarkNet22-DS利用深度可分离卷积替换标准卷积,大幅减少了网络参数,并通过复合残差块提高了特征利用效率;通过引入加权双向特征金字塔网络及双尺度输出来改进特征融合网络,提升了模型对大块异物的检测效率;采用完全交并比损失函数作为目标框回归损失函数,充分利用目标框信息间的相关性,提高了模型的收敛速度和检测精度.将改进YOLOv3模型部署在嵌入式平台Jetson Xavier NX上进行煤矿带式输送机异物检测实验,结果表明,相较于YOLOv3模型,改进YOLOv3模型权重文件大小降低了91.4％,大幅减少了模型参数,检测速度提高了16倍,达30.7帧/s,满足煤矿带式输送机异物实时检测需求.
关键词：带式输送机异物检测YOLOv3轻量化网络深度可分离卷积加权双向特征金字塔网络损失函数
分类号：TD528/634(矿山运输与设备)
资助基金：国家自然科学基金(2018JQ5197)
论文发表日期：2021-08-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 77-83 )
英文信息