基于边缘智能的煤矿外因火灾感知方法
赵端1
李涛2
董彦强3
王志强3
刘春4
1.中国矿业大学 矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221116;中国矿业大学 信息与控制工程学院,江苏 徐州 2211162.中国矿业大学 信息与控制工程学院,江苏 徐州 2211163.国家电投集团 内蒙古白音华煤电有限公司,内蒙古 锡林郭勒 0262004.中国矿业大学 矿山互联网应用技术国家地方联合工程实验室,江苏 徐州 221116
摘要：对煤矿外因火灾隐患进行检测,实现对初期火灾的可靠判识,对于提升煤矿火灾检测水平有重要意义,也是未来智能矿山建设的重要方向.为了提高煤矿外因火灾检测速度、精度和实时性,提出一种基于边缘智能的煤矿外因火灾感知方法.对YOLOv5s模型主干网络特征尺度进行改进,使模型能够充分学习浅层特征,改善小目标检测性能,同时在原有的特征金字塔网络(FPN)基础上添加自适应注意模块,提高模型检测精度.为解决井下光线条件差、粉尘多及摄像机拍摄角度引起的图像检测误差和漏检问题,采用多传感器辅助检测,通过动态加权算法对视频检测信息和多传感器检测信息进行加权融合判识,构建了YOLOv5s?as模型.将YOLOv5s?as模型移植到智能边缘处理器上,并进行轻量化处理,实现边缘智能设备部署.实验结果表明:与未加入传感器信息融合推理的 YOLOv5s?a模型相比,YOLOv5s?as模型推理时间略长,但交并比为 0.5时的平均精度均值(mAP@0.5)提高了7.24%;与移植前的YOLOv5s模型相比,移植到智能边缘处理器上并进行轻量化处理的YOLOv5s?as模型mAP@0.5提高15.04%;SSD 300,SSD 512及YOLOv5s模型无法识别小目标火源,YOLOv5s?a,YOLOv5s?as模型能够检测出小目标火源,适应性较好;使用边缘处理方式时,YOLOv5s?as模型的响应周期为238 ms,比集中式处理方法缩短了38.66%.
关键词：外因火灾检测YOLOv5s深度学习自适应注意机制多源信息融合边缘计算
分类号：TD752.3(矿山安全与劳动保护)
资助基金：中央高校基本科研业务费专项资金项目(XJ2021005101)
论文发表日期：2022-12-10
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：8( 108-115 )
英文信息