基于YOLOv5s-SDE的带式输送机煤矸目标检测
张磊
王浩盛
雷伟强
王斌
林建功
山西大同大学煤炭工程学院,山西大同 037003
摘要：传统的煤矸图像检测方法需要人工提取图像特征,准确率不高,实用性不强.现有基于改进YOLO的煤矸目标检测方法在速度和精度方面有所提升,但仍不能很好地满足选煤厂带式输送机实时智能煤矸分选需求.针对该问题,在YOLOv5s模型基础上进行改进,构建了 YOLOv5s-SDE模型,提出了基于YOLOv5s-SDE的带式输送机煤矸目标检测方法.YOLOv5s-SDE模型通过在主干网络中添加压缩和激励(SE)模块,以增强有用特征,抑制无用特征,改善小目标煤矸检测效果;利用深度可分离卷积替换普通卷积,以减少参数量和计算量;将边界框回归损失函数CIoU替换为EIoU,提高了模型的收敛速度和检测精度.消融实验结果表明:YOLOv5s-SDE模型对煤矸图像的检测准确率达87.9％,平均精度均值(mAP)达92.5％,检测速度达59.9帧/s,可有效检测煤和矸石,满足实时检测需求;与YOLOv5s模型相比,YOLOv5s-SDE模型的准确率下降2.3％,mAP提升1.3％,参数量减少22.2％,计算量下降24.1％,检测速度提升6.4％.同类改进模型对比实验结果表明,YOLOv5s-STA与YOLOv5s-Ghost模型的检测精度明显偏低,YOLOv5s-SDE模型与YOLOv5s模型及YOLOv5s-CBAM模型的检测效果整体相近,但在运动模糊和低照度情况下,YOLOv5s-SDE模型整体检测效果更优.
关键词：煤矸目标检测实时智能煤矸分选深度学习YOLOv5s注意力机制深度可分离卷积损失函数
分类号：TD634(矿山电工)
资助基金：山西省研究生教育创新项目(2021Y739)大同市科技计划重点研发(高新技术领域)项目(2022005)山西大同大学校级揭榜招标项目(2021ZBZX3)山西大同大学产学研专项研究项目(2021CXZ2)山西大同大学研究生教育创新项目(21CX02)山西大同大学研究生教育创新项目(21CX37)
论文发表日期：2023-04-10
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( 106-112 )
英文信息