基于Faster-YOLOv7的带式输送机异物实时检测
唐俊1
李敬兆1
石晴2
杨萍1
王瑞3
1.安徽理工大学 电气与信息工程学院,安徽 淮南 2320012.淮北合众机械设备有限公司,安徽 淮北 2350003.安徽理工大学 人工智能学院,安徽 淮南 232001
摘要：基于深度学习的目标检测算法在异物检测中具有较好的识别效果,但模型内存需求大,检测速度慢;轻量化深度学习网络能够大幅减少模型内存需求,提升检测速度,但在井下弱光环境中检测精度低.针对上述问题,提出了一种基于Faster-YOLOv7的带式输送机异物实时检测算法.通过限制对比度自适应直方图均衡化算法(CLAHE)进行图像增强,提高弱光环境中异物对比度;基于Mobilenetv3对YOLOv7主干网络进行轻量化设计,减少YOLOv7模型的计算量、参数量;添加有效通道注意力机制,缓解因特征通道数减少而导致的高层特征信息丢失问题;采用Alpha-IoU作为损失函数提高异物检测精度.实验结果表明:①Faster-YOLOv7的初始损失为 0.143,最终稳定在 0.039左右.②Faster-YOLOv7的检测速度可达 42帧/s,较YOLOv5、YOLOv7分别提升了 17,20帧/s;Faster-YOLOv7内存为 14 MiB,较YOLOv5、YOLOv7分别降低了 29,57 MiB;检测准确率达91.3%,较YOLOv5提升了 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.
关键词：带式输送机异物检测图像增强Faster-YOLOv7注意力机制Alpha-IoU损失函数限制对比度自适应直方图均衡化算法
分类号：TD56/67(矿山运输与设备)
资助基金：国家自然科学基金(51874010)淮北市重大科技专项项目(Z2020004)
论文发表日期：2023-11-10
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( 46-52,66 )
英文信息