基于YOLOv5s-FSW模型的选煤厂煤矸检测研究
燕碧娟1
王凯民1
郭鹏程2
郑馨旭2
董浩1
刘勇2
1.太原科技大学 机械工程学院,山西 太原 0300242.山西人工智能矿山创新实验室有限公司,山西 太原 030032
摘要：针对现有煤矸检测模型存在的特征提取不充分、参数量大、检测精度低且实时性差等问题,提出了一种基于YOLOv5s-FSW模型的选煤厂煤矸检测方法.该模型在YOLOv5s的基础上进行改进,首先将主干网络的C3 模块替换为FasterNet Block结构,通过降低模型的参数量和计算量提高检测速度;然后,在颈部网络引入无参型SimAM注意力机制,增强模型对复杂环境下重要目标的关注,进一步提高模型的特征提取能力;最后,在输出端用Wise-IoU替换CIoU边界框损失函数,使模型聚焦普通质量锚框,提高收敛速度和边框的检测精度.消融实验结果表明:与YOLOv5s模型相比,YOLOv5s-FSW模型的平均精度均值(mAP)提高了 1.9%,模型权重减少了 0.6 MiB,参数量减少了 4.7%,检测速度提高了 19.3%.对比实验结果表明:YOLOv5s-FSW模型的mAP达95.8%,较YOLOv5s-CBC,YOLOv5s-ASA,YOLOv5s-SDE模型分别提高了 1.1%,1.5%和 1.2%,较YOLOv5m,YOLOv6s模型分别提高了 0.3%,0.6%;检测速度达 36.4帧/s,较YOLOv5s-CBC,YOLOv5s-ASA模型分别提高了 28.2%和 20.5%,较YOLOv5m,YOLOv6s,YOLOv7模型分别提高了 16.3%,15.2%,45.0%.热力图可视化实验结果表明:YOLOv5s-FSW模型对煤矸目标特征区域更加敏感且关注度更高.检测实验结果表明:在环境昏暗、图像模糊、目标相互遮挡的复杂场景下,YOLOv5s-FSW模型对煤矸目标检测的置信度得分高于YOLOv5s模型,且有效避免了误检和漏检现象的发生.
关键词：煤矸检测YOLOv5sFasterNet BlockSimAM注意力机制Wise-IoU边界框损失函数
分类号：TD948.9(选矿)
资助基金：山西省重点研发计划项目(202102010101010)
论文发表日期：2024-05-10
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：9( 36-43,66 )
英文信息