基于改进YOLOv8的煤矿输送带异物检测
洪炎
汪磊
苏静明
汪瀚涛
李木石
安徽理工大学电气与信息工程学院,安徽淮南 232001
摘要：现有基于深度学习的输送带异物检测模型较大,难以在边缘设备部署,且对不同尺寸异物和小目标异物存在错检、漏检情况.针对上述问题,提出一种基于改进YOLOv8的煤矿输送带异物检测方法.采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock,在保持模型轻量化的同时提升检测性能;为增强对不同尺寸目标物体信息的获取能力,引入高效通道注意力(ECA)机制,并对ECA的输入层进行自适应平均池化和自适应最大池化操作,得到跨通道交互MECA模块,以增强模块的全局视觉信息,进一步提升异物识别精度;将YOLOv8的3个检测头修改为4个轻量化小目标检测头,以增强对小目标的敏感性,有效降低小目标异物的漏检率和错检率.实验结果表明:改进YOLOv8的精确度达91.69％,mAP@50达92.27％,较YOLOv8分别提升了 3.09％和4.07％;改进YOLOv8的检测速度达73.92帧/s,可充分满足煤矿输送带异物实时检测的需求;改进YOLOv8的精确度、mAP@50、参数量、权重大小和每秒浮点运算数均优于 SSD,Faster-RCNN,YOLOv5,YOLOv7-tiny 等主流目标检测算法.
关键词：输送带异物检测YOLOv8SE网络高效通道注意力机制轻量化小目标检测自适应平均池化自适应最大池化
分类号：TD634.1(矿山电工)
资助基金：国家重点研发计划(2021YFD2000204)国家自然科学基金(12304236)国家自然科学基金(32301688)国家自然科学基金(52174141)安徽数字农业工程技术研究中心开放项目(AHSZNYGCZXKF021)大学生创新创业基金(202210361053)大学生创新创业基金(202310361037)安徽理工大学研究生创新基金项目(2024cx2067)
论文发表日期：2024-06-10
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( 61-69 )
英文信息