基于YOLOv5-SEDC模型的煤矸分割识别方法
杨洋1
李海雄2
胡淼龙3
郭秀才4
张会鹏4
1.靖远煤业工程勘察设计有限公司,甘肃白银 7309132.榆林市能源局,陕西榆林 7190003.浙江维思无线网络技术公司,浙江嘉兴 3140014.西安科技大学电气与控制工程学院,陕西西安 710054
摘要：现有煤矸分割识别技术参数量大、分类速度慢和识别准确度不高;YOLOv5-seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失,降低煤矸识别效率,且在训练过程中过分侧重全局特征,而忽略了对煤矸识别至关重要的局部显著区域和特征.针对上述问题,提出了一种基于YOLOv5-SEDC模型的煤矸分割识别方法.首先接收包含煤矸形状信息的图像,并利用主干网络进行特征提取,生成特征图;其次在YOLOv5-seg模型中集成SENet模块,以保留煤与矸石表面的纹理细节和灰度特征,避免下采样带来的信息丢失;然后采用不同,膨胀率的空洞卷积策略替代传统卷积核,不仅扩大了模型的感受野,还有效减少了模型参数量;最后分割检测头对融合后的特征进行精细处理,实现对煤矸的精确分割和识别.在大柳塔煤矿实际煤矸分选现场搭建煤矸图像采集实验平台,消融实验结果表明,YOLOv5-SEDC模型的煤和矸石识别的精确率较YOLOv5-seg模型平均提高1.3％,参数量减少0.7x106个,检测速度提高了 1.4帧/s.对比实验结果表明:① YOLOv5-SEDC 模型的精确率较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 10.7％,2.7％,1.9％,达到 95.8％.② YOLOv5-SEDC 模型的召回率较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 3.0％,2.1％,0.9％,达到 89.1％.③ YOLOv5-SEDC 模型的平均精度均值较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 6.4％,6.3％,1.8％,达到 95.5％.④ YOLOv5-SEDC 模型的 F1较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别提高了 5.2％,4.2％,2.1％,达到 92.2％.⑤ YOLOv5-SEDC 模型的检测速度较 YOLOv3-tiny,YOLOv5-seg,Mask-RCNN 模型分别降低了 1.9,1.4,2.7 帧/s.可视化结果表明,YOLOv5-SEDC模型 对煤和矸石的 检测准确度较YOLOv5-seg和Mask-RCNN模型 更高,说明了 YOLOv5-SEDC模型在煤矸分割识别上具有较好性能.
关键词：煤矸分割煤矸识别压缩激励网络YOLOv5-SEDCYOLOv5-seg注意力网络空洞卷积
分类号：TD67/94(矿山电工)
资助基金：陕西省秦创原科学家+工程师队伍建设项目(2022KXJ-38)陕西省教育厅服务地方专项计划项目(23JC049)
论文发表日期：2024-08-10
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( 120-126 )
英文信息