基于GSL-YOLO模型的综放工作面混矸率检测方法
王福奇1
王志峰2
金建成3
井庆贺4
王耀辉5
王大龙6
汪义龙7
1.华能庆阳煤电有限责任公司,甘肃 庆阳 7450002.中国矿业大学(北京)能源与矿业学院,北京 1000833.华亭煤业集团有限责任公司,甘肃 平凉 7441004.扎赉诺尔煤业有限责任公司,内蒙古 满洲里 0214105.华能煤炭技术研究有限公司,北京 1000716.华能云南滇东能源有限责任公司,云南 曲靖 6555007.华能煤业有限公司 陕西矿业分公司,陕西 西安 710001
摘要：针对现有基于深度学习的综放工作面混矸率检测方法在井下低照度、高粉尘、煤矸堆叠等复杂条件下存在煤矸识别精度低、分割效果差、模型参数量和运算量大、未实现混矸率的实时检测等问题,提出了一种基于GSL-YOLO模型的混矸率检测方法.GSL-YOLO模型在YOLOv8-seg的基础上进行以下改进:在主干网络中引入全局注意力机制(GAM),通过减少信息弥散和放大全局交互表示提高模型特征提取能力;选用具有高效局部聚合网络的空间金字塔池化(SPPELAN)模块,提升模型处理不同尺寸目标时的检测性能;采用轻量级非对称多级压缩检测头(LADH),降低模型的训练难度,同时提高推理速度.提出了一种基于类别分割掩码的混矸率计算方法,该方法基于煤流图像处理结果中的分割掩码信息,计算其中矸石的像素面积与总像素面积的比值,作为瞬时混矸率.实验结果表明:①GSL-YOLO模型的 mAP@0.5∶0.95达 96.1%,比 YOLOv8-seg模型提高了0.8%.②GSL-YOLO模型的参数量为 2.9×106 个,浮点运算次数为 11.4×109,模型权重为 6.0 MiB,比YOLOv8-seg模型分别降低了 12.1%,5.8%,11.8%,实现了模型的轻量化.③GSL-YOLO模型在测试集上的帧率为 12帧/s,基本满足实时检测要求.④与YOLO系列模型相比,GSL-YOLO模型分割效果最好,检测精度最高,参数量和运算量较少,综合性能最佳.⑤基于截取的综放工作面后部刮板输送机上煤流视频中的 3帧图像,计算了瞬时混矸率,结果表明,提出的混矸率计算方法基本实现了综放工作面混矸率的实时计算.
关键词：智能放煤煤矸识别混矸率检测YOLOv8-seg图像分割全局注意力机制非对称检测头
分类号：TD823.49(矿山开采)
资助基金：国家自然科学基金(52274207)天地科技开采设计事业部科技创新基金项目(KJ-2021-KCMS-02)
论文发表日期：2024-09-10
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( 59-65,137 )
英文信息