基于改进YOLOv8n的矿用提升钢丝绳表面损伤图像识别
毛清华1
杨帆1
王超2
仝旭耀2
童军伟2
张旭辉1
薛旭升1
1.西安科技大学机械工程学院,陕西西安 710054;陕西省矿山机电装备智能检测与控制重点实验室,陕西西安 7100542.陕西能源赵石畔矿业运营有限责任公司,陕西榆林 719101
摘要：针对矿用提升钢丝绳表面油污覆盖引发背景干扰、绳股间隙较大导致特征混淆及小目标损伤识别难度大等问题,提出了一种基于改进YOLOv8n的矿用提升钢丝绳表面损伤图像识别方法.在YOLOv8n主干网络中引入多尺度注意力模块(MSAM),通过增强损伤特征与油污背景的空间特征区分能力,提升模型抗干扰能力;将YOLOv8n原有的3个检测头替换为4个轻量化小目标检测头,强化对小目标损伤的识别能力;采用深度可分离卷积(DSConv)替代标准卷积,减少了计算量,提高了识别速度.实验结果表明:改进YOLOv8n模型的平均精度均值(mAP)、识别精度和推理速度分别达92.6％,89.7％和43.5帧/s,相比YOLOv8n模型分别提高了 3.1％,4.9％,34.7％;与 Faster-RCNN,YOLOv5s,YOLOv8n,YOLOv10m,TWRD-Net,YOLOv5-TPH 等主流模型相比,改进YOLOv8n模型对小目标损伤识别精度最高,同时保证了较高的实时性;在煤矿现场油污覆盖、绳股间隙较大的复杂场景中,改进YOLOv8n模型未出现漏检情况,且误检情况较少,平均识别准确率达90％.
关键词：矿用提升钢丝绳损伤图像识别YOLOv8n多尺度注意力模块小目标检测深度可分离卷积
分类号：TD532(矿山运输与设备)
资助基金：陕西省科技创新团队项目(2018TD-032)陕西高校青年创新团队项目(2022TD-043)
论文发表日期：2025-04-30
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( 100-106,152 )
英文信息