基于PLC和改进YOLOv11模型的矿井风门监控系统研究
张磊1
白涛2
陶虹京2
王飞宇2
郑奥2
1.山西大同大学煤炭工程学院,山西大同 037003;煤矿水射流技术与装备厅市共建山西省重点实验室培育基地,山西大同 037003;山西省矿区综合监测与应急减灾技术创新中心,山西大同 0370032.山西大同大学煤炭工程学院,山西大同 037003
摘要：针对传统基于PLC的矿井风门监控技术存在检测速度慢、自动化控制水平低等问题,提出一种基于PLC和改进YOLOv11模型的矿井风门监控系统,通过在传统基于PLC的矿井风门监控系统架构中嵌入改进YOLOv11模型,实现井下人车目标的实时精准识别与风门启闭的智能联动控制.以YOLOv11为基础模型,提出EAW-YOLO模型:首先,在C3k2模块中引入指数平均数指标(EMA)注意力机制,组合成C3k2-EMA模块,增强模型特征提取能力;然后,引入ADown卷积,在通道降维的同时保留关键信息;最后,引入WIoU损失函数,通过动态调节不同锚框的重要性,增强模型回归收敛的速度.实验结果表明:①EAW-YOLO模型的准确率较YOLOv11提升了1.6％,mAP@0.5提升了 1.9％,模型参数量下降了 19.2％,推理速度提升了 9.7％,达到86.7帧/s.② EAW-YOLO 模型较 YOLOv1 1,Faster-CNN,EfficientDet,RT-DETR 的准确率分别提升了 1.6％,0.6％,2.0％,0.2％,mAP@0.5 分别提升了 1.9％,0.7％,1.6％,1.1％,参数量分别降低了 0.5×106,135.0×106,1.8×106,40.7×106 个,推理速度分别提升了 7.7,51.2,9.8,35.1帧/s,模型大小分别减少了 0.4,102.9,11.1,80.9 MiB.③面对近距离大目标的不同车辆,EAW-YOLO模型的检测精度更高;面对小目标、远距离的不同车辆,EAW-YOLO模型的检测精度略有提升;面对远距离、边缘特征模糊的人员小目标,EAW-YOLO模型的检测精度提升幅度更大,且能正确识别人员目标;在遮挡且高逆光的场景中,EAW-YOLO模型的检测精度更高.为验证基于PLC和改进YOLOv11模型的矿井风门监控系统的可行性,在实验室进行验证,结果表明:当摄像头捕获到车辆模型时,识别信号实时传输至PLC,从而精确控制风门装置的开启与关闭动作.
关键词：矿井通风系统矿井风门控制多目标检测YOLOv11EAW-YOLOEMA注意力机制
分类号：TD67(矿山电工)TD724(矿山安全与劳动保护)
资助基金：山西省重点研发计划项目(202304290000002)大同市科技计划重点研发(高新技术领域)项目(2024008)山西大同大学研究生学术与实践创新项目(25SJCX04)
论文发表日期：2026-01-31
在线出版日期：2026-03-12（本平台首次上网日期，不代表文献的发表时间）
页数：8( 56-63 )
英文信息