基于改进YOLOv12的煤矸石智能识别方法
周伟1
李广棵2
1.郑州西亚斯学院工学部,河南郑州 451150;河南省智能制造数字孪生工程研究中心,河南郑州 4511502.郑州轻工业大学机电工程学院,河南郑州 450001
摘要：针对矿井粉尘浓度大、光照多变等复杂环境因素导致难以准确、高效识别煤矸石的问题,在YOLOv12网络模型基础上进行改进,提出了一种基于改进YOLOv12的煤矸石智能识别方法.通过设计双尺度稀疏注意力(DSSA)机制,提升了模型对多尺度煤矸石目标区域的关注力与空间感知能力;设计了多条件特征精炼(MCFR)机制,对深层和浅层特征进行条件引导融合,有效增强煤炭与煤矸石的类别差异性表达;构建了动态多任务平衡损失(DMTBL)函数,实现位置、类别与置信度之间的权重自适应调节,从而增强模型对难样本区域的学习能力.实验结果表明,改进YOLOv12在煤矸石识别任务中的识别精准率、召回率和mAP分别达96.5％,94.9％,95.8％,较原始YOLOv12分别提升了 3.8％,4.5％,4.5％,有效解决了煤矸石漏检、误检和边界模糊等问题,且保持高达47.7帧/s的推理速度.可视化激活热力图表明,改进YOLOv12在处理不同结构与纹理复杂度的煤矸石时,均能准确聚焦于目标本体区域,无明显背景干扰,激活区域基本覆盖了煤块与煤矸石的主要轮廓.
关键词：煤矸石识别改进YOLOv12双尺度稀疏注意力多条件特征精炼动态多任务平衡损失
分类号：TD948.9(选矿)
资助基金：河南省科技攻关项目(252102110375)
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：9( 106-113,139 )
英文信息