基于深度学习的振动筛筛面物料量检测算法研究
康小景1
胡延军2
杨一雪2
王前2
1.晋能控股装备制造集团有限公司 寺河煤矿二号井,山西 晋城 0480062.中国矿业大学 信息与控制工程学院,江苏 徐州 221116
摘要：振动筛作为煤炭洗选过程中的重要设备,其筛面物料量对生产效率和管理水平具有直接影响,但传统的人工监测方式存在主观误差大、无法实时监测、工人劳动强度大等问题.振动筛筛面物料体积小、特征模糊,经典目标检测算法无法满足检测需求.针对上述问题,提出了一种基于深度学习的振动筛筛面物料量检测算法——MFI-YOLOv7.MFI-YOLOv7在YOLOv7的基础上,在主干(Backbone)网络中采用全维度动态卷积ODConv,提升网络的特征提取能力;在瓶颈(Neck)层设计CARAFE-FPN特征融合结构,加强特征融合;在预测(Prediction)层设计预测框损失函数Focal-CIOU Loss,增强网络的定位能力.为验证检测效果,通过消融实验和对比实验对MFI-YOLOv7的有效性进行了验证:消融实验结果表明,ODConv,CARAFE-FPN和Focal-CIOU Loss的引入提高了模型的精确率、召回率和平均精度均值,三项指标分别提升了 1.68,1.07,1.68个百分点;对比实验结果表明,MFI-YOLOv7在检测精度和速度方面均优于Faster R-CNN,SSD,CenterNet,YOLOv7,YOLOv10等经典目标检测算法.此外,还对MFI-YOLOv7在实际场景中的应用效果进行了测试分析,结果表明该算法在不同光照条件、不同摄像头机位以及不同物料状态下的检测效果均优于其他算法:在光照条件变化较大的场景中,MFI-YOLOv7的物料检出率提升了 5～21个百分点;在物料稠密和稀疏的场景中,MFI-YOLOv7的物料检出率分别为 82.67%和 68.75%;摄像头机位对检测效果亦具有影响.文章提出的MFI-YOLOv7为振动筛筛面物料量的自动检测提供了一种有效解决方案,有助于提高选煤厂的生产效率和智能化管理水平.
关键词：煤炭筛分筛面物料量检测小目标检测深度学习YOLOv7MFI-YOLOv7物料检出率
分类号：TD948.8(选矿)TP391.4(计算技术、计算机技术)
资助基金：国家重点基础研究发展计划（973计划）(2019YFC1904804)山东省重大科技创新工程项目(2019JZZY020505)
论文发表日期：2025-02-28
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：9( 25-33 )
英文信息