基于改进YOLOv11n的轻量化刮板链条检测算法
王海燕1
贾澎涛2
张宇2
李晓军3
王伟峰4
1.中煤华晋集团有限公司王家岭矿,山西运城 0433002.西安科技大学人工智能与计算机学院,陕西西安 7100543.江苏盈丰电子科技有限公司,江苏南通 2263004.西安科技大学安全科学与工程学院,陕西西安 710054
摘要：针对现有基于深度学习的刮板输送机刮板链条检测方法在煤矿井下低照度条件下存在检测精度低、模型过于复杂、部署与维护难度高等问题,提出一种基于改进YOLOv11n的轻量化链条检测算法——YOLO-Chain.首先,构建图像边缘信息增强模块对YOLOv11n的C3k2模块进行优化,有效提取链条图像中的边缘特征.然后,采用加权双向特征金字塔网络(BiFPN)替换YOLOv11n的颈部网络,从而有效减少模型的参数量,降低模型复杂度.最后,引入轻量化检测头,捕捉井下复杂场景中链条尺度变化的细微特征,进一步减少冗余参数和模型复杂度,提高轻量化模型检测性能,为后续链条的故障检测提供支持.在山西某煤矿单一场景刮板链条图像数据集上的实验结果表明,相较于原始YOLOv11n模型,YOLO-Chain在mAP@0.5:0.95指标上提高了 3.7％,参数量和运算量分别降低了 35％和10％,模型大小减少了 31％.与目前主流的YOLO系列,SSD,Faster RCNN,RT-DETR-R18等模型相比,YOLO-Chain在多项指标上均具优势.在来源于多家煤矿、具备低照度、烟雾干扰、粉尘遮蔽及部分遮挡等复杂工况下的多场景链条图像数据集上的实验结果表明,YOLO-Chain的F1和mAP@0.5分别较YOLOv11n模型提高了 0.2％和0.5％,且运算速度提高8帧/s,表现出良好的通用性和泛化能力.
关键词：刮板输送机刮板链条断裂链条变形链条YOLOv11n轻量化
分类号：TD528.3(矿山运输与设备)
资助基金：陕西省重点研发计划项目(2022QCY-LL-70)
论文发表日期：2025-10-30
在线出版日期：2025-12-02（本平台首次上网日期，不代表文献的发表时间）
页数：9( 48-56 )
英文信息