基于改进YOLOv7的煤矿输送带上异物检测方法
王媛彬1
王小龙1
王旭2
郭亚茹1
1.西安科技大学电气与控制工程学院,陕西 西安 710054;西安市电气设备状态监测与供电安全重点实验室,陕西 西安 7100542.兖矿能源集团,山东邹城 237500
摘要：矿井输送带异物检测对于保障煤矿安全生产和提升自动化水平具有重要意义.然而,受井下光照不足、强点光源干扰以及背景复杂等因素影响,传统机器视觉方法在异物识别中存在检测精度低、漏检率高等问题,尤其在面对多尺度及小尺寸异物目标时效果不佳,同时有限的异物样本也制约了模型的训练效果.为此,提出一种融合特征增强结构与聚焦线性注意力机制的改进型YOLOv7异物检测算法.首先,在主干网络中引入构建的特征增强模块,通过多尺度并行结构与可切换空洞卷积扩展感受野,增强模型对小目标异物的特征提取能力;其次,融合聚焦线性注意力机制,有效抑制复杂背景干扰,提升模型对关键异物区域的关注力与判别能力;然后,设计高效动态蛇形卷积模块,以适应条状异物的几何特性,并提升特征融合阶段的语义表达能力;此外,采用具有方向感知能力的SIOU损失函数,增强边界框的拟合精度与训练收敛效率;最后,引入迁移学习策略,在通用数据集上进行预训练,并迁移至煤矿输送带异物检测任务中,以缓解小样本数据带来的训练难题.在CUMT-BELT数据集上的试验结果表明,本文提出的算法检测精度达到了 89.3%,相较于基线模型YOLOv7提升了 9.3%.同时,研究提出的算法在检测精度、召回率和mAP@0.5等指标上均显著优于其他主流的检测方法,尤其在多尺度、小目标及条状异物检测任务中表现出更强的鲁棒性与适应性,验证了所提方法在复杂矿井场景下的有效性与实用性.
关键词：异物检测YOLOv7特征增强模块聚焦线性注意力高效动态蛇形卷积SIOU
分类号：TD52(矿山运输与设备)TP391.41(计算技术、计算机技术)
资助基金：国家自然科学基金(52174198)陕西省重点研发计划资助项目(2023YBSF-133)西安市科技计划资助项目(24GXFW0049)
论文发表日期：2025-11-30
在线出版日期：2025-12-15（本平台首次上网日期，不代表文献的发表时间）
页数：15( 201-215 )
英文信息