基于CBAM-YOLOv5的煤矿输送带异物检测

• Published in: 煤炭学报 Vol. 47; no. 11; pp. 4147 - 4156
• Main Authors: 郝帅, 张旭, 马旭, 孙思雅, 文虎, 王均利
• Format: Journal Article
• Language: Chinese
• Published: 西安科技大学电气与控制工程学院,陕西西安 710054%西安科技大学安全科学与工程学院,陕西西安 710054%陕西彬长矿业集团有限公司,陕西咸阳 712046 01.11.2022
• Subjects: 异物检测; 注意力机制; YOLOv5; 输送带; 深度可分离卷积; 深度学习
• ISSN: 0253-9993
• DOI: 10.13225/j.cnki.jccs.2021.1644

TD528; 输送带是矿井下煤炭运输的重要设备之一,运行过程中由于大块煤、矸石、锚杆、槽钢等异物混入易导致皮带撕裂故障发生,严重影响煤矿安全生产,甚至威胁矿工生命安全.为了实现煤矿井下输送带上大块异物的自动、快速以及准确检测,设计了一种基于计算机视觉技术的大块异物检测方法.针对输送带中异物目标图像受煤尘干扰、输送带高速运动以及光照不均等影响造成传统图像检测算法难以准确检测问题,提出一种融合卷积块注意力模型的YOLOv5目标检测算法,记为CBAM-YOLOv5.首先,通过自适应直方图均衡化算法来增强煤矿井下输送带图像的对比度,减少煤尘干扰;然后,针对输送带高速运动易导致待检测目标图像模糊进而造成目标难以被准确检测的问题,在YOLOv5算法框架下通过引入深度可分优化检测网络的损失函数提高整个网络的检测精度;其次,针对受光照不均影响导致异物目标难以被准确检测的问题,通过在YOLOv5检测网络中引入卷积块注意力模型来提升图像中异物目标的显著度,增强异物目标在检测网络中的特征表达能力,进而提高异物目标的检测精度;最后,利用某煤矿井下输送带监控视频数据制备训练样本和测试样本,并将提出的算法与4种经典目标检测算法进行对比.实验结果表明:所提出的检测算法可以较好的解决异物目标检测时易受煤尘干扰、输送带高速运动以及光照不均对目标检测精度的影响,对于分辨率为1 280×720的图像平均检测精度可达94.7％,检测速度为31 fps.