基于改进YOLOv5的矿用输送带纵向撕裂检测方法

TD67%TP751; 带式输送机输送带纵向撕裂可能引发重大安全事故.针对现有输送带撕裂检测方法精度低、抗干扰能力差的问题,提出了一种基于多尺度特征融合的纵向撕裂检测系统.该系统通过线性激光和高速相机实时捕获输送机胶带表面图像,使用LoG算法对图像进行预处理,提取图像关键区域、减少数据冗余,并通过多尺度特征融合神经网络进行撕裂检测.在检测算法方面,在神经网络主干网络中引入ConvNeXt特征增强模块,提高模型对细小撕裂纹理的特征提取能力,在Neck 部分使用双向特征金字塔网络(BiFPN)融合浅层细节纹理特征,减少下采样过程中深层网络细节信息的丢失.实验结果表明,改进后的算法对输送带纵向撕裂故...

Full description

Saved in:
Bibliographic Details
Published in矿业安全与环保 Vol. 51; no. 4; pp. 1 - 8
Main Authors 于庆, 罗明华, 向亮, 游磊, 朱兴林
Format Journal Article
LanguageChinese
Published 煤矿灾害防控全国重点实验室,重庆 400037 01.08.2024
中煤科工集团重庆研究院有限公司,重庆 400039
Subjects
conveying belt
特征融合
feature fusion
输送带
YOLOv5
目标检测
带式输送机
纵向撕裂
belt conveyor
object detection
longitudinal tear
Online AccessGet full text
ISSN1008-4495
DOI10.19835/j.issn.1008-4495.20240577

Cover

More Information
Summary:TD67%TP751; 带式输送机输送带纵向撕裂可能引发重大安全事故.针对现有输送带撕裂检测方法精度低、抗干扰能力差的问题,提出了一种基于多尺度特征融合的纵向撕裂检测系统.该系统通过线性激光和高速相机实时捕获输送机胶带表面图像,使用LoG算法对图像进行预处理,提取图像关键区域、减少数据冗余,并通过多尺度特征融合神经网络进行撕裂检测.在检测算法方面,在神经网络主干网络中引入ConvNeXt特征增强模块,提高模型对细小撕裂纹理的特征提取能力,在Neck 部分使用双向特征金字塔网络(BiFPN)融合浅层细节纹理特征,减少下采样过程中深层网络细节信息的丢失.实验结果表明,改进后的算法对输送带纵向撕裂故障的检测精度 P 和平均精度均值(mAP)分别达到了96.34%、94.36%,优于其他主流的检测方法.
ISSN:1008-4495
DOI:10.19835/j.issn.1008-4495.20240577