基于改进YOLOv4的综采工作面目标检测

• Published in: 工矿自动化 Vol. 49; no. 2; pp. 70 - 76
• Main Authors: 王科平, 连凯海, 杨艺, 费树岷
• Format: Journal Article
• Language: Chinese
• Published: 河南理工大学 电气工程与自动化学院,河南焦作 454003 2023; 河南理工大学河南煤矿装备智能检测与控制重点实验室,河南焦作 454003%东南大学 自动化学院,江苏南京 210096
• Subjects: 目标检测; YOLOv4; 深度可分离卷积; 综采工作面; 残差自注意力
• ISSN: 1671-251X
• DOI: 10.13272/j.issn.1671-251x.2022070080

TD67; 综采工作面关键设备及人员的准确检测是实现煤炭智能化开采信息感知的重要环节.传统目标检测算法通过人工提取特征实现目标检测,易受环境影响,不具有普适性.基于卷积神经网络的目标检测算法可以自适应地提取深层信息,但复杂环境下检测精度不高、网络参数多、计算量大.针对上述问题,提出了一种改进YOLOv4模型,并将其应用于综采工作面目标检测.为准确从综采工作面复杂环境中检测到 目标,在CSPDarkNet53网络中融入残差自注意力模块,保证参数共享及高效局部信息聚合的同时增强全局信息获取能力,提升图像关键目标特征表达能力,进而提高目标检测精度;为适应综采工作面目标检测高效性需求,引入深度可分离卷积替代传统卷积,以减少模型参数量和计算量,有利于模型的工业部署,提高目标检测速度.实验结果表明,与YOLOv3、CenterNet及YOLOv4模型相比,改进YOLOv4模型平均精度均值最高,达92.59％,且在参数量、计算量、检测精度上具有更优的平衡,可在煤尘干扰、光照不均、目标运动等复杂环境下对目标准确检测.