An underground coal mine multi-target detection algorithm
-
摘要:
目前基于深度学习的煤矿井下目标检测算法在面对光照强度分布不均、目标环境复杂及多类目标尺度分布不均衡时，对复杂小目标的检测效果不佳，易出现漏检和误检现象。针对上述问题，基于单阶段目标检测算法YOLOv8n，提出了一种基于动态蛇形卷积的特征提取（FEDSC）−双向特征金字塔网络与语义和细节融合的特征融合（FFBD）的煤矿井下多目标检测算法，即采用FEDSC替换YOLOv8n的主干网络，扩大感受野；将FFBD作为颈部网络，减少目标误检和漏检；引入SIoU的解耦检测头作为检测层，提高模型对小目标的适应能力与模型收敛速度。实验结果表明：① FEDSC−FFBD算法的mAP@0.5为97.00%，模型参数量为4.22×106个，每秒浮点运算数为21.7×109。② FEDSC−FFBD算法的mAP@0.5较YOLOv8n算法提升了3.40%，对安全帽小目标的识别准确率为90.90%，较YOLOv8n算法提升了11%。③ 与其他YOLO系列算法相比，FEDSC−FFBD算法的mAP@0.5最高，较YOLOv5s，YOLOv9c，YOLOv10n和YOLOv11n算法分别提升了3.60%，1%，10.50%和6.40%。④ FEDSC−FFBD算法在面对煤矿井下光照强度分布不均、目标环境复杂及尺度分布不均衡的条件下，提高了多类别目标的检测精度，改善了小目标漏检和误检的问题。基于FEDSC−FFBD的煤矿井下多目标检测算法在无图像质量增强算法的前提下，克服了光照强度分布不均对小尺度目标检测带来的挑战。
Abstract:Currently, underground coal mine target detection algorithms based on deep learning show poor performance in detecting complex small targets under conditions of uneven light intensity distribution, complex target environments, and imbalanced multi-class target scale distribution, often resulting in missed detection and false detection. To address these issues, based on the single-stage target detection algorithm YOLOv8n, this study proposed an underground coal mine multi-target detection algorithm based on feature extraction by dynamic snake convolution (FEDSC)-feature fusion by bi-directional feature pyramid network and semantic and detail fusion (FFBD). FEDSC replaced the backbone network of YOLOv8n to expand the receptive field, while FFBD acted as the neck network to reduce target false detection and missed detection. Additionally, a decoupling detection head of SIoU was used as the detection layer to improve the model's adaptability to small targets and the convergence speed. The results showed that: ① The mAP@0.5 of the FEDSC-FFBD algorithm was 97.00%, the number of model parameters was 4.22×106, and the number of floating point operations per second was 21.7×109. ② The mAP@0.5 of the FEDSC-FFBD alorithm was 3.40% higher than the YOLOv8n algorithm, and the recognition accuracy of the helmet small target was 90.90%, 11% higher than the YOLOv8n algorithm. ③ Compared with other YOLO series algorithms, the FEDSC-FFBD algorithm achieved the highest mAP@0.5, which was 3.60%, 1%, 10.50%, and 6.40% higher than YOLOv5s, YOLOv9c, YOLOv10n, and YOLOv11n algorithms, respectively. ④ The FEDSC-FFBD algorithm improved the detection accuracy of multi-class targets and reduced missed detection and false detection of small targets under conditions of uneven light intensity distribution, complex target environments, and imbalanced target scale distribution in underground coal mine. The underground coal mine multi-target detection algorithm based on FEDSC-FFBD overcame the challenge of small-scale target detection caused by uneven light intensity distribution without relying on image quality enhancement algorithms.
-
0. 引言
2020年3月，由国家发展改革委、国家能源局等八部委联合发布的《关于加快煤矿智能化发展的指导意见》，树立了煤矿智能化发展阶段性目标，加快了煤矿智能化体系建设[1]。基于数字化矿山基础，应用新一代信息技术、智能制造技术、人工智能技术和数字孪生技术建设智能化矿山，实现煤炭安全、智能、高效、绿色开采和清洁利用，成为现代煤矿发展的必由之路[2-4]。
数字孪生技术是以数字化方法创建物理实体的虚拟模型，并实现物理世界及数字世界之间双向映射、动态交互、实时连接的关键技术，可将物理实体的属性、结构、状态、性能、功能和行为映射到数字世界[5]，形成高保真的动态多维、多尺度、多物理量模型[6]，从而为物理实体提供更加实时、高效、智能的运行或操作服务。
数字孪生技术在煤炭行业已有相关研究。葛世荣等[7]采用基于仿真的数字孪生建模方法提出了综采工作面数字孪生系统架构，系统虚拟实体包括机理模型和行为模型，机理模型、行为模型与其控制系统组合的离线运行模式形成综采工作面计算实验系统，为综采工作面智能控制系统真正的自主决策复杂算法开发提供了测试平台。王宏伟等[8] 提出了一种液压支架数字孪生体联合建模方法，利用SolidWorks软件建立液压支架机械系统和液压系统的三维实体模型，将三维实体模型生成.sldasm格式文件导入MapleSim软件中，使用运动副连接机械部分，液压元件连接液压部分，建立液压支架机械系统孪生模型和液压系统孪生模型，二者联合，与物理体通过数据库进行数据交互及模型优化，并进行了虚实一致性实验。孙继平[9]、谢嘉成[10]通过构建数字孪生模型对综采工作面环境和三机状态进行实时监测。葛世荣等[11]、洪飞[12]使用 Unity 3D等软件建立了智采工作面模型，完成了在虚拟环境下综采工作面的支护监测与动态规划。以上研究方法虽然利用数字孪生技术将物理对象进行了数字化表达，但侧重对单一设备进行建模，缺少三机耦合协同关系分析。
针对上述问题，本文基于数字孪生技术，提出了综采工作面三机数字孪生及协同建模方法。对采煤机、液压支架和刮板输送机进行数字孪生建模，对三机协同工艺进行离散事件建模。通过采煤机摇臂升降仿真、液压支架升柱仿真及基于生产日志的三机协同工艺虚实对比仿真验证了模型与真实设备映射的一致性。综采工作面三机数字孪生及协同建模方法为综采设备及其协同关系的数字孪生建模提供了新思路。
1. 综采三机数字孪生建模
综采三机的数字孪生模型包含智能体模型和三维模型，三者关系如图1所示。采用智能体建模方法[13]构建包含感知单元、控制单元和执行单元的采煤机、液压支架、刮板输送机智能体模型，依据三维建模流程构建对应的可视化模型，以智能体驱动三维模型，二者结合构成三机数字孪生模型。采用离散事件建模方法构建三机协同工艺模型，按照时序梳理三机开采工艺，形成三机协同工艺时序表。数字孪生模型用于描述三机的状态与行为，进行个体层面的仿真计算；三机协同工艺模型用于表征数字孪生模型之间的时序动作转换，实现对三机协同过程整体层面的建模及推演。这种混合建模方法在一定程度上体现了分层设计的思想，各个子模型保持自身独立性，同时整体具有集中协同的特点。
![]()
图 1 数字孪生模型、智能体模型与三维模型的关系Figure 1. Relation among digital twin model, agent model and 3D model智能体具有自主性、交互性、反应性和主动性，能根据其内部状态与主动感知的环境信息决定和控制自身行为。智能体模型由感知单元、控制单元和执行单元[14]组成，如图2所示。
三维模型是物体的多边形数字可视化表示，通常用计算机或其他视频设备进行显示。工业领域常使用C4D、3D Max、Auto CAD等软件进行建模[15]。本文按照常规三维建模流程构建综采工作面三机三维可视化模型，建模流程如图3所示，具体步骤包括模型CAD图纸预处理、多边形建模、贴图制作、基础数据处理、过程检查、多层场景合并、模型优化、成品检查。
离散事件建模是将一系列能够改变模型状态的动作抽象为事件，为每个事件都分配时间戳来表示事件发生的仿真时间点[16]。由于开采过程中各设备的协同动作过程符合离散事件的特点，故将三机协同过程按照离散事件方法进行建模。
1.1 采煤机数字孪生建模
1.1.1 采煤机建模
采煤机是煤矿开采的核心装备，分别构建其智能体模型和三维模型。采煤机的智能体作为独立的活动个体，包括感知单元、控制单元和执行单元。
1） 采煤机感知单元建模：以采煤机CAD图纸确定结构尺寸参数，结合传感器实时采集数据，实现对采煤机运行状况的感知与周围环境的探测[17]。采煤机关键感知数据项见表1。
表 1 采煤机关键感知数据项Table 1. Key perception data items of shearer数据类型及传感器 关键感知数据项 结构尺寸 滚筒：直径、截深
摇臂：长度、旋转锚点
机身：长度、宽度、厚度倾角传感器 左右摇臂升降角度 行程传感器 左右滚筒采高卧底 测速传感器 采煤机行进速度 编码器/红外发射器 采煤机位置 2） 采煤机控制单元建模：对采煤机结构约束条件和采煤机与液压支架干涉约束条件进行建模，约束包括：① 采煤机摇臂升降角度约束，受限于调高油缸伸缩范围而产生的滚筒最高与最低的范围。② 采煤机速度约束，受限于工作面供液能力及液压支架支护速度。③ 采煤机滚筒与液压支架顶梁、护帮之间的干涉约束，通过设置安全距离实时检测它们之间的距离，若小于安全距离时，下发减速或停机指令，避免设备之间发生碰撞事故。
3） 采煤机执行单元建模：采煤机动作模型包括左右滚筒升降、牵引启动、牵引停机、加速与减速等，上述动作除了滚筒的升降，其余均涉及采煤机的位置、速度变化，需要采煤机骑架在刮板输送机上协同仿真，所构建的采煤机数字孪生模型与真实物理装备的一致性实验将围绕采煤机滚筒的升降动作展开。
按照图3流程建立了采煤机三维可视化模型，其与真实采煤机的对比如图4所示。在建模软件3D Max中测量得到的各个零部件尺寸数据与真实采煤机CAD图纸数据一致，说明所建立模型的正确性。
1.1.2 实验仿真
为了验证所建立的采煤机模型的正确性进行了虚实一致性仿真实验。采煤机通过控制调高液压缸的伸缩动作，带动摇臂旋转，实现滚筒升降。受限于调高液压缸伸缩范围，摇臂旋转的倾角取值为[−16.05°，40.92°]，由于采煤机两侧摇臂对称，本文以左侧摇臂为例进行升降实验。
采煤机数字孪生模型左侧摇臂升降虚实一致性实验结果如图5所示，初始时左侧摇臂呈水平状态，倾角为0，实验时间为30 s。实验开始时，持续输入“左侧滚筒上升”动作指令，15 s后，采煤机数字孪生模型与真实采煤机左侧摇臂倾角均达到上限，在0~5 s内，采煤机调高油缸运动呈现滞后性，倾角上升幅度滞后于智能体倾角；在8~14 s，数字孪生模型仿真倾角变化呈线性关系，真实采煤机倾角变化类似抛物线。在“左侧滚筒下降”动作仿真中，变化过程与上升过程类似。采煤机数字孪生模型在摇臂升降实验过程中，其倾角变化过程与真实采煤机变化过程一致，平均误差为2.3°，其动态特性满足一致性实验要求。
![]()
图 5 采煤机左侧摇臂倾角数字孪生数据与真实数据对比曲线Figure 5. Comparison curves between digital twin data and real data of dip angle of shearer left rocker arm1.2 液压支架数字孪生建模
1.2.1 液压支架建模
液压支架是煤矿生产的重要设备之一，其主要作用是在综采工作面支护顶板，保护人员与设备的安全。选取两柱掩护式支架作为研究对象，进行数字孪生建模。对智能体模型进行感知单元分析，关键传感器包括底座、连杆、顶梁倾角传感器，平衡杆、立柱油缸压力传感器及推移缸的位移传感器[18]。
根据液压支架CAD图纸将其简化为图6所示的杆系结构，便于构建液压支架运动约束控制模型。
在该液压支架杆系结构中，由平衡杆和立柱油缸的伸缩运动带动液压支架整体结构的变化。根据图纸测量得到液压支架各个尺寸数据，结合高度传感器与倾角传感数据，可求解液压支架姿态、油缸推移量，并根据煤层数据可计算出液压支架需调整的位置高度，进而迅速求解液压缸所需的伸长量，从而对液压支架姿态进行预测控制。根据图6的结构关系，可得到液压支架环形向量方程：
$$ {{{\boldsymbol{L}}}_{{{AB}}}}+ {{{\boldsymbol{L}}}_{{{BD}}}}= {{{\boldsymbol{L}}}_{{{AC}}}}+ {{{\boldsymbol{L}}}_{{{CD}}}} $$ (1) $$ {{{\boldsymbol{L}}}_{{{EG}}}}+ {{{\boldsymbol{L}}}_{{{GF}}}}= {{{\boldsymbol{L}}}_{{{EF}}}} $$ (2) $$ {{{\boldsymbol{L}}}_{{{KA}}}}+ {{{\boldsymbol{L}}}_{{{AC}}}}+ {{{\boldsymbol{L}}}_{{{CG}}}}+ {{{\boldsymbol{L}}}_{{{GI}}}}= {{{\boldsymbol{L}}}_{{{KI}}}} $$ (3) 式中:
$ {{{\boldsymbol{L}}}_{{{AB}}}} $ 为后连杆底部点A到前连杆底部点B的距离向量；$ {{{\boldsymbol{L}}}_{{{BD}}}} $ 为前连杆底部点B到顶部点D的距离向量；$ {{{\boldsymbol{L}}}_{{{AC}}}} $ 为后连杆底部点A到顶部点C的距离向量；$ {{{\boldsymbol{L}}}_{{{CD}}}} $ 为后连杆顶部点C到前连杆顶部点D的距离向量；$ {{{\boldsymbol{L}}}_{{{EG}}}} $ 为平衡杆底部点E到顶梁与掩护梁衔接点G的距离向量；$ {{{\boldsymbol{L}}}_{{{GF}}}} $ 为顶梁与掩护梁衔接点G到平衡杆顶部点F的距离向量；$ {{{\boldsymbol{L}}}_{{{EF}}}} $ 为平衡杆底部点E到顶部点F的距离向量；$ {{{\boldsymbol{L}}}_{{{KA}}}} $ 为立柱油缸底部点K到后连杆底部点A的距离向量；$ {{{\boldsymbol{L}}}_{{{CG}}}} $ 为后连杆顶部点C到顶梁与掩护梁衔接点G的距离向量；$ {{{\boldsymbol{L}}}_{{{GI}}}} $ 为顶梁与掩护梁衔接点G到立柱油缸顶部点I的距离向量；$ {{{\boldsymbol{L}}}_{{{KI}}}} $ 为立柱油缸底部点K到顶部点I的距离向量。上述向量环方程组即为液压支架约束控制模型的核心算法，对其进行求解后可得到液压支架姿态的实时数字化表达。液压支架执行单元包含液压支架升降柱、推溜移架、平衡伸收动作，支撑液压支架智能体模型动作交互。按照图3流程建立了液压支架三维可视化模型，其与真实液压支架的对比如图7所示。可看出液压支架三维模型满足虚实一致性要求。
![]()
图 7 真实液压支架与三维模型对比Figure 7. Comparison of real equipment and 3D model of hydraulic support1.2.2 实验仿真
为了验证所建立的液压支架模型的正确性，进行了液压支架升柱动作仿真实验。对液压支架模型进行迭代求解，设置初始顶梁角度为0，立柱长度取值为[2 000 mm, 4 000 mm]，变化间隔为100 mm，持续进行升柱动作。以液压支架CAD图纸测量的尺寸和角度数据为初始输入，采用Powell[19]临近域搜索法进行迭代计算，计算得到后连杆角度、前连杆角度、立柱杆角度、平衡杆角度、掩护梁角度、立柱长度、平衡杆长度的变化曲线，如图8所示。可看出各条曲线过渡平滑，说明迭代计算过程中上述各部件的运动是连续的。实验的最终计算结果与液压支架传感器采集的测量值对比见表2，角度平均误差为0.14°，行程平均误差为6.3 mm。液压支架GUD90B双轴倾角传感器的误差为
$ \pm 0.3° $ °，GUD500行程传感器的误差为15 mm，对比可知，液压支架数字孪生模型计算数据均在误差允许范围内，符合与真实设备的一致性要求。![]()
图 8 液压支架姿态各变量连续变化曲线Figure 8. Continuous change curves of various variables of hydraulic support attitude表 2 液压支架运动仿真结果Table 2. Hydraulic support motion simulation reaults项目 后连杆
角度/（°）前连杆
角度/（°）立柱杆
角度/（°）平衡杆
角度/（°）掩护梁
角度/（°）顶梁
角度/（°）立柱
长度/ mm平衡杆
长度/ mm支护
高度/mm初始值 100.00 100.00 80.00 20.00 20.00 0 3000.00 1000.00 3800.00 最终值 107.17 122.89 77.62 32.50 40.85 0 3163.70 1137.40 3800.00 测量值 107.02 123.03 77.51 32.21 40.75 0.05 3158.59 1130.21 3793.39 误差 0.15 0.14 0.11 0.29 0.10 0.05 5.11 7.19 6.61 1.3 刮板输送机数字孪生建模
刮板输送机是煤矿综采工作面常用的运输机械之一，是连接采煤机和液压支架的桥梁。由于刮板输送机自身无法主动运动，所以，其智能体只需进行感知和约束控制单元构建。
刮板输送机感知单元的关键传感器包括温度、压力、振动、电流、电压、功率、倾角传感器，围绕电动机、减速器、中部槽进行数据监测感知[20]。
刮板输送机的控制模型围绕自身约束及与外部设备的衔接约束进行构建。刮板输送机相邻中部槽通过连接销和连接耳子两两连接，其物理允许的最大旋转角度不超过3°。刮板输送机与采煤机、液压支架均有物理衔接约束。采煤机在采空区侧的2个导向滑靴和煤壁侧的2个平滑靴分别骑架在刮板输送机销轨和铲煤板上，起到支撑和导向作用[21]；液压支架的推移活塞杆用插销连接到中部槽挡煤板上，当进行推溜动作时，中部槽受活塞杆推动往煤壁方向移动[22]。
按照图3流程建立了刮板输送机三维可视化模型，其与真实物理设备的对比如图9所示。可看出刮板输送机三维模型能真实反映刮板输送机的状态，满足虚实一致性要求，证明所建立模型的正确性。
![]()
图 9 真实刮板输送机与三维模型对比Figure 9. Comparison of real equipment and 3D model of scraper conveyor2. 三机协同工艺离散事件建模及仿真
2.1 三机协同工艺离散事件建模
综采工作面开采是各个设备互相配合、协同控制，实现安全高效生产。采煤机开采工艺与液压支架跟机工艺均以图表结合文字的方式划分生产阶段，以采煤机在工作面的不同位置变化推动开采过程往复进行。该工艺阶段的划分符合离散事件特点，即可操作性与流程性。在完成三机数字孪生建模后，根据其业务阶段特点，采用离散事件建模方法构建三机协同工艺模型。以时间轴为基准串联采煤机、液压支架动作事件，事件涵盖要素包括事件名称、动作执行对象、动作指令、指令持续时间、采煤机位置变化等。其中动作执行对象为采煤机或液压支架，动作指令即为采煤机、液压支架智能体执行模块列举的动作类型。部分三机协同工艺时序表数据见表3。
表 3 部分三机协同工艺时序表数据Table 3. Partial three machine collaborative process schedule data事件名称 动作执行
对象指令持续
时间/s动作
指令采煤机开始
位置/架采煤机结束
位置/架割底煤 采煤机 5 牵启 170 170 3 左降 170 170 4 右牵 170 168 4 加速 168 150 机尾顺序移架 175号支架 3 降柱 165 164 4 移架 164 163 4 升柱 163 162 建立的三机协同三维模型如图10所示，采煤机骑架在刮板输送机上，刮板输送机挡煤板与液压支架推移杆通过插销连接，液压支架支护整个综采工作面，三者协同作业，实现综采工作面有序开采。
2.2 三机协同工艺虚实仿真实验
为了验证构建的三机协同工艺模型与真实设备在开采过程中的一致性进行了仿真实验，并将真实生产日志文件中的工艺过程数据与三机协同工艺时序表仿真数据进行对比，以验证所建模型的正确性。
以兖矿集团赵楼煤矿某工作面为研究对象，截取综采集控平台2022年4月的日志文件，文件记录了综采工作面生产过程采煤机位置数据、液压支架架号及动作指令、时间数据，将上述数据过滤提取，形成真实开采过程数据集。将数据集绘制形成图11(a)所示基于日志文件的采煤机液压支架动作时序，包含采煤机两刀煤截割过程及对应的液压支架跟机动作。结合该工作面开采工艺、跟机工艺文档对综采工作面三机模型虚拟仿真初始参数进行设置：采煤机最大牵引速度设为12 m/min，加速到最大速率时间设为5 s；液压支架数量为175架，执行端部割三角煤工艺，设定第25架及第150架为上下行折返点。完成初始参数设定后，以采煤机位置变化为触发条件进行虚拟孪生仿真，得到图11(b)所示时序。将基于日志的时序图与仿真结果叠加对比，得到图11(c)。从图11可得出如下结论：
1） 采煤机整体仿真运行轨迹与真实日志记录趋势一致，符合综采工作面采煤机双向割煤端部斜切进刀的工艺约束要求。
2） 工作面各个液压支架时序动作基本一致，仿真结果符合实际生产工艺指令及跟机策略约束。
3） 三机协同工艺模型的虚实对比仿真结果与真实记录接近，验证了数字孪生模型的正确性和准确性。
3. 结论
1） 提出了综采工作面三机数字孪生建模与三机协同离散事件混合建模方法。对采煤机、液压支架和刮板输送机进行数字孪生建模，对三机协同工艺进行离散事件建模，实现了三机协同过程宏观层次的建模。
2） 采煤机数字孪生模型的摇臂升降实验结果表明，模型误差较小，摇臂倾角平均误差为2.3°；液压支架升柱实验结果表明，与测量数据相比，角度平均误差为0.14°，行程平均误差为6.3 mm，测量结果与实验结果相符；基于真实生产日志的三机协同工艺虚实对比仿真结果表明，所构建的数字孪生模型可以正确反映实际生产过程的真实状态，与真实装备符合一致性要求，仿真结果与真实记录接近，验证了数字孪生模型的正确性和准确性。
3） 下一步将研究煤矿井下地质环境数字孪生构建方法，形成地质与装备交互耦合，进一步探究综采装备在仿真过程中与环境的交互关系，为综采工作面虚拟仿真开采、数字孪生技术在煤炭行业的应用提供新思路。
-
![]()
图 8 加入DSConv+CA注意力机制前后检测模型的特征可视化热力图对比
Figure 8. Comparison of feature visualization heat maps of the detection model before and after the addition of DSConv + CA attention mechanism
表 1 实验平台环境配置
Table 1 Environment configuration of the experimental platform
名称 版本信息 CPU Intel（R） i7−13700KF 3.40 GHz 操作系统 Windows 10 内存/GiB 32 GPU NVIDIA GeForce RTX 4080 CUDA 12.1 Python 3.11 PyTorch 2.1.1 
下载: 导出CSV
表 2 目标检测结果对比
Table 2 Comparison of target detectiont results
算法 AP/% mAP@0.5/% P/% FLOPs/109 PM/106个 管道 轨道 人 安全帽 有衣物 胶带 无衣物 YOLOv8n 99.50 98.80 97.10 79.90 93.40 99.50 86.80 93.60 93.80 8.1 3.00 YOLOv8m 99.50 99.20 96.50 77.90 93.90 99.50 93.20 94.20 94.30 79.1 25.80 YOLOv8l 99.50 99.40 97.50 82.40 95.50 99.50 87.20 94.40 94.90 165.4 43.60 YOLOv8x 99.50 99.30 96.70 85.10 93.80 99.50 91.20 95.00 93.80 257.4 68.10 YOLOv8s 99.50 99.10 96.80 81.90 93.30 99.50 93.50 94.80 92.70 28.5 11.10 YOLOv5n 99.50 99.40 97.20 74.50 92.20 99.50 77.10 91.30 91.50 7.2 2.50 YOLOv5m 99.50 99.30 95.90 76.70 93.70 99.50 81.60 92.30 93.40 64.4 25.10 YOLOv5l 99.50 99.20 95.50 74.80 94.10 99.50 85.90 92.70 94.70 135.3 53.10 YOLOv5x 99.50 98.70 97.40 77.90 92.10 99.50 91.70 93.80 91.50 246.9 97.20 YOLOv5s 99.50 99.00 96.00 81.30 95.20 99.50 83.50 93.40 95.50 23.8 9.10 YOLOv6n 99.50 98.10 95.50 72.20 95.10 99.50 85.80 92.30 94.90 11.6 4.16 YOLOv9c 99.50 99.10 97.10 88.10 96.20 99.50 92.00 96.00 93.10 84.1 21.30 YOLOv10n 99.50 97.10 86.50 65.90 88.90 99.50 68.40 86.50 87.90 8.4 2.70 YOLOv11n 99.50 98.80 96.20 67.90 90.10 99.50 81.90 90.60 89.33 6.3 2.58 FEDSC−FFBD 99.50 98.40 96.70 90.90 96.10 99.50 97.90 97.00 95.90 21.70 4.22
下载: 导出CSV
表 3 消融实验结果
Table 3 Ablation experiment results
模型 AP/% mAP0.5/% P/% FLOPs/109 PM/106个 管道 轨道 人 安全帽 有衣物 胶带 无衣物 YOLOv8n 99.50 98.80 97.10 79.90 93.40 99.50 86.80 93.60 93.80 8.10 3.00 M1 99.50 98.40 97.50 88.90 96.50 99.50 87.20 95.36 95.50 12.70 2.96 M2 99.50 98.60 96.00 89.00 96.50 99.50 88.70 95.40 95.60 12.90 2.97 M3 99.50 99.50 97.50 83.60 96.50 99.50 89.50 95.10 94.30 13.00 2.99 M4 99.50 99.30 96.10 88.90 96.50 99.50 90.50 95.76 93.40 13.50 3.09 M5 99.50 99.40 96.80 93.40 97.00 99.50 92.30 96.84 93.30 21.70 4.22 M6 99.50 98.40 96.50 78.90 93.50 99.50 80.90 92.50 95.30 8.10 3.0 M7 99.50 98.60 96.60 88.60 96.60 99.50 91.60 95.90 93.80 12.70 2.96 M8 99.50 99.30 94.20 86.40 95.90 99.50 98.20 96.10 93.10 12.90 2.97 M9 99.50 98.70 97.30 83.60 97.00 99.50 99.50 96.40 95.40 13.00 2.99 M10 99.50 99.10 97.50 90.50 96.50 99.50 94.50 96.70 95.30 13.50 3.09 M11 99.50 98.40 96.70 90.90 96.10 99.50 97.90 97.00 95.90 21.70 4.22
下载: 导出CSV
表 4 不同注意力机制下的消融实验结果对比
Table 4 Comparison of ablation experiment results under different attention mechanisms
注意力机制 算法 AP/% mAP@0.5/% P/% FLOPs/
109PM/
106个管道 轨道 人 安全帽 有衣物 胶带 无衣物 DAM FEDSC 99.50 99.20 96.50 87.80 97.00 99.50 83.10 94.70 92.30 13.1 3.23 FEDSC−BiFPN 99.50 98.40 96.80 90.20 96.10 99.50 96.70 96.70 93.30 13.2 3.25 FEDSC−BiFPN−DSC 99.50 98.80 96.00 87.70 95.40 99.50 90.70 95.40 90.60 13.7 3.35 FEDSC−FFBD 99.50 99.40 97.60 85.50 95.30 99.50 82.50 94.20 92.30 21.6 4.39 SEM FEDSC 99.50 98.70 94.90 86.20 93.70 99.50 83.50 93.70 92.60 12.9 2.97 FEDSC−BiFPN 99.50 98.70 97.10 87.20 95.70 99.50 99.50 82.10 94.30 13.0 2.99 FEDSC−BiFPN−DSC 99.50 99.30 96.10 85.70 96.60 99.50 90.30 95.30 90.60 13.5 3.08 FEDSC−FFBD 99.50 99.40 96.30 87.40 94.70 99.50 80.60 93.90 96.30 21.4 4.13 CBAM FEDSC 99.50 99.10 96.80 89.10 96.60 99.50 85.00 95.10 94.10 12.9 2.98 FEDSC−BiFPN 99.50 98.90 94.90 87.10 96.60 99.50 84.30 94.40 92.80 13.0 3.0 FEDSC−BiFPN−DSC 99.50 98.70 96.70 86.40 94.90 99.50 84.80 94.40 94.10 13.5 3.09 FEDSC−FFBD 99.50 99.30 96.50 88.20 97.40 99.50 90.40 95.80 95.10 21.4 4.14 EMA FEDSC 99.50 99.50 96.70 89.00 94.20 99.50 95.40 96.20 92.30 12.9 2.97 FEDSC−BiFPN 99.50 98.80 97.10 90.00 93.10 99.50 94.70 96.10 94.00 12.9 2.98 FEDSC−BiFPN−DSC 99.50 99.40 97.30 88.20 97.70 99.50 90.80 96.10 94.20 13.4 3.08 FEDSC−FFBD 99.50 99.40 97.00 91.50 96.40 99.50 79.20 94.60 94.50 21.4 4.13 CA FEDSC 99.50 99.30 94.20 86.40 95.90 99.50 98.20 96.10 93.10 12.9 2.97 FEDSC−BiFPN 99.50 98.70 97.30 83.60 97.00 99.50 99.50 96.40 95.40 13.0 2.99 FEDSC−BiFPN−DSC 99.50 99.10 97.50 90.50 96.50 99.50 94.50 96.70 95.30 13.5 3.09 FEDSC−FFBD 99.50 98.40 96.70 90.90 96.10 99.50 97.90 97.00 95.90 21.7 4.22
下载: 导出CSV
-
[1] 程德强,钱建生,郭星歌,等. 煤矿安全生产视频AI识别关键技术研究综述[J]. 煤炭科学技术,2023,51(2):349-365. CHENG Deqiang,QIAN Jiansheng,GUO Xingge,et al. Review on key technologies of AI recognition for videos in coal mine[J]. Coal Science and Technology,2023,51(2):349-365.
[2] 王树奇,刘贝,邹斐. 一种新的矿井监控视频增强目标检测算法[J]. 西安科技大学学报,2019,39(2):347-353. WANG Shuqi,LIU Bei,ZOU Fei. A new image enhancement target detection algorithm based on monitoring video in coal mine tunnel[J]. Journal of Xi'an University of Science and Technology,2019,39(2):347-353.
[3] 寇发荣,肖伟,何海洋,等. 基于改进YOLOv5的煤矿井下目标检测研究[J]. 电子与信息学报,2023,45(7):2642-2649. DOI: 10.11999/JEIT220725 KOU Farong,XIAO Wei,HE Haiyang,et al. Research on target detection in underground coal mines based on improved YOLOv5[J]. Journal of Electronics & Information Technology,2023,45(7):2642-2649. DOI: 10.11999/JEIT220725
[4] 崔铁军,王凌霄. YOLOv4目标检测算法在煤矿工人口罩佩戴监测工作中的应用研究[J]. 中国安全生产科学技术,2021,17(10):66-71. CUI Tiejun,WANG Lingxiao. Research on application of YOLOv4 object detection algorithm in monitoring on masks wearing of coal miners[J]. Journal of Safety Science and Technology,2021,17(10):66-71.
[5] 董彦强,程德强,张云鹤,等. 基于注意力和重构特征融合的轻量级煤矿安全帽检测方法[J]. 计算机工程与应用,2024,60(15):297-306. DOI: 10.3778/j.issn.1002-8331.2304-0421 DONG Yanqiang,CHENG Deqiang,ZHANG Yunhe,et al. Lightweight coal mine safety helmet detection method based on attention and reconfiguration feature fusion[J]. Computer Engineering and Applications,2024,60(15):297-306. DOI: 10.3778/j.issn.1002-8331.2304-0421
[6] 李伟山,卫晨,王琳. 改进的Faster RCNN煤矿井下行人检测算法[J]. 计算机工程与应用,2019,55(4):200-207. DOI: 10.3778/j.issn.1002-8331.1711-0282 LI Weishan,WEI Chen,WANG Lin. Improved faster RCNN approach for pedestrian detection in underground coal mine[J]. Computer Engineering and Applications,2019,55(4):200-207. DOI: 10.3778/j.issn.1002-8331.1711-0282
[7] LI Dongjun,ZHANG Zhenxin,XU Zhihua,et al. An image-based hierarchical deep learning framework for coal and gangue detection[J]. IEEE Access,2019,7. DOI: 10.1109/ACCESS.2019.2961075.
[8] LIANG Bin,WANG Zhongbin,SI Lei,et al. A novel pressure relief hole recognition method of drilling robot based on SinGAN and improved faster R-CNN[J]. Applied Sciences,2022,13(1). DOI: 10.3390/APP13010513.
[9] 章赛,纪凡,卢才武,等. 低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法[J]. 安全与环境学报,2024,24(3):952-961. ZHANG Sai,JI Fan,LU Caiwu,et al. An improved YOLOX detection method for tracking obstacles of unmanned electric locomotives in coal mines under low lighting[J]. Journal of Safety and Environment,2024,24(3):952-961.
[10] 唐俊,李敬兆,石晴,等. 基于Faster−YOLOv7的带式输送机异物实时检测[J]. 工矿自动化,2023,49(11):46-52,66. TANG Jun,LI Jingzhao,SHI Qing,et al. Real time detection of foreign objects in belt conveyors based on Faster-YOLOv7[J]. Journal of Mine Automation,2023,49(11):46-52,66.
[11] HUANG Kaifeng,LI Shiyan,CAI Feng,et al. Detection of large foreign objects on coal mine belt conveyor based on improved[J]. Processes,2023,11(8). DOI: 10.3390/PR11082469.
[12] LUO Bingxin,KOU Ziming,HAN Cong,et al. A faster and lighter detection method for foreign objects in coal mine belt conveyors[J]. Sensors,2023,23(14). DOI: 10.3390/S23146276.
[13] 杨文轲,孟祥瑞,王向前. 基于改进YOLOv7的煤矿工人不安全行为识别方法[J]. 哈尔滨商业大学学报(自然科学版),2024,40(6):664-670. YANG Wenke,MENG Xiangrui,WANG Xiangqian. Method for identifying unsafe behaviors of coal mine workers based on improved YOLOv7[J]. Journal of Harbin University of Commerce(Natural Sciences Edition),2024,40(6):664-670.
[14] 田佳伟, 唐子山. 基于边缘计算和ST−YOLO的矿井智能监控技术研究[J]. 煤炭工程, 2024, 56（7）: 165-173. TIAN Jiawei, TANG Zishan. Mine intelligent monitoring technology based on edge computing and ST-YOLO.[J]. Coal Engineering, 2024, 56（7）: 165-173.
[15] QI Yaolei,HE Yuting,QI Xiaoming,et al. Dynamic snake convolution based on topological geometric constraints for tubular structure segmentation[C]. IEEE/CVF International Conference on Computer Vision ,Paris,2023:6070-6079.
[16] HOU Qibin,ZHOU Daquan,FENG Jiashi. Coordinate attention for efficient mobile network design[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Nashville,2021:13713-13722.
[17] TAN Mingxing,PANG Ruoming,LE Q V. EfficientDet:scalable and efficient object detection[C]. IEEE/CVF Conference on Computer Vision and Pattern Recognition,Seattle,2020:10778-10787.
[18] ZHOU Shilong,ZHOU Haijin. Detection based on semantics and a detail infusion feature pyramid network and a coordinate adaptive spatial feature fusion mechanism remote sensing small object detector[J]. Remote Sensing,2024,16(13). DOI: 10.3390/RS16132416.
[19] CHEN Fuxun,ZHANG Lanxin,KANG Siyu,et al. Soft-NMS-enabled YOLOv5 with SIOU for small water surface floater detection in UAV-captured images[J]. Sustainability,2023,15(14). DOI: 10.3390/SU151410751.
[20] XIE Weining,SUN Xiaoyong,MA Weifeng. A light weight multi-scale feature fusion steel surface defect detection model based on YOLOv8[J]. Measurement Science and Technology,2024,35(5). DOI: 10.1088/1361-6501/AD296D.
-
期刊类型引用(3)
1. 李小军，赵明炀，李淼. 基于深度学习的钻孔冲煤量智能识别方法. 煤田地质与勘探. 2025(01): 257-270 . 
百度学术
2. 杨子润，周亚军，栾博钰. 中联润世露天煤矿斗齿监测系统设计与应用. 露天采矿技术. 2025(03): 102-105 . 百度学术
3. 郑冉，张富凯，袁冠，张艳梅，王少璞，张强，赵珊，王登科，霍占强，张海燕，何恒. 基于YOLOv11＿OBB的煤矿钻杆计数方法. 工矿自动化. 2025(05): 72-79+95 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 77
- HTML全文浏览量: 25
- PDF下载量: 20
- 被引次数: 3
