A coal mine underground drill pipes counting method based on improved YOLOv8n
-
摘要: 为提高煤矿井下钻杆计数的效率和精度，提出了一种基于改进YOLOv8n模型的煤矿井下钻杆计数方法。建立了YOLOv8n−TBiD模型，该模型可准确检测矿井钻机工作视频中的钻杆并进行有效分割：为有效捕获钻杆的边界信息，提高模型对钻杆形状识别的精度，使用加权双向特征金字塔网络（BiFPN）替换路径聚合网络（PANet）；针对钻杆易与昏暗的矿井环境混淆的问题，在Backbone网络的SPPF模块后添加三分支注意力（Triplet Attention），以增强模型抑制背景干扰的能力；针对钻杆在图像中占比小、背景信息繁杂的问题，采用Dice损失函数替换 CIoU损失函数来优化模型对目标钻杆的分割处理。利用YOLOv8n−TBiD模型分割出的钻杆及其掩码信息，根据打钻过程中钻杆掩码面积变小而装新钻杆时钻杆掩码面积突然增大的规律，设计了一种钻杆计数算法。选取综采工作面实际采集的钻机工作视频对基于YOLOv8n−TBiD模型的钻杆计数方法进行了实验验证，结果表明：① YOLOv8n−TBiD模型检测钻杆的平均精度均值达94.9%，与对比模型GCI−YOLOv4，ECO−HC，P−MobileNetV2，YOLOv5，YOLOX相比，检测准确率分别提升了4.3%，7.5%，2.1%，6.3%，5.8%，检测速度较原始YOLOv8n模型提升了17.8%。② 所提钻杆计数算法在不同煤矿井下环境的视频数据集上实现了99.3%的钻杆计数精度。
-
关键词:
- 矿井钻机 /
- 钻杆计数 /
- YOLOv8n−TBiD /
- BiFPN /
- Triplet Attention /
- Dice损失函数 /
- 钻杆掩码 /
- 图像分割
Abstract: In order to improve the efficiency and precision of underground drill pipe counting in coal mines, a coal mine underground drill pipe counting method based on the improved YOLOv8n model is proposed. The YOLOv8n-TbiD is established.The model can accurately detects and segments drill pipes in mine drilling rig working videos. The main improvements include the following points. In order to effectively capture the boundary information of drill rods and improve the precision of the model in recognizing drill rod shapes, the weighted bidirectional feature pyramid network (BiFPN) is used instead of the path aggregation network (PANet). To address the issue of drill pipe objects being easily confused with dim mine environments, Triplet Attention is added to the SPPF module of the Backbone network to enhance the model's capability to suppress background interference. In response to the small proportion of drill pipes in the image and the complexity of background information, the Dice loss function is used to replace CIoU loss function to optimize the segmentation processing of drill pipe objects in the model. The method uses the YOLOv8n-TBiD model to segment the drill pipe and its mask information. A drill pipe counting algorithm is designed based on the rule that the mask area of the drill pipe decreases during drilling and suddenly increases when a new drill pipe is installed. The working video of the drilling rig in the fully mechanized working face is selected, in order to conduct experimental verification of drill pipes counting method based on YOLOv8n-TBiD model. The experimental results show that the mean average precision of the YOLOv8n-TBiD model for detecting drill pipes reaches 94.9%. Compared with the comparative experimental models GCI-YOLOv4, ECO-HC, P-MobileNetV2, YOLOv5, and YOLOX, the accuracy increases by 4.3%, 7.5%, 2.1%, 6.3%, and 5.8%, respectively, and the detection speed increases by 17.8% compared to the original YOLOv8n model. The proposed drill pipe counting algorithm achieves precision of 99.3% on video datasets from different underground coal mine environments.-
Keywords:
- mine drilling rig /
- drill pipe counting /
- YOLOv8n-TBiD /
- BiFPN /
- Triplet Attention /
- Dice loss function /
- mask of drill pipe /
- image segmentation
-
0. 引言
近距离煤层开采时，上煤层工作面开采后引起的采场围岩结构变化与运动规律对下位煤层巷道有着直接性的影响，会使下位煤层的应力赋存环境更加复杂[1-2]，尤其是在煤层间距较小、上煤层工作面采高较大时，对下位煤层影响更加明显[3-4]。当近距离煤层上煤层工作面与下位煤层巷道采掘关系发生变化时，巷道围岩变形失稳机理会更加复杂，不利于巷道的支护与优化，因此研究其采掘关系变化后巷道应力演化规律及失稳特征显得尤为重要。
许多学者针对近距离煤层采场应力演化规律及巷道失稳特征展开了研究。文献[5-8]通过FLAC3D数值模拟实验对近距离煤层开采所引起的覆岩运动规律进行了研究，得出了近距离煤层多煤层间相互开采的影响规律，揭示了近距离煤层开采过程中的顶板应力−位移演化规律，提出了采场顶板注浆加固的控制措施。文献[9-10]通过离散元数值模拟实验研究了近距离煤层上煤层工作面煤柱作用下的下位煤层巷道破坏过程，得出导致下位煤层巷道破坏应力加剧的现象与上煤层工作面煤柱承载能力有关，应避免在煤柱附近设置巷道。文献[11-13]采用理论计算及数值模拟对近距离煤层下位煤层巷道不同位置的最优布置方式展开了研究，发现下位煤层巷道内错式与外错式布置巷道围岩受力均呈现出明显的非对称性，得出不同层间距对应的应力降低区范围与边界煤柱的关系，提出了内外错相结合的回采巷道布置方式。文献[14-16]采用物理相似模拟实验对近距离煤层采场围岩在煤层回采过程的裂隙发育情况进行了研究，得出了下位煤层巷道采场上覆岩层裂隙的二次扩展特征、应力场分布及不同分区采动裂隙动态演化规律。文献[17-20]通过数值模拟软件对采空区遗留煤柱、坚硬顶板等不同工况下的巷道围岩变形情况进行研究，得出基本顶断裂位置及断裂后形成的结构是巷道失稳的主要原因，并针对不同煤柱宽度提出了采用水力压裂弱化上煤层工作面开采对巷道的影响。
目前针对近距离煤层不同采掘时空关系的研究较少，特别是上煤层工作面与下位煤层巷道推进方向不同时巷道受载动态演化规律及失稳特征。因此，本文以陕北府谷县能东煤矿近距离煤层为研究对象，采用理论分析、数值模拟及现场实测的研究方法，对上煤层工作面回采后下位煤层巷道的稳定性进行研究，确定上煤层工作面底板裂隙发育范围，明确巷道应力与位移的动态分布规律，并对现场巷道位移量进行实测验证，为相似工况下位煤层巷道的稳定性控制提供参考。
1. 工程背景
能东煤矿主采煤层为3−1煤层和3−2煤层。3−1煤层平均埋深为150 m，煤层倾角为1～3°，平均厚度为1.28 m； 3−2煤层平均埋深为175 m，倾角小于1°，平均厚度为1.90 m。31205工作面位于3−1煤层，工作面推进方向为自东向西；32206主辅运巷道位于3−2煤层，采用内错式布置方式，巷道掘进方向为自西向东。31205工作面与32206主辅运巷道相向推进，空间上存在一定的重叠区域。31205工作面与32206主辅运巷道空间位置关系如图1所示。工作面顶底板综合柱状图如图2所示。
![]()
图 1 工作面与巷道空间位置关系Figure 1. Spatial position relationship between the working face and the roadway2. 近距离煤层开采上煤层工作面底板破坏特征
对于近距离煤层开采，上煤层工作面开采会对底板造成影响，导致其出现裂隙，甚至影响至下层煤体。采用塑性力学中的滑移线场理论来计算上采空区底板的破坏深度，将底板破坏区分为主动应力区Ⅰ、过渡区Ⅱ及被动应力区Ⅲ，如图3所示。其中$ {r_0} $为煤体侧底板对数螺线半径，m； α为破坏最低点至煤壁底板处连线与水平方向的夹角，(°)；$ {\varphi _{\text{s}}} $为底板岩层内摩擦角，(°)；h1为底板破坏深度，m；L1为底板破坏最深处至煤壁处距离，m；L2为煤壁应力峰值处至煤壁距离，m；k为应力集中系数；γ为上覆岩层密度，kg/m3；H为煤层埋深，m；c为底板破坏最低点；a为c点向煤层做垂线的交点；b为主动应力区Ⅰ与过渡区Ⅱ的分界点；d为过渡区Ⅱ与被动应力区Ⅲ的分界点；e为被动应力区Ⅲ与采空区的交点。
主动应力区I为自煤壁起的放射线、底板破坏轮廓及煤层底板相交闭合的区域，被动应力区Ⅲ为自煤壁起的放射线与底板破坏轮廓相交闭合的区域，而过渡区Ⅱ轮廓则为对数螺线[21]，则可得上煤层工作面开采后底板破坏深度h1：
$$ \left\{ \begin{array}{l} h_1=r_0 \exp\; \left(\alpha/(^\circ ) \tan\; \varphi_{\mathrm{s}}\right) \cos \left(\alpha+\dfrac{\varphi_{\mathrm{s}}}{2}-\dfrac{{\text{π}}}{4}\right) \\ r_0=\dfrac{L_2}{2 \cos \left(\dfrac{\varphi_{\mathrm{s}}}{2}+45^\circ \right)} \end{array}\right. $$ (1) 对h1求导，令其对$ \alpha $的一阶导数为0，则
$$ \left\{ \begin{array}{l} \tan\; \varphi_{\mathrm{s}}=\tan\; \left(\alpha+\dfrac{\varphi_{\mathrm{s}}}{2}-45^\circ\right) \\ \alpha=\dfrac{\varphi_{\mathrm{s}}}{2}+45^\circ \end{array}\right. $$ (2) 由极限平衡理论求出L2：
$$ L_2=\frac{M}{2 \xi f} \ln \frac{k \gamma H+C_{\mathrm{m}} \cot\; \varphi_{\mathrm{m}}}{\xi C_{\mathrm{m}} \cot\; \varphi_{\mathrm{m}}} $$ (3) 式中 ：M为采高，m；$ \xi $为三轴应力系数，$ \xi = \dfrac{{1 + \sin\; {\varphi _{\text{m}}}}}{{1 - \sin\; {\varphi _{\text{m}}}}} $，$ {\varphi _{\text{m}}} $为煤层内摩擦角，(°)；f为岩石摩擦因数；Cm为煤层黏聚力，MPa。
将式（2）与式（3）代入式（1），得到上位煤层底板最大破坏深度$ {h_{1\max }} $：
$$ \small{h_{1 \max } = \dfrac{M \cos \varphi_{\mathrm{s}} \ln \dfrac{k \gamma H + C_{\mathrm{m}} \cot\; \varphi_{\mathrm{m}}}{\xi C_{\mathrm{m}} \cot\; \varphi_{\mathrm{m}}}}{4 \xi f \cos \left(\dfrac{\varphi_{\mathrm{s}}}{2} + 45^\circ\right)} \exp \left(\left(\dfrac{\varphi_{\mathrm{s}}}{2} + 45^\circ\right) /(^\circ )\tan\; \varphi_{\mathrm{s}}\right)} $$ (4) 根据现场工作面实际测量结果，得出采高M、煤层埋深H、容重γ和应力集中系数k；根据岩石力学试验结果，得到底板岩层内摩擦角$\varphi_{\mathrm{s}} $、煤层内摩擦角$\varphi_{\mathrm{m}} $、煤层黏聚力Cm及岩石摩擦因数f，从而确定工作面岩体实际参数，见表1。
表 1 现场岩体参数Table 1. In-situ rock mass parameters参数 值 参数 值 $\varphi_{\mathrm{s}} $/（°） 35.40 M/m 1.30 H/m 150.00 k 3.96 γ/（kN·m−3） 25.00 Cm/MPa 5.34 f 0.22 $\varphi_{\mathrm{m}} $/（°） 27.90 将现场岩体参数代入式（4），求出3−1煤层开采后上位煤层底板最大破坏深度$h_{1 \max }=22.5\; {\mathrm{m}} $。
由于3−1与3−2煤层的埋深分别为150，175 m，而h1max＜(175−150) m=25 m，可得出31205工作面开采导致的底板破坏深度未发育至3−2煤层，但距离较近。
3. 数值模拟研究
3.1 模型建立及实验方案
根据能东煤矿现场地层岩石力学参数，采用FLAC3D数值模拟软件建立模型，分析32206主辅运巷道与31205工作面同时掘进与开采过程中应力与位移时空变化规律。煤岩力学参数见表2。模型尺寸（长×宽×高）为300 m×280 m×200 m，采用Mohr-Coulomb本构模型，2条巷道间煤柱宽度为25 m，模型四周各留设50 m宽保护煤柱，模型底部与四周采用位移约束限制移动，整个模型由1 574 000个单元组成，包括1 659 632个节点，为保证模型计算精度可以满足现场需求，模型网格设计遵循网格长宽高之间两两参数比值不大于3的设计原则，数值计算模型如图4所示。
表 2 煤岩力学参数Table 2. Mechanical parameters of coal rock岩性 密度/
（kg·m−3）体积模
量/GPa剪切模
量/GPa泊松比 抗拉强
度/MPa黏聚力/
MPa内摩擦
角/（°）粉砂岩 2420 3.5 2.1 0.21 2.69 6.48 28.4 4−2煤 1250 1.6 1.0 0.28 0.7 5.99 24.4 细砂岩
夹泥岩2350 2.8 1.8 0.22 1.59 5.96 27.9 3−2煤 1280 1.3 0.84 0.28 0.73 6.63 20.8 粉砂岩
夹泥岩2240 2.8 1.8 0.21 1.65 4.06 35.4 3−1煤 1220 1.6 1.0 0.29 0.7 5.34 27.9 泥岩 2370 2.8 1.8 0.23 2.69 6.48 28.4 2−2煤 1250 1.6 1.0 0.28 0.7 5.99 24.4 泥质
粉砂岩2420 3.5 2.1 0.21 2.69 6.48 28.4 31205工作面沿工作面推进方向推进的同时，32206主辅运巷道沿巷道掘进方向掘进，每次推（掘）进10 m，沿着32206辅运巷道布置测点，对3−2煤层垂直应力进行监测。工作面推进距离与巷道掘进距离为200 m，采用数值模拟实验对上煤层工作面与下位煤层巷道巷道相向采掘情况进行对照组实验，获得煤壁超前垂直应力影响范围为30 m，以此为依据，按采掘空间位置关系将31205工作面与32206巷道分为相向（0～70 m）、相交（70 ～130 m）、背向（130 ～200 m）3个状态，研究当巷道与工作面的空间位置关系发生变化时下位煤层巷道围岩变形情况。
3.2 采场围岩变形规律
3.2.1 工作面回采对下位煤层巷道围岩应力的影响
1） 采场围岩应力变化。不同空间位置采场围岩应力分布规律如图5所示。可看出当32206巷道与31205工作面相向推进至50 m时，采空区底板应力释放区和覆岩应力释放拱形结构区域沿采空区中部呈对称状，工作面前后应力集中区出现最大垂直应力，为12.3 MPa，超前垂直应力影响范围为24.9 m，巷道最大应力出现在两端，为6.3 MPa。此刻31205工作面回采对32206巷道无影响。随着工作面与巷道的推（掘）进，在32206巷道与31205工作面相交推进至100 m时，工作面两端应力集中区中最大应力为15.8 MPa，顶底板应力释放区进一步扩大，延伸至32206巷道，巷道的应力降低，最大应力为4.76 MPa。在32206巷道与31205工作面背向推进至150 ，200 m时，工作面两端的最大应力分别为17.0 ，17.8 MPa，应力集中系数分别为3.78，3.96。此时巷道掘进位置最大应力为0.95，4.35 MPa。32206巷道掘进位置在推进150 m时完全位于 31205工作面底板应力释放区内，应力大幅下降，直到推进200 m时，32206巷道掘进位置位于31205工作面保护煤柱下方，巷道围岩应力逐渐增大，趋近于原岩应力。
![]()
图 5 不同空间位置下采场围岩应力分布规律Figure 5. Stress distribution law of stope surrounding rock at different spatial positions2） 3−2煤层垂直应力变化。对3−2煤层沿着32206巷道掘进方向布置测线，在采动过程中监测数据，结果如图6所示。可看出在31205工作面与32206巷道相向推进时，随着掘进距离的增大，巷道已掘进的位置应力变为0，巷道两侧煤壁最大垂直应力从5.72 MPa增大至6.08 MPa，最大垂直应力位于巷道帮部3～4 m处，应力集中系数为1.43。32206巷道右侧未掘进区域由于受到31205工作面底板应力释放区的影响，随着工作面的推进，其垂直应力不断降低，从原岩应力4.35 MPa降低至1.28 MPa，降幅达70.0%。在31205工作面与32206巷道相交推进时，在掘进距离为90 m时，32206巷道煤壁最大垂直应力达到最大值6.50 MPa，应力集中系数为1.49，32206巷道右侧未掘进区域随着31205工作面的不断推进，应力释放程度不断增大，直至推进120 m时，右侧的最小煤壁垂直应力为1.09 MPa，较原岩应力降低了74.9%。而巷道煤壁垂直应力在推进100～110 m时急剧下降，从5.13 MPa降低至2.40 MPa，降低幅度为53.2%。此时32206巷道位于31205工作面的正下方。在31205工作面与32206巷道背向推进时，在推进至150 m时，3−2煤层煤壁垂直应力达到最低，为0.70 MPa，为原岩应力的16%。之后随着工作面的推进，巷道掘进位置逐渐靠近采场边界保护煤柱，煤壁垂直应力不断增大，直到掘进距离为200 m时，煤壁支撑压力增大至6.21 MPa，趋近至最开始掘进阶段应力分布状态。
![]()
图 6 不同空间位置下3−2煤层超前垂直应力分布Figure 6. Distribution of advance abutment pressure in 3-2 coal seam at different spatial positions3.2.2 下位煤层巷道围岩位移分布规律
1） 采场围岩位移变化。不同空间位置采场围岩位移分布规律如图7所示。可看出在31205工作面与32206巷道相向推进至50 m时，31205工作面与32206巷道无相互影响作用，巷道最大位移出现在顶板，为0.006 m。在31205工作面与32206巷道相交推进时，31205工作面的推进已经影响至32206巷道掘进断面，巷道围岩整体有向上运动的趋势，巷道最大位移出现在底板处，由于巷道掘进方向与工作面推进方向不同，导致巷道顶板与底板运动趋势不同，顶板位移小于底板。在31205工作面与32206巷道背向推进至150 m时，巷道掘进位置位于上煤层工作面采场中部底板下方，巷道围岩整体位移量最大可达0.036 m，巷道掘进位置在此刻受到上采空区的影响程度最大；在背向推进至200 m时，巷道掘进位置接近边界保护煤柱，巷道围岩整体下降，推测分析是由于32206巷道与31205工作面采掘后底板应力释放区的叠加。
![]()
图 7 不同空间位置下采场围岩位移分布规律Figure 7. Displacement distribution law of stope surrounding rock at different spatial positions2） 下位煤层巷道围岩位移量。在32206巷道顶底板及两帮表面中部布置测点来监测32206巷道掘进过程中的围岩位移分布规律，如图8所示。
![]()
图 8 不同掘进距离下巷道围岩位移分布规律Figure 8. Displacement distribution law of roadway surrounding rock under different excavation progress从图8可看出巷道掘进距离为0～70 m时，巷道整体较为稳定，顶底板位移量大于两帮位移量；在巷道掘进距离为80～90 m时，巷道顶板与两帮位移量增大，底板位移量小幅下降，这是由于31205工作面的煤壁超前垂直应力传递至3−2煤层，使巷道围岩应力有小幅上升，导致顶板与两帮的位移量增大，而底板受下位煤层巷道掘进与上煤层工作面回采后的作用力方向相反，导致位移量有小幅下降，位移量有较小幅度下降。巷道掘进距离为100 m时，31205工作面位于32206巷道正上方，相当于一个大尺寸的卸压孔，使32206巷道围岩应力降低，顶板与两帮位移量降低，而底板位移量增大。在掘进距离为110 ～150 m时，巷道围岩位移量整体增大，其中顶板位移量从0.014 m增大至0.036 m，增长了1.57倍，这是由于巷道完全进入到上煤层工作面的底板应力释放区内，且巷道整体存在向上移动的趋势。巷道掘进至160 ～200 m时，随着巷道掘进距离的增大，巷道边界与保护煤柱距离减小，巷道围岩位移又开始减小，直到恢复至与巷道初始掘进状态下的位移量接近。
在31205工作面与32206巷道相向推进时，巷道围岩较为稳定，位移量整体较小；在相交推进时，在推进100 m后巷道围岩位移量增速最大，且顶底板与两帮位移量接近；在背向推进时，巷道位移量先增大后减小，在推进距离为150 m时达到最大值0.036 m，之后随着巷道接近边界煤柱，位移量逐渐减小且接近最初的巷道变形情况。
4. 现场实测
4.1 测点布置方案
在32206辅运巷道一断面布置测点来监测巷道不同掘进关系下的围岩变形情况，巷道测点布置如图9所示。垂直测线A−B应与巷道中垂线重合，水平测线C−D应与巷道腰线重合，测钉布置于巷道顶底板及两帮中部，且测钉深入400 mm才为安装完成。
4.2 巷道围岩变形特征
上煤层工作面与下位煤层巷道推进过程中32206辅运巷道围岩变形情况如图10所示，其中距巷道断面0 m时为 31205工作面推进位置位于32206 巷道掘进推进位置正上方处。可看出32206辅运巷道顶底板位移量大于两帮，这是由于埋深浅水平压力较小，回采巷道不同位置测点顶底板的位移量变化较小，巷道两帮位移量发生一定的波动。在上煤层工作面距下位煤层巷道断面−30～0 m时，巷道断面的位移量变化较大，与数值模拟结果相符。在上煤层工作面距下位煤层巷道断面40 m后，断面位移量趋于稳定，最大位移量为3.41 cm。需要说明的是，此处为巷道某一断面的动态监测结果，由于现场巷道断面距煤柱边界较远，所以位移量呈现趋于稳定的状态。总体来说巷道围岩总体位移量较小，整体较为稳定。
5. 结论
1） 通过理论分析得出，31205工作面开采后所产生的底板破坏深度为22.5 m，小于3−1煤层与3−2煤层之间的间距25 m，未发育至3−2煤层。
2） 采用FLAC3D数值模拟得出：31205工作面与32206巷道采掘过程中，不同空间采掘关系对围岩应力环境有不同程度的影响。在采掘关系为相交、背向推进时，巷道围岩应力先增后减再增，分别在90，150 m处达到最大值和最小值，巷道围岩位移量在推进100～150 m时增幅较大，最大位移量为0.036 m。
3） 现场实测结果表明：在上煤层工作面过下位煤层巷道时，巷道位移量显著增长，顶板最大位移量为3.41 cm，与数值模拟结果一致。相交推进过程中若巷道位移量较大，可适当进行补强支护，架设单体液压支柱，以确保现场生产施工的安全。
-
![]()
图 2 PANet与BiFPN结构对比
Figure 2. Comparison of structure of path aggregation network（PANet） and bi-directional feature pyramid network（BiFPN）
![]()
图 7 不同模型在训练集的损失曲线对比
Figure 7. Comparison of loss curves of different models in training sets
![]()
图 8 不同模型在验证集的损失曲线对比
Figure 8. Comparison of loss curves of different models in validation sets
![]()
图 9 不同场景下钻杆检测结果对比
Figure 9. Comparison of drill pipe detection results in different scenarios
表 1 消融实验结果
Table 1 Ablation experiment results
模型 BiFPN Triplet Attention Dice mPA/% mIoU/% 参数量/106个 浮点运算数/109 权重大小/MiB 帧率/（帧·s−1） YOLOv8n × × × 89.2 81.1 3.4 12.8 6.4 90 YOLOv8n−Bi √ × × 92.5 85.3 2.3 11.7 4.4 108 YOLOv8n−T × √ × 91.9 84.7 3.4 12.8 6.5 87 YOLOv8n−D × × √ 90.2 83.6 3.4 12.8 6.5 88 YOLOv8n−TBiD √ √ √ 94.9 87.3 2.3 11.7 4.5 106 
下载: 导出CSV
表 2 不同模型钻杆检测结果对比
Table 2 Comparison of drill pipe detection results by different models
模型 mAP/% GCI−YOLOv4 90.6 ECO−HC 87.4 P−MobileNetV2 92.8 YOLOv5 88.6 YOLOX 89.1 YOLOv8n−TBiD 94.9
下载: 导出CSV
-
[1] 梁运培,郑梦浩,李全贵,等. 我国煤与瓦斯突出预测与预警研究现状[J]. 煤炭学报,2023,48(8):2976-2994. LIANG Yunpei,ZHENG Menghao,LI Quangui,et al. A review on prediction and early warning methods of coal and gas outburst[J]. Journal of China Coal Society,2023,48(8):2976-2994.
[2] PAN Xiaokang,CHENG Hao,CHEN Jie,et al. An experimental study of the mechanism of coal and gas outbursts in the tectonic regions[J]. Engineering Geology,2020,279. DOI: 10.1016/j.enggeo.2020.105883.
[3] 姚超修,胡亚磊. 基于视频识别的煤矿井下钻杆计数算法[J]. 煤炭技术,2023,42(8):203-206. YAO Chaoxiu,HU Yalei. Drilling pipe counting algorithm based on video analysis in coal mine[J]. Coal Technology,2023,42(8):203-206.
[4] 张栋,姜媛媛. 融合注意力机制与逆残差结构的轻量级钻机目标检测方法[J]. 电子测量与仪器学报,2022,36(11):201-210. ZHANG Dong,JIANG Yuanyuan. Lightweight target detection method of drilling rig based on attention mechanism and inverse residual structure[J]. Journal of Electronic Measurement and Instrumentation,2022,36(11):201-210.
[5] 胡少兵,罗明璋,程峰,等. 基于应力波频谱图的护栏金属立柱埋深检测法[J]. 公路,2022,67(6):336-341. HU Shaobing,LUO Mingzhang,CHENG Feng,et al. Method of detecting the buried depth of guardrail metal column based on stress wave spectrum image[J]. Highway,2022,67(6):336-341.
[6] 徐钊,房咪咪,周红伟,等. 基于电驻波的锚杆长度无损测量方法[J]. 工矿自动化,2013,39(9):112-115. XU Zhao,FANG Mimi,ZHOU Hongwei,et al. Non-destructive measurement method of anchor stock length based on electricity standing wave[J]. Industry and Mine Automation,2013,39(9):112-115.
[7] 李泽鹏. 煤矿视频监控系统智能化升级及应用[J]. 自动化应用,2024(3):226-228. LI Zepeng. Intelligent upgrade and application of coal mine video monitoring system[J]. Automation Application,2024(3):226-228.
[8] 方杰,李振璧,夏亮. 基于ECO−HC的钻杆计数方法[J]. 煤炭技术,2021,40(11):186-189. FANG Jie,LI Zhenbi,XIA Liang. Drill pipe counting method based on ECO-HC[J]. Coal Technology,2021,40(11):186-189.
[9] 张栋,姜媛媛. 基于改进MobileNetV2的钻杆计数方法[J]. 工矿自动化,2022,48(10):69-75. ZHANG Dong,JIANG Yuanyuan. Drill pipe counting method based on improved MobileNetV2[J]. Journal of Mine Automation,2022,48(10):69-75.
[10] 杜京义,党梦珂,乔磊,等. 基于改进时空图卷积神经网络的钻杆计数方法[J]. 工矿自动化,2023,49(1):90-98. DU Jingyi,DANG Mengke,QIAO Lei,et al. Drill pipe counting method based on improved spatial-temporal graph convolution neural network[J]. Journal of Mine Automation,2023,49(1):90-98.
[11] 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.
[12] 卢子册,刘小芳,王德伟. 基于改进YOLOv8的PCB焊点语义分割方法[J]. 无线电工程,2024,54(7):1614-1621. LU Zice,LIU Xiaofang,WANG Dewei. Semantic segmentation method for PCB solder joint based on improved YOLOv8[J]. Radio Engineering,2024,54(7):1614-1621.
[13] 熊恩杰,张荣芬,刘宇红,等. 面向交通标志的Ghost−YOLOv8检测算法[J]. 计算机工程与应用,2023,59(20):200-207. XIONG Enjie,ZHANG Rongfen,LIU Yuhong,et al. Ghost-YOLOv8 detection algorithm for traffic signs[J]. Computer Engineering and Applications,2023,59(20):200-207.
[14] LI Taiguo,ZHANG Yingzhi,LI Quanqin,et al. AB-DLM:an improved deep learning model based on attention mechanism and BiFPN for driver distraction behavior detection[J]. IEEE Access,2022,10:83138-83151. DOI: 10.1109/ACCESS.2022.3197146
[15] 吴慧海,沈文忠. 基于TA−YOLO的电力设备红外图像检测方法[J]. 信息技术与信息化,2022(3):17-20. WU Huihai,SHEN Wenzhong. Infrared image detection method of power equipment based on TA-YOLO[J]. Information Technology and Informatization,2022(3):17-20.
[16] 郑兆晖. 基于几何因子的目标检测与实例分割的研究[D]. 天津:天津大学,2021. ZHENG Zhaohui. Research on object detection and instance segmentation based on geometric factors[D]. Tianjin:Tianjin University,2021.
[17] 黄文博,屈超凡,燕杨. 融合注意力机制的TransGLnet脉络膜自动分割[J]. 光学精密工程,2023,31(23):3482-3489. HUANG Wenbo,QU Chaofan,YAN Yang. Automatic segmentation of choroid by TransGLnet integrating attention mechanism[J]. Optics and Precision Engineering,2023,31(23):3482-3489.
[18] 于营,王春平,付强,等. 语义分割评价指标和评价方法综述[J]. 计算机工程与应用,2023,59(6):57-69. YU Ying,WANG Chunping,FU Qiang,et al. Survey of evaluation metrics and methods for semantic segmentation[J]. Computer Engineering and Applications,2023,59(6):57-69.
[19] 崔多,王秋生. 基于深度学习的无人机引导线识别模型[J/OL]. 计算机应用:1-7[2024-04-26]. https://kns.cnki.net/kcms/detail/51.1307.TP.20240424.1452.004.html. CUI Duo,WANG Qiusheng. Drone guide line recognition model based on deep learning[J/OL]. Journal of Computer Applications:1-7[2024-04-26]. https://kns.cnki.net/kcms/detail/51.1307.TP.20240424.1452.004.html.
[20] 马超伟,张浩,马新明,等. 基于改进YOLOv8的轻量化小麦病害检测方法[J]. 农业工程学报,2024,40(5):187-195. MA Chaowei,ZHANG Hao,MA Xinming,et al. Method for the lightweight detection of wheat disease using improved YOLOv8[J]. Transactions of the Chinese Society of Agricultural Engineering,2024,40(5):187-195.
[21] GE Zheng,LIU Songtao,WANG Feng,et al. YOLOx:exceeding YOLO series in 2021[EB/OL]. [2024-03-20]. https://arxiv.org/abs/2107.08430.
计量
- 文章访问数: 239
- HTML全文浏览量: 50
- PDF下载量: 40
