Small object detection method for mining face based on improved YOLOv8n
-
摘要: 为有效检测和识别煤矿井下采掘工作面人员是否佩戴安全防护装置，针对井下光照条件差、安全防护装备目标尺寸小且颜色与背景相似等情况，提出了一种基于改进YOLOv8n的采掘工作面小目标检测方法。在YOLOv8n骨干网络C2f模块中融合动态蛇形卷积（DSConv），构建C2f−DSConv模块，以提高模型提取多尺度特征的能力；在Neck层引入极化自注意力（PSA）机制，以减少信息损失，提高特征表达能力；在Head层增设1个专门针对小目标的检测头，形成4检测头结构，以扩大模型检测范围。实验结果表明，改进YOLOv8n模型对井下人员及其所佩戴安全帽、矿灯、口罩、自救器检测的平均精度分别为98.3%，95.8%，89.9%，87.2%，90.8%，平均精度均值为92.4%，优于Faster R−CNN，YOLOv5s，YOLOv7，YOLOv8n模型，且检测速度达208帧/s，满足煤矿井下目标检测精度和实时性要求。Abstract: In order to effectively detect and recognize whether the personnel on the mining face in coal mines are wearing safety protection devices, a small object detection method based on improved YOLOv8n is proposed. It is applied in situations such as poor underground lighting conditions, small object sizes of safety protection device, and similar colors to the background. The method integrates Dynamic Snake Convolution (DSConv) into the C2f module of YOLOv8n backbone network to construct a C2f DSConv module, in order to enhance the model's capability to extract multi-scale features. The method introduces polarized self-attention (PSA) mechanism in the Neck layer to reduce information loss and improve feature expression capability. The method adds one detection head specifically designed for small objects at the Head layer, forming a four detection head structure to expand the detection range of the model. The experimental results show that the improved YOLOv8n model has an average precision of 98.3%, 95.8%, 89.9%, 87.2%, and 90.8% for detecting underground personnel and their safety helmets, mining lights, masks, and self rescue devices, respectively. The average precision is 92.4%, which is better than Faster R-CNN, YOLOv5s, YOLOv7, and YOLOv8n models. The detection speed reaches 208 frames per second, meeting the requirements of object detection precision and real-time performance in coal mines.
-
0. 引言
刮板输送机是综采（放）工作面唯一的输送设备，是煤矿井下智能开采的重要组成部分，具有负载大、连续作业时间长和重载启动频繁等特点。随着煤矿井下刮板输送设备智能化技术的不断发展，综采（放）工作面刮板输送机在实际应用中需要对载煤量进行智能检测，根据煤量信息进行实时调速，从而减少堆煤事故的发生，降低链条、刮板等部件的磨损，避免刮板输送机机头和机尾驱动装置（包含电动机和减速器）长时间高速运转对设备造成的机械冲击，延长设备使用寿命，进一步提升刮板输送机智能化水平。
由于载煤量直接影响输送系统驱动装置的运行工况，为避免设备出现较大冲击载荷，许多专家和学者对煤矿井下输送设备载煤量进行了研究。董立红等[1]和代伟等[2]提出一种基于双目视觉深度感知的带式输送机煤量检测及测重方法，通过建立运煤三维模型，结合双目视觉方法获取煤料图像深度信息，进而实现煤量计算。王凯[3]通过分析刮板输送机载煤量与电动机电流的映射关系，选用小波神经网络建立刮板输送机载煤量的预测模型，对刮板输送机电流进行预测。郝洪涛等[4]利用超声波测距原理，通过超声阵列检测各超声波传感器阵元对应检测点的煤料高度，采用横截面切片法计算单位时间内输送带上通过煤料的总体积，结合煤料堆积密度计算输送带实时煤流量及总煤量。韩涛等[5]提出一种基于多任务卷积神经网络的带式输送机输煤量和跑偏检测方法，输煤量检测和跑偏检测共享同一网络底层结构和参数。郝洪涛等[6]通过状态重构建立带式输送机系统状态观测器，并估计张力值变化率，结合电子胶带秤综合计算煤量信息。胡而已[7]提出基于激光扫描的综放工作面放煤量智能监测方法,引入三角微元法构建放煤量回归实时计算模型,通过测量临近放煤口位置的后部刮板输送机上部运煤量来表征工作面实时放煤量,采用高性能多次回波信号反射激光雷达扫描,快速捕获,存储高精度三维激光点云数据。陈湘源等[8]提出一种基于线性模型划分的煤流体积测量方法，通过煤流体积测量模型实现对煤量的精准测量。张克亮[9]提出了基于多任务卷积神经网络（Multi-task Convolutional Neural Network，MT−CNN）的矿井带式输送机输煤量检测技术，采用MT−CNN对输煤量的轮廓形态和荷载状态进行分析运算，有效提高了输煤量图像识别的真实性。刘永刚等[10]设计了一种智能刮板输送机控制系统，提出了采煤机不同运行状态下刮板输送机的理想煤量分布曲线。王利栋[11]设计了一种放煤量激光扫描智能检测系统，利用激光扫描法获取临近放煤口位置的刮板输送机上煤流轮廓的点云数据，根据刮板输送机上的煤流特征信息实时构建堆煤量的高精度三维模型。孙鹏亮等[12]提出了基于红外扫描装置的转载机煤量监测技术，该技术能够对转载机处煤量进行有效扫描，提供可靠的煤量负荷数据，保障系统的稳定运行。刘飞等[13]提出一种基于深度图像的带式输送机煤量检测方法，该方法可以有效消除井下昏暗环境对煤量检测造成的干扰，具有较高的检测精度和较快的处理速度。胡而已等[14]提出了一种综放工作面放煤量激光扫描自适应监测系统，该系统能够对扫描角度自适应调节，实现了煤流量的精准监测。张耀[15]提出了一种煤矿运输系统煤量激光三角法监测技术，该技术基于视觉与光学测量原理，通过深入研究煤量检测的影响因素与优化的亚像素提取方法，从而获得高精度的运输系统实时煤流量。杨光耀等[16]研究了基于机器视觉的煤量截面轮廓参数提取算法，通过图像处理获得激光变形条纹的中心线，并对条纹中心线的断点进行数字虚拟连接，提高了煤量测量准确性。彭丽等[17]研制了一种基于激光与视觉融合技术的输送带煤量检测装置，通过对摄像机和激光雷达同步检测的图像进行融合，利用双目深度估计网络（Pyramid Stereo Matching Network，PSMNet）的多尺度融合特征进行预测，实现煤堆表面点的快速、准确测量，有效提升煤量测量的准确度。吕剑铎等[18]提出了带式输送机煤量检测实验方法，该方法通过研究二维激光雷达测量原理、基于三角面积累计法和面元积分原理，构建了激光雷达煤量检测计算模型，提高了煤矿带式输送机运煤量实时测量精度。李学晖[19]提出了一种基于机器视觉和深度学习的煤量识别方法，该方法通过煤量识别模型对煤流图像进行类别划分，依据煤量大小调节带式输送机带速，为带式输送机节能调速提供依据。崔振国[20]提出了一种基于机器视觉的带式输送机煤量监测系统，实现了带式输送机上煤料体积的高精度动态识别。贺杰等[21]提出一种基于图像处理技术的胶带上煤量计量方法，该方法通过线激光仪器计算出带式输送机上煤量截面积，根据截面积与带式输送机带速关系实现胶带上煤量体积计量，减小了煤量体积计量误差。然而，目前多数研究侧重于煤矿井下带式输送机煤量检测和识别，对工作面刮板输送机煤量检测仅停留在转载机处安装红外扫描装置，检测技术单一，且由于转载机位于刮板输送机卸煤方向，红外扫描装置检测的是转载机载煤量，不能直接反映刮板输送机上的实时载煤量，存在较大滞后性。若反馈到集控系统的刮板输送机煤量信息与实际煤量相差较大，则会导致能源浪费或刮板输送机堆煤过载，甚至引发安全事故。
针对上述问题，本文提出一种基于数组的刮板输送机运载模型及煤量计算算法，该算法通过连续数组建立刮板输送机运载模型，并表征单位长度的载煤量，结合采煤机运行速度、滚筒高度、截割深度、位置及刮板输送机运行速度与装煤系数等参数，综合计算出刮板输送机实时载煤量。
1. 刮板输送机数组模型建立
将刮板输送机设定为连续装煤的载体，设刮板输送机长度为M，以0.5 m为单位，建立一个连续数组，模拟刮板输送机运载数组模型$G=\{G[0], G[1], \cdots, G[i], \cdots, G[n]\} $，其中G[i]为刮板输送机第i个分段模型，0≤i≤n，n为刮板输送机分段变量，n=2M－1。刮板输送机载煤量数组模型$Q=\{Q[0], Q[1], \cdots, Q[i], \cdots, Q[n]\} $，其中Q[i]为刮板输送机第i个分段载煤量。
设置初始状态下采煤机位置为Pc（采煤机与刮板输送机机头的距离），刮板输送机模型如图1所示。
煤量分布模型如图2所示。
首先，通过采煤机控制系统反馈的采煤机信息（包含Pc、采煤机截割深度Dc、采高Hc、运行距离L、装煤系数k），计算采煤机的落煤量Qc。然后，结合采煤机速度Vc（当采煤机从机头运行至机尾时，Vc＞0，当采煤机从机尾运行至机头时，Vc＜0），计算此时采煤机的运行时间Tc，进而通过刮板输送机控制系统反馈的运行速度Vg（Vg≤0），计算刮板输送机的卸煤长度Lg。最后，结合刮板输送机原有煤量Qy、采煤机的落煤量Qc及刮板输送机卸煤量Qx，计算当前刮板输送机载煤量Qz。
$$ Q_{\rm{z}}=Q_{\mathrm{y}}+Q_{\mathrm{c}}-Q_{\mathrm{x}} $$ (1) 2. 刮板输送机煤量计算方法
当采煤机运行距离为L时，采煤机的落煤量和运行时间分别为
$$ Q_{\mathrm{c}}=k D_{\mathrm{c}} H_{\mathrm{c}} L $$ (2) $$ {T_{\text{c}}} = \frac{L}{{\left| {{V_{\text{c}}}} \right|}} $$ (3) 根据煤矿井下采煤工艺，在生产采运过程中，采煤机与刮板输送机机头之间始终存在负载，当采煤机与刮板输送机机头距离为Pc时，刮板输送机上原有煤量为
$$ {Q_{\mathrm{y}}} = Q[0] + Q[1] + \cdots + Q[2{P_{\mathrm{c}}} - 1] = \sum\limits_{m = \tfrac{1}{2}}^{{P_{\text{c}}}} {Q\left[ {2m - 1} \right]} $$ (4) 式中m为实数，且$ m=\left\{\dfrac{1}{2},1,\dfrac{3}{2},\cdots ,\dfrac{X+1}{2},\cdots ,{P}_{\text{c}}\right\} $，X为正整数，X≤2Pc－1。
1） 以绝对静止的煤壁为参考，刮板输送机向机头运行，采煤机向机尾运行，此时刮板输送机相对采煤机的运行距离ΔLc＞0。
当0＜ΔLc＜Pc+L时，刮板输送机上一点O运行至O'，刮板输送机的运行距离Lg＜Pc。刮板输送机运煤模型1如图3所示。
刮板输送机的卸煤长度为
$$ {L_{\text{g}}} = \left| {{V_{\rm{g}}}} \right|{T_{\rm{c}}} = \frac{{\left| {{V_{\rm{g}}}} \right|L}}{{\left| {{V_{\rm{c}}}} \right|}} $$ (5) 结合式（5）计算出刮板输送机的卸煤量：
$$ {Q_{\rm{x}}} = \sum\limits_{m = \tfrac{1}{2}}^{{L_{\rm{g}}}} {Q\left[ {2m - 1} \right]} = \sum\limits_{m = \tfrac{1}{2}}^{\tfrac{{\left| {{V_{\rm{g}}}} \right|L}}{{\left| {{V_{\text{c}}}} \right|}}} {Q\left[ {2m - 1} \right]} $$ (6) 根据式（1）计算刮板输送机载煤量：
$$ {Q_{\rm{z}}} = \sum\limits_{m = \tfrac{1}{2}}^{{P_{\text{c}}}} {Q\left[ {2m - 1} \right] + k{D_{\text{c}}}{H_{\text{c}}}L - \sum\limits_{m = \tfrac{1}{2}}^{\tfrac{{\left| {{V_{\rm{g}}}} \right|L}}{{\left| {{V_{\text{c}}}} \right|}}} {Q\left[ {2m - 1} \right]} } $$ (7) 当ΔLc=Pc＋L时，刮板输送机上一点O恰好到达刮板输送机机头或已运出机头，刮板输送机的运行距离Lg≥Pc。刮板输送机运煤模型2如图4所示。
根据刮板输送机工作特性，此时刮板输送机卸煤长度恰好为Pc，则该状态下的刮板输送机卸煤量为
$$ {Q_{\rm{x}}} = \sum\limits_{m = \tfrac{1}{2}}^{{P_{\text{c}}}} {Q\left[ {2m - 1} \right]} $$ (8) 根据式（1）计算刮板输送机载煤量：
$$ {Q_{\rm{z}}} = \sum\limits_{m = \tfrac{1}{2}}^{{P_{\text{c}}}} {Q\left[ {2m - 1} \right]} + {Q_{\rm{c}}} - \sum\limits_{m = \tfrac{1}{2}}^{{P_{\text{c}}}} {Q\left[ {2m - 1} \right]} = k{D_{\rm{c}}}{H_{\rm{c}}}L $$ (9) 2） 以绝对静止的煤壁为参考，采煤机和刮板输送机均向机头运行，且采煤机相对于刮板输送机向机尾方向运行，此时|Vg|＞|Vc|。
当0＜ΔLc＜Pc－L时，刮板输送机上一点O运行至O'，刮板输送机的运行距离Lg＜Pc。刮板输送机运煤模型3如图5所示。
根据式（6）和式（7）计算出此时刮板输送机的卸煤量与载煤量。
当ΔLc=Pc－L时，刮板输送机上一点O恰好到达刮板输送机机头或已运出机头，刮板输送机的运行距离Lg≥Pc。刮板输送机运煤模型4如图6所示。
根据刮板输送机工作特性，此时刮板输送机卸煤长度恰好为Pc，则该状态下的刮板输送机卸煤量和载煤量可根据式（8）和式（9）求得。
3） 以绝对静止的煤壁为参考，采煤机和刮板输送机均向机头运行，且采煤机相对于刮板输送机向机头方向运行时，此时ΔLc＜0，|Vg|＜|Vc|。刮板输送机运煤模型5如图7所示。
根据式（6）和式（7）计算出此时刮板输送机的卸煤量与载煤量。
综上所述，在刮板输送机上一点未到达刮板输送机机头的情况下，实时载煤量计算公式为式（7）；在刮板输送机上一点到达刮板输送机机头的情况下，实时载煤量计算公式为式（9）。
刮板输送机煤量计算流程如图8所示。首先，集中控制系统采集并存储采煤机和刮板输送机的各个参数。其次，根据存储的各个参数，表征当前煤量数组模型并计算刮板输送机卸煤量数组模型。然后，存储当前计算出的煤量数据并判断采煤机速度Vc是否为0。最后，若Vc≠0，则返回数据采集步骤继续计算；若Vc=0，则算法结束。
3. 试验设计与结果分析
为了验证刮板输送机数组运载模型和煤量计算算法的可行性，采用SGZ800/2×400型井下综采工作面成套智能刮板输送设备工作面平台进行井下工业性试验。
3.1 刮板输送机煤量检测装置试验研究
试验依托焦作煤业集团赵固二矿配套的刮板输送机GLH127红外煤量检测装置计算载煤量。将红外煤量检测装置安装在转载机接近刮板输送机机头的位置，通过RS485数据接口、ModBus RTU通信协议将数据上传至井下集控中心进行显示并存储。从集控中心获取到采煤机从机头运行到机尾状态下检测到的刮板输送机载煤量信息，通过井下集控中心存储卡获取相应数据并进行分析，结合理论煤量分布数据进行对比分析，结果如图9所示。可看出通过红外煤量检测装置测出的刮板输送机载煤量信息存在较大的滞后现象，且煤量数据收敛性和稳定性差，不能准确检测刮板输送机的实时载煤量信息。
![]()
图 9 理论煤量与红外煤量检测装置测出的煤量对比Figure 9. Comparison of theoretical coal quantity and coal quantity measured by infrared coal quantity detection device3.2 刮板输送机煤量计算算法试验研究
试验依托赵固二矿配置的刮板输送机集中控制系统平台，结合从井下集控中心获取的采煤机位置、截割深度、运行方向、速度和采高等信息，进行瞬时煤量计算显示、累计煤量的计算显示与煤量数据存储。刮板输送机集中控制系统平台及其主界面如图10和图11所示。
![]()
图 11 刮板输送机集中控制系统平台主界面Figure 11. The main interface of centralized control system platform of scraper conveyor在智能控制系统平台主界面状态下点击左侧“历史记录”可以查看当前时段的瞬时煤量数据，并能够实时存储载煤量数据。可通过控制系统平台的USB数据传输接口将煤量数据导出。通过该算法进行了多次实验，获取到与刮板输送机煤量检测装置实验同一时段刮板输送机载煤量数据，并与理论煤量分布数据进行对比分析，结果如图12所示。
![]()
图 12 理论煤量与本文算法计算出的煤量对比Figure 12. Comparison between theoretical coal quantity and the coal quantity calculated by the algorithm in this article从图12可看出，通过基于数组模型的煤量计算算法计算出的刮板输送机煤量数据实时性强，载煤量分布接近于理想状态且具有较高的收敛性和鲁棒性。
4. 结论
1） 刮板输送机运载模型及煤量计算算法利用数组模型，将刮板输送机设定为连续装煤的载体，根据工作面长度，选择恰当的单位长度建立刮板输送机运载模型，模拟刮板输送机工作方式，并表征刮板输送机载煤量信息。结合综采（放）工作面“三机”集中控制系统采集反馈的采煤机运行速度、滚筒高度、截割深度、位置、装煤系数及刮板输送机运行速度等参数，通过多参数数学建模的方法，实现对刮板输送机单位煤量的实时模拟，进而直观反映煤矿井下采煤工艺并准确计算出刮板输送机的实时载煤量。通过数组模型的煤量计算算法计算出来的刮板输送机煤量数据实时性强，载煤量分布接近于理想状态且具有较高的收敛性和鲁棒性。
2） 基于数组模型的煤量计算算法通过连续数组建立刮板输送机运载模型，且需要结合工作面采煤机运行速度、滚筒高度、截割深度、位置及装煤系数等参数综合计算刮板输送机上的实时载煤量。综采工作面刮板输送设备和综放工作面的前部刮板输送设备采用的是采煤机割煤采运方式，因此刮板输送机装载煤量与该算法有必然关联。该算法只适用于综采工作面刮板输送机和综放工作面前部刮板输送机的载煤量计算。
-
![]()
图 6 不同目标检测模型检测结果对比
Figure 6. Comparison of detection results of different object detection models
表 1 实验平台配置
Table 1 Experimental platform configuration
配置 参数 操作系统 Windows10 CPU Intel Core i7−12700K GPU NVIDIA GeForce RTX 3060 内存 32 GiB GPU加速工具 CUDA11.1 
下载: 导出CSV
表 2 消融实验结果
Table 2 Ablation experiment results
% YOLOv8n DSConv 检测头 PSA 精确率 召回率 mAP50 √ × × × 86.9 85.9 89.1 √ √ × × 87.4 89.3 89.7 √ √ √ × 88.0 90.1 91.1 √ √ √ √ 89.3 91.3 92.4
下载: 导出CSV
表 3 不同目标检测模型对5种类别目标检测的AP对比
Table 3 Average precision (AP) comparison of detecting five categories by use of different object detection models
% 类别 Faster−
RCNNYOLOv5s YOLOv7 YOLOv8n 改进YOLOv8n 人员 84.2 92.9 94.2 97.7 98.3 安全帽 80.7 90.1 91.7 93.7 95.8 矿灯 68.7 76.6 76.3 79.8 89.9 口罩 74.3 82.9 83.9 86.2 87.2 自救器 73.3 81.7 81.4 85.1 90.8 mAP50 79.2 85.6 86.3 89.1 92.4
下载: 导出CSV
表 4 不同目标检测模型的检测性能对比
Table 4 Comparison of detection performance of different object detection models
模型 参数量/MiB GFLOPs mAP/% 检测速度/（帧·s−1） Faster R−CNN 53.0 887.5 79.2 7 YOLOv5s 7.2 16.0 85.6 59 YOLOv7 36.9 104.7 86.3 142 YOLOv8n 3.0 8.1 89.1 457 改进YOLOv8n 3.4 13.3 92.4 208
下载: 导出CSV
-
[1] 郝帅,杨晨禄,赵秋林,等. 基于双分支头部解耦和注意力机制的灾害环境人体检测[J]. 西安科技大学学报,2023,43(4):797-806. HAO Shuai,YANG Chenlu,ZHAO Qiulin,et al. Pedestrian detection method in disaster environment based on double branch decoupled head and attention mechanism[J]. Journal of Xi'an University of Science and Technology,2023,43(4):797-806.
[2] 罗南超,郑伯川. 视频监控领域深度特征编码的行人检测算法[J]. 西安科技大学学报,2019,39(4):701-707. LUO Nanchao,ZHENG Bochuan. Deep feature coding for pedestrian detection in video surveillance[J]. Journal of Xi'an University of Science and Technology,2019,39(4):701-707.
[3] 程德强,寇旗旗,江鹤,等. 全矿井智能视频分析关键技术综述[J]. 工矿自动化,2023,49(11):1-21. CHENG Deqiang,KOU Qiqi,JIANG He,et al. Overview of key technologies for mine-wide intelligent video analysis[J]. Journal of Mine Automation,2023,49(11):1-21.
[4] 赵伟,王爽,赵东洋. 基于SD−YOLOv5s−4L的煤矿井下无人驾驶电机车多目标检测[J]. 工矿自动化,2023,49(11):121-128. ZHAO Wei,WANG Shuang,ZHAO Dongyang. Multi object detection of underground unmanned electric locomotives in coal mines based on SD-YOLOv5s-4L[J]. Journal of Mine Automation,2023,49(11):121-128.
[5] REDMON J,DIVVALA S,GIRSHICK R,et al. You only look once:unified,real-time object detection[C]. The IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:779-788.
[6] REDMON J,FARHADI A. YOLO9000:better,faster,stronger[C]. The IEEE Conference on Computer Vision and Pattern Recognition,Honolulu,2017:7263-7271.
[7] REDMON J,FARHADI A. Yolov3:an incremental improvement[EB/OL]. [2024-04-23]. https://pjreddie.com/media/files/papers/YOLOv3.pdf.
[8] BOCHKOVSKIY A, WANG C Y, LIAO H Y M. Yolov4: optimal speed and accuracy of object detection [Z/OL]. [2024-05-23]. https://doi.org/10.48550/arXiv. 2004.10934.
[9] REN Shaoqing,HE Kaiming, GIRSHICK R,et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137-1149.
[10] HE Kaiming,ZHANG Xiangyu,REN Shaoqing,et al. Deep residual learning for image recognition[C]. The IEEE Conference on Computer Vision and Pattern Recognition,Las Vegas,2016:770-778.
[11] HUANG Gao,LIU Zhuang,VAN DER MAATEN L,et al. Densely connected convolutional networks[C]. The IEEE Conference on Computer Vision and Pattern Recognition,Honolulu,2017:4700-4708.
[12] HOWARD A G,ZHU Menglong,CHEN Bo,et al. Mobilenets:efficient convolutional neural networks for mobile vision applications[Z/OL]. [2024-04-23]. https://arxiv.org/pdf/1704.04861.
[13] 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.
[14] 李熙尉,孙志鹏,王鹏,等. 基于YOLOv5s改进的井下人员和安全帽检测算法研究[J]. 煤,2023,32(3):22-25. DOI: 10.3969/j.issn.1005-2798.2023.03.006 LI Xiwei,SUN Zhipeng,WANG Peng,et al. Research on underground personnel and safety helmet detection algorithm based on YOLOv5s improvement[J]. Coal,2023,32(3):22-25. DOI: 10.3969/j.issn.1005-2798.2023.03.006
[15] 曹帅,董立红,邓凡,等. 基于YOLOv7−SE的煤矿井下场景小目标检测方法[J]. 工矿自动化,2024,50(3):35-41. CAO Shuai,DONG Lihong,DENG Fan,et al. A small object detection method for coal mine underground scene based on YOLOv7-SE[J]. Journal of Mine Automation,2024,50(3):35-41.
[16] 王科平,连凯海,杨艺,等. 基于改进YOLOv4的综采工作面目标检测[J]. 工矿自动化,2023,49(2):70-76. WANG Keping,LIAN Kaihai,YANG Yi,et al. Target detection of the fully mechanized working face based on improved YOLOv4[J]. Journal of Mine Automation,2023,49(2):70-76.
[17] 顾清华,何鑫鑫,王倩,等. 基于改进YOLOv5的煤矿井下暗环境矿工安全穿戴智能识别[J]. 矿业研究与开发,2024,44(3):201-208. GU Qinghua,HE Xinxin,WANG Qian,et al. Research on intelligent recognition of safety wearing of miners in dark enviroment of coal mine based on improved YOLOv5[J]. Mining Research and Development,2024,44(3):201-208.
[18] 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
[19] GE Zheng,LIU Songtao,WANG Feng,et al. Yolox:Exceeding YOLO series in 2021[Z/OL]. [2024-04-23]. https://arxiv.org/pdf/2107.08430.
[20] YU F,KOLTUN V. Multi-scale context aggregation by dilated convolutions[Z/OL]. [2024-04-23]. https://arxiv.org/pdf/1511.07122.
[21] DAI Jifeng,QI Haozhi,XIONG Yuwen,et al. Deformable convolutional networks[C]. The IEEE International Conference on Computer Vision,Venice,2017:764-773.
[22] QI Yaolei,HE Yuting,QI Xiaoming,et al. Dynamic snake convolution based on topological geometric constraints for tubular structure segmentation[C]. The IEEE/CVF International Conference on Computer Vision,Paris,2023:6070-6079.
[23] LIU Huajun,LIU Fuqiang,FAN Xinyi,et al. Polarized self-attention:towards high-quality pixel-wise regression[Z/OL]. [2024-04-23]. https://arxiv.org/pdf/2107.00782.
计量
- 文章访问数: 130
- HTML全文浏览量: 84
- PDF下载量: 25
