首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往

秦宇龙:基于改进YOLOv5的带式输送机大块煤检测

《工矿自动化》杂志

研究背景

     近年来,基于深度学习的带式输送机煤块检测方法得到大量研究,其中YOLO系列模型在煤块检测场景应用广泛。井下环境复杂,存在高粉尘、低光照的特点,且大块煤和普通煤块在外形和颜色上的差异较小,煤块间存在遮挡和堆叠的情况,现有方法对大块煤与普通煤块的区分不够精确,容易出现漏检或误检。本文在YOLOv5模型中引入并行空洞卷积模块和联合注意力模块,提出了一种改进YOLOv5模型,并与PLC联动示警,实现对带式输送机上大块煤的精准检测。

带式输送机大块煤检测方法

1、 方法原理

     带式输送机大块煤检测方法原理如下图所示。首先,利用5G矿用摄像仪采集煤矿带式输送机的输煤视频,并进行抽帧和数据预处理,获得样本图像;其次,对样本图像进行标注(仅标注大块煤),构建大块煤检测的训练集、验证集、测试集;然后,对改进YOLOv5模型进行训练,保存训练结果最优的权重文件;最后,利用训练好的改进YOLOv5模型对摄像仪采集的实时输煤视频进行检测,存储大块煤的位置和数量信息并上传数据库,实时联动PLC示警。

2、 改进YOLOv5模型

     为提取更多底层的多尺度特征辅助判断,对YOLOv5模型进行改进,如下图所示。将骨干网络中第3个和第5个普通卷积模块CBS(由卷积、归一化函数和激活函数组成)替换为并行空洞卷积模块DCBS3(由3个并行的空洞卷积、归一化函数和激活函数组成),并在颈部特征融合过程中加入2个联合注意力模块DCTR(由空洞卷积和注意力模块组成)。

     并行空洞卷积模块结构如下图所示(k为卷积核大小;s为卷积步长;d为空洞卷积(ConvD)的膨胀率)。通过拼接3个不同膨胀率的空洞卷积特征,得到图像的多尺度信息,扩大感受野,有效区分大块煤和普通煤块,提高模型精度。

     对原始的C3模块进行改进,加入空洞卷积和注意力机制构建联合注意力模块,结构如下图所示。输入特征图依次通过空洞卷积和残差模块(Bottleneck)得到空洞卷积分支输出,并行通过注意力模块(Transformer)得到注意力分支输出,2个分支的输出拼接后通过卷积得到输出特征图。

3、PLC联动示警

     通过多次实验发现,当带式输送机上出现超过3块大块煤时几乎无法避免堵塞,因此根据带式输送机上大块煤数量制定合理的PLC联动示警策略,流程如下图所示。检测到大块煤后,根据大块煤数量分为0块、1块、2块、大于2块4种情况,由本地计算机进行逻辑判断并向PLC发送信号指令;之后,PLC对输出端口完成相应的置位和复位操作,连接在PLC输出端口的继电器指示灯则相应点亮(根据大块煤数量亮起不同数量的继电器指示灯),达到3块大块煤时蜂鸣器报警。

实验验证

1、 改进YOLOv5模型识别结果

     在原始YOLOv5模型基础上增加不同模块,利用模拟平台数据集进行消融实验,结果见下表。可看出与原始YOLOv5模型相比,同时加入并行空洞卷积模块和联合注意力模块后,精确率、召回率、平均精度均有所提升。

     为进一步验证本文改进YOLOv5模型性能,在模拟平台数据集上与经典模型Faster R−CNN和其他改进YOLOv5模型进行对比,结果见下表。可看出与YOLOv5模型相比,本文改进YOLOv5模型由于在颈部加入注意力机制,增大了计算量,导致检测速度有所下降,但检测精度有明显提升。

2、PLC联动示警结果

     本地计算机上部署本文改进YOLOv5模型,对摄像仪采集的视频进行实时检测,获得带式输送机上大块煤数量,并向PLC发送信号指令,由PLC控制继电器执行相应操作,结果如下图所示。检测到只有1块大块煤时,亮起1个指示灯,进行提示;检测到2块大块煤时,亮起2个指示灯,进行警告;检测到3块及以上大块煤时,3个指示灯均亮起,进行报警。

3、 实际场景检测结果

     为验证改进YOLOv5模型的泛化性,在煤矿井下数据集上进行实验,不同模型检测精度对比结果见下表,可看出本文改进YOLOv5模型检测精度最高。

     实际场景检测结果如下图所示。可看出原始YOLOv5模型和YOLOv5+GnBlock模型出现了漏检,YOLOv5+SCConv模型出现了误检,而本文改进YOLOv5模型有效避免了漏检和误检现象。

作者简介

引用格式

秦宇龙,程继明,任一个,等. 基于改进YOLOv5的带式输送机大块煤检测[J]. 工矿自动化,2024,50(2):57-62, 71.

QIN Yulong, CHENG Jiming, REN Yige, et al. Large coal detection for belt conveyors based on improved YOLOv5[J]. Journal of Mine Automation,2024,50(2):57-62, 71.

  • 发表于:
  • 原文链接https://page.om.qq.com/page/OGoZbr5TmSxjDYNaGODFT5xA0
  • 腾讯「腾讯云开发者社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 cloudcommunity@tencent.com 删除。

扫码

添加站长 进交流群

领取专属 10元无门槛券

私享最新 技术干货

扫码加入开发者社群
领券