基于改進YOLOv5s+DeepSORT的煤塊行為異常識別

張旭輝， 閆建星， 張超， 萬繼成， 王利欣， 胡成軍， 王力， 王東

（1. 西安科技大學 機械工程學院，陜西 西安 710054；2. 中煤（天津）地下工程智能研究院，天津 300121；3. 陜西煤業化工集團 孫家岔龍華礦業有限公司，陜西 榆林 719314）

0 引言

煤礦環境及危險源感知與安全預警是智能煤礦與智能化開采關鍵核心技術[1]。綜采工作面在采煤過程中會產生大量煤矸，為防止煤塊對運輸設備造成損壞，準確識別與檢測刮板輸送機上的煤塊及其數量，判斷煤塊滯留、堵塞狀態并進行預警至關重要[2]。

目前，煤塊檢測方法主要包括傳統圖像檢測和深度學習目標檢測2類。張渤等[3]通過對圖像進行預處理、灰度化、閾值分割，提取運動煤塊進行標記，實現了大塊煤檢測。許軍等[4]提出了一種基于圖像處理的溜槽堆煤預警方法，通過分析圖像運動和亮度特性，根據閾值提取煤塊區域，計算煤塊煤粒度比值和累計煤粒度比值的大小進行堆煤預警。張立亞[5]采用無監督分割算法獲取煤堆邊界，根據煤量在網格中的時間長短判斷堆煤預警。以上文獻都是通過傳統圖像處理進行邊緣提取和利用閾值來識別煤塊和堆煤預警，存在檢測精度不高、實時性較差、無法對堆煤進行準確判斷等問題。深度學習目標檢測方法主要有雙階段檢測方法和單階段檢測方法[6-8]。南柄飛等[9]提出了一種基于視覺顯著性的煤礦井下關鍵目標對象實時感知方法，提高了目標檢測的精度與實時性。杜京義等[10]針對現有……