基于改進YOLOv5 的煤矸識別研究

張釋如，黃綜瀏，2，張袁浩，章鰲，2，季亮

（1. 西安科技大學 通信工程學院，陜西 西安 710600；2. 中煤科工集團常州研究院有限公司,江蘇 常州 213015；3. 天地（常州）自動化股份有限公司，江蘇 常州 213015）

0 引言

煤炭是我國的重要能源，國內原煤中矸石占15%～20%[1-2]，嚴重影響了煤的品質。應急管理部和國家礦山安全監察局在《“十四五”礦山安全生產規劃》中要求重點突破復雜條件下的智能綜采，建設無人、少人智能化示范礦山。而目前大部分煤礦利用人工篩選矸石，不能滿足煤礦智能化發展要求，亟需一種自動化程度高、檢測效果好的煤矸識別方法。

深度學習是一種對數據進行表征學習的機器學習算法， 深度學習框架包括卷積神經網絡（Convolutional Neural Network，CNN）、深度置信網絡、遞歸神經網絡等，已被應用在計算機視覺、語音識別等領域。深度學習在煤矸識別中的應用研究也取得了一定成果。曹現剛等[3]采用inception 模型有效提高了煤矸識別準確率，但利用softmax 分類需要大量數據樣本。Pu Yuanyuan 等[4]通過遷移VGG16網絡構建煤矸識別模型，極大減少了訓練時間，但檢測精度不高。杜京義等[5]利用K-means 聚類提高對前景區域的關注度，提高了煤矸檢測精度，但檢測穩定性有待檢驗。汝洪芳等[6]通過優化YOLOv5 網絡交并比損失并增強極大值抑制效果，提高了煤矸識別精度，但模型含有大量參數，很難保證識別速度。桂方俊等[7]在YOLOv5 中串聯空間注意力模塊和通道注意力模塊，有效避免了漏檢和誤檢現象，但未解決小目標檢測問題。沈科等[8]在YOLOv5s 中嵌入SCConv 作為特征提取網絡，緩解了多尺度特征提取不充分問題，同時大幅提高了煤矸檢測速度，但刪除了模型中頸部網絡和預測模塊的部分區域，降低了特征提取能力，對檢測精度影響較大，很難保證檢測的魯棒性。……