改進YOLOv7的煤巖圖像檢測算法

趙艷芹, 鄧虎誠

(黑龍江科技大學 計算機與信息工程學院, 哈爾濱 150022)

0 引 言

能源問題緊密聯系著國家的經濟社會全局發展,保障煤炭穩定供應就是維持社會穩定運行。降本增效,就是礦山智能化追求的重要目標[1],而煤巖圖像檢測技術就是制約煤炭智能開采的關鍵難題。

早期煤巖識別包括超聲波檢測、雷達檢測、紅外線檢測[2-4],這些檢測方法需要額外的物理傳感器,檢測裝置僅能分析出煤炭和巖石不同的物理特征,識別效果不理想。隨著深度學習技術發展,圖像分析技術邁入蓬勃發展時期。司壘等[5]通過改進U-net網絡模型,有效提升了煤巖圖像分割性能。高峰等[6]提出了一種基于塔式池化架構和卷積網絡的模型,提高了煤巖檢測精度。孫傳猛等[7]針對煤巖界面連續和貫穿的特點,采用改進YOLOv3算法加快了測試時間。雖然這些深度學習方法能夠取得較好的實驗結果,但是距離真正應用還有一定差距。其中最主要的問題就是檢測精度不夠高,模型體量過大。針對以上問題,文中基于YOLOv7模型[8],引入高效卷積模塊ConvNeXt[9]來增強算法對煤巖圖像全局信息的獲取,然后用SimAM[10]機制取代1×1大小的卷積,使算法更加關注煤炭信息在整個煤巖圖像上的分布,最后將原始算法中的CIoU置換為αIoU[11],分析增強算法不同環境下煤巖圖像的適用性,通過這些改進,降低模型計算量,實現對煤巖圖像的精準高效檢測。

1 YOLOv7網絡

YOLOv7是YOLOv4作者團隊提出的最新YOLO系列算法,它在保持高檢測精度的同時,檢測速度也超越相同體量下的YOLO系列算法。……