基于YOLOv5n?CND 的礦用輸送帶異物檢測(cè)

摘要：針對(duì)異物圖像背景復(fù)雜、特征提取能力弱、粘連小目標(biāo)的檢測(cè)精度低、檢測(cè)框定位及尺度失真等問題，提出了一種基于YOLOv5n?CND 的礦用輸送帶目標(biāo)檢測(cè)算法。首先，采用C2f 對(duì)特征金字塔進(jìn)行優(yōu)化，使用更少參數(shù)解決在井下異物圖像采集背景復(fù)雜且存在復(fù)雜目標(biāo)干擾對(duì)小目標(biāo)檢測(cè)不敏感的問題；然后，采用歸一化高斯瓦薩斯坦距離（NWD） 回歸損失函數(shù)替代CIoU，改善多尺度異物檢測(cè)效果不佳的問題，實(shí)現(xiàn)粘連小目標(biāo)的精準(zhǔn)檢測(cè)；最后，添加目標(biāo)檢測(cè)頭（Dy Head），將尺度、空間和任務(wù)3 種注意力機(jī)制結(jié)合，提高對(duì)異物輪廓的特征提取能力，增強(qiáng)對(duì)多尺度目標(biāo)的適應(yīng)能力。實(shí)驗(yàn)結(jié)果表明：YOLOv5n?CND 的mAP@0.5、mAP@0.5∶0.95、參數(shù)量及檢測(cè)速度分別為87.9%，55.9%，4.49×106 個(gè)，85.5 幀/s，滿足煤礦井下異物檢測(cè)需求；YOLOv5n?CND 的mAP@0.5 和mAP@0.5∶0.95 較YOLOv5n 分別提高了2.6% 和3.4%，較YOLOv5s?CBAM 分別提高了1.7% 和3.8%；模型參數(shù)量在YOLOv5n 的基礎(chǔ)上略有提升，但較其他模型參數(shù)量均有所降低。選取異物與背景相近的細(xì)長(zhǎng)檢測(cè)物、光照比較低的錨桿檢測(cè)物、大量煤矸石混雜的檢測(cè)物、含有多個(gè)異物4 種場(chǎng)景進(jìn)行測(cè)試，結(jié)果表明：基于YOLOv5n?CND 的礦用輸送帶異物檢測(cè)算法未出現(xiàn)誤檢及重復(fù)檢測(cè)的情況，漏檢較少，檢測(cè)框定位準(zhǔn)確，對(duì)粘連小目標(biāo)的處理效果更好，能夠?qū)崿F(xiàn)輸送帶異物的準(zhǔn)確檢測(cè)。

關(guān)鍵詞：礦用輸送帶；異物檢測(cè)；粘連小目標(biāo)檢測(cè)；YOLOv5n；C2f 模塊；歸一化高斯瓦薩斯坦距離模塊；Dy Head 檢測(cè)頭

中圖分類號(hào)：TD634.1 文獻(xiàn)標(biāo)志碼：A

0 引言

煤礦在運(yùn)輸環(huán)節(jié)常使用礦用輸送帶， 其安全穩(wěn)定是煤炭運(yùn)輸?shù)闹攸c(diǎn)內(nèi)容[1?3]。運(yùn)輸中時(shí)常夾雜矸石、鐵器等異物，易導(dǎo)致輸送帶撕裂，影響生產(chǎn)安全[4]。及時(shí)檢測(cè)并處理輸送帶異物對(duì)降低安全風(fēng)險(xiǎn)、預(yù)防生產(chǎn)停滯、提升經(jīng)濟(jì)價(jià)值具有重要意義[5]。

采用傳統(tǒng)方式[6-8]進(jìn)行異物檢測(cè)時(shí)，檢測(cè)精度低且檢測(cè)速度慢，因此，許多研究人員借助計(jì)算機(jī)視覺提升目標(biāo)檢測(cè)效果。王閏澤等[9]擴(kuò)大VGG16 網(wǎng)絡(luò)感受野并引入殘差結(jié)構(gòu)，以提升網(wǎng)絡(luò)性能，減少異物漏檢，但網(wǎng)絡(luò)參數(shù)調(diào)整難度大，模型也不夠高效靈活。王超等[10]使用八度卷積代替?zhèn)鹘y(tǒng)卷積，增強(qiáng)細(xì)節(jié)特征提取效果，提高了檢測(cè)精度，但增加了計(jì)算量，影響檢測(cè)速度。吳守鵬等[11]以Faster?RCNN 為基礎(chǔ)，用雙向特征金字塔網(wǎng)絡(luò)（Double-sided FeaturePyramid Networks， DSFPN） 對(duì)特征金字塔（FeaturePyramid Networks，F(xiàn)PN）結(jié)構(gòu)進(jìn)行改進(jìn)，解決了輸送帶異物存在多尺度情況影響檢測(cè)精度的問題，提升了對(duì)小塊矸石的檢測(cè)能力和大尺寸異物的識(shí)別精度，但DSFPN 增加了模型訓(xùn)練的復(fù)雜性，降低了模型的收斂速度。雷世威等[12]改進(jìn)YOLOv3 模型，加深網(wǎng)絡(luò)結(jié)構(gòu)以提升對(duì)異物的辨識(shí)度，但增大了模型計(jì)算量。徐志強(qiáng)等[13]基于模型剪枝技術(shù)對(duì)相似度高的卷積核進(jìn)行裁剪，減少了模型冗余，但容易破壞原有結(jié)構(gòu)的完整性，剪枝后的模型對(duì)異物特征提取能力不足，檢測(cè)效果仍有進(jìn)一步提升的空間。郭永存等[14]采用遷移學(xué)習(xí)的方式優(yōu)化煤矸識(shí)別模型，改善了尺寸大小及色彩明暗影響異物識(shí)別率的問題，但改進(jìn)后的模型在實(shí)驗(yàn)訓(xùn)練過程收斂速度變慢。任志玲等[15]提出了基于改進(jìn)CenterNet 的異物識(shí)別方法，降低了煤矸石及鐵器誤檢漏檢率，但增加了計(jì)算成本和模型參數(shù)，且對(duì)圖像邊緣特征提取能力不足。來文豪等[16]選取不同光段構(gòu)建異物數(shù)據(jù)集，調(diào)整優(yōu)化YOLOv4 網(wǎng)絡(luò)，將檢測(cè)時(shí)間大幅縮短，但只調(diào)整特定波段，難以適應(yīng)異物檢測(cè)的復(fù)雜環(huán)境。李永上等[17]通過添加卷積塊注意力機(jī)制（Convolutional BlockAttention Module， CBAM）改進(jìn)YOLOv5 模型，提升了檢測(cè)速度，但模型泛化能力減弱。沈科等[18]針對(duì)煤塊與異物尺寸相對(duì)整張圖像過小的問題，通過錨框縮放提升檢測(cè)精度，但對(duì)多尺度的特征感知能力減弱，易出現(xiàn)檢測(cè)框定位不準(zhǔn)及尺度失真的情況。郝帥等[19]采用深度可分離卷積改進(jìn)YOLOv5 網(wǎng)絡(luò)，降低圖像模糊對(duì)檢測(cè)的影響，并增強(qiáng)樣本數(shù)，均衡樣本類別降低過擬合風(fēng)險(xiǎn)，減少了模型的參數(shù)量，但模型對(duì)小目標(biāo)和粘連異物目標(biāo)檢測(cè)效果不佳。

針對(duì)異物圖像背景復(fù)雜、特征提取能力弱、尺度失真、檢測(cè)框定位不準(zhǔn)等問題，本文在YOLOv5n 的基礎(chǔ)上進(jìn)行改進(jìn)，提出了一種YOLOv5n?CND 模型，并應(yīng)用于煤礦輸送帶異物檢測(cè)。采用C2f 替換C3 模塊，提高模型特征提取能力，獲得更豐富的梯度流信息； 采用歸一化高斯瓦薩斯坦距離（Normalized Wasserstein Distance，NWD）損失函數(shù)改善預(yù)測(cè)框回歸計(jì)算效果差的問題，提高小目標(biāo)異物的檢測(cè)精度，減少漏檢、誤檢情況；在頭部借助DyHead，提高對(duì)異物輪廓特征的提取能力，避免尺度失真，提升模型檢測(cè)性能。