【目的】为解决人工统计钻孔冲煤量不准确以及效率低等问题，提出一种YOLOv8n、ResNet34和PP-OCRv4算法相结合的智能识别方法。【方法】该方法首先使用YOLOv8n算法完成一级检测，同时并行级联ResNet34算法与PP-OCRv4算法进行二级处理，并结合基于追踪帧数的分类状态判别方法，建立了冲煤量自动计算的算法框架。其次，在YOLOv8n的C2f模块中引入可变形卷积DCNv2模块，以削弱点状强光照对特征采集的影响，并将其默认的检测头替换为Dynamic Head检测头模块，以强化算法在尺度，空间和通道维度的特征提取能力，以及将CIoU损失函数替换为SIoU损失函数，以加速预测框与真实框的匹配，并利用自建的数据集对改进后的YOLOv8n算法进行验证。【结果和结论】结果表明：(1)与原算法相比，平均类别检测精度提高了7.6%，召回率提高了3.5%，精确率提高了6.4%，验证了改进策略对提升模型性能的有效性和稳定性。(2)对4个不同的瓦斯抽采水力冲孔钻场的实时视频进行测试，识别准确率分别为100.0%,93.3%,95.7%和93.1%，平均达到95.5%，满足了水力冲孔钻孔冲煤量自动识别的精度要求。(3)采用追踪帧数确定ResNet34分类状态的方法，解决了分类状态单次识别结果不可靠的问题。研究成果为YOLO系列算法与其他深度学习技术的融合和广泛应用提供了坚实的技术与实践基础，对促进瓦斯抽采钻场等煤矿井下复杂场景的智能化进步具有参考价值。

李小军,赵明炀,李淼.基于深度学习的钻孔冲煤量智能识别方法[J/OL].煤田地质与勘探,1-14[2025-01-21].http://kns.cnki.net/kcms/detail/61.1155.P.20250120.1009.002.html.