针对目前机器视觉算法在粉尘检测领域未能将位置信息与浓度值结合的问题，提出一种将改进YOLOv5与多变量模型相结合的算法。首先，搭建一套用于采集制作粉尘数据集的模拟实验平台，分别制作粉尘位置信息数据集和粉尘浓度数据集；然后，使用改进后的YOLOv5对粉尘位置信息数据集进行训练获得训练权重；同时，将粉尘浓度数据集中粉尘图像转换到不同颜色空间，从中提取颜色特征和纹理特征，分析这些特征与粉尘浓度的关系建立多变量模型；最后，将该多变量模型与YOLOv5结合获得实时识别粉尘位置信息并检测其浓度的能力。实验结果表明：改进后的YOLOv5粉尘识别模型相比于原模型精确率、召回率分别提升2.6%、3.1%，精确率达到91.8%，召回率达到90.8%，且与多变量模型结合后，算法获得粉尘浓度检测能力，检测精度达到98.79%，调整精度达到96.03%。

屠陆阳,陈清华,程迎松,等.基于机器视觉的粉尘识别与浓度检测方法研究[J/OL].煤矿安全,1-11[2024-07-21].https://doi.org/10.13347/j.cnki.mkaq.20240469.