基于改进YOLOv8的煤矿输送带异物检测_中国煤炭行业知识服务平台

基于改进YOLOv8的煤矿输送带异物检测

工矿自动化
网络首发时间：2024-06-19 15:09:42

作者

洪炎汪磊苏静明汪瀚涛李木石
单位

安徽理工大学电气与信息工程学院
摘要

现有基于深度学习的输送带异物检测模型较大，难以在边缘设备部署，且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题，提出一种基于改进YOLOv8的煤矿输送带异物检测方法。采用深度可分离卷积、压缩和激励(SE)网络将YOLOv8主干网络中C2f模块的Bottleneck重新构建为DSBlock，在保持模型轻量化的同时提升检测性能；为增强对不同尺寸目标物体信息的获取能力，引入高效通道注意力(ECA) 机制，并对ECA的输入层进行自适应平均池化和自适应最大池化操作，得到跨通道交互MECA模块，以增强模块的全局视觉信息，进一步提升异物识别精度；将YOLOv8的3个检测头修改为4个轻量化小目标检测头，以增强对小目标的敏感性，有效降低小目标异物的漏检率和错检率。实验结果表明：改进YOLOv8的精确度达91.69%，mAP@50达92.27%，较YOLOv8分别提升了3.09%和4.07%；改进YOLOv8的检测速度达73.92帧/s，可充分满足煤矿输送带异物实时检测的需求；改进YOLOv8的精确度、mAP@50、参数量、权重大小和浮点运算次数均优于SSD，Faster-RCNN，YOLOv5，YOLOv7-tiny等主流目标检测算法。
关键词

输送带异物检测 YOLOv8 SE网络高效通道注意力机制轻量化小目标检测自适应平均池化自适应最大池化
文章目录

0 引言
1 YOLOv8网络结构
2 改进YOLOv8网络
2.1 数据增强
2.2 SC2f模块
2.3 MECA 模块
2.4 小目标检测头
3 实验结果与分析
3.1 实验数据集
3.2 CED-YOLO性能验证
3.3 消融实验
3.4 主流算法性能对比
3.5 热力图可视化分析
4 结论