现有煤矸分割识别技术中参数量大、分类速度慢和识别准确度不高，无法满足实时性或实际生产需求；YOLOv5-seg模型在上下采样操作中易造成图像表面的纹理细节和灰度特征信息丢失，降低煤矸识别效率；YOLOv5-seg模型在训练过程中过分侧重于全局特征，而忽略了对煤矸识别至关重要的局部显著区域和特征。针对上述问题，提出了一种基于YOLOv5-SEDC模型的煤矸石分割识别方法。首先接收包含煤矸形状信息的图像，并利用主干网络进行特征提取，生成特征图；其次在YOLOv5-seg模型中集成SENet模块，以保留煤与矸石表面的纹理细节和灰度特征，避免下采样带来的信息丢失；然后采用不同膨胀率的空洞卷积策略替代传统卷积核，不仅扩大了模型的感受野，还有效减少了模型参数量；最后分割检测头对融合后的特征进行精细处理，实现对煤矸的精确分割和识别。在大柳塔煤矿实际煤矸分选现场建立了煤矸图像采集实验平台：消融实验结果表明：YOLOv5-SEDC模型的煤和矸石识别的准确率较YOLO v5-seg模型平均提高1.3%，参数量减少了0.7×106，检测速度提高了2.4 m/s。对比实验结果表明：① YOLO v5-SEDC模型的精确率较YOLOv3-tiny，YOLOv5-seg，Mask-RCNN模型分别提高了10.7%，2.7%，1.9%，达到95.8%。② YOLOv5-SEDC模型的召回率较YOLOv3-tiny，YOLOv5-seg，Mask-RCNN模型分别提高了3.0%，2.1%，0.9%，达到89.1%。③ YOLOv5-SEDC模型的平均精度均值较YOLOv3-tiny，YOLOvseg，Mask-RCNN模型分别提高了6.4%，6.3%，1.8%，达到95.5%。④ YOLOv5-SEDC模型的F1值较YOLOv3-tiny，YOLOv5-seg，Mask-RCNN模型分别提高了5.2%，4.2%，2.1%，达到92.2%。⑤ YOLOv5-SEDC模型的检测速度较YOLOv3-tiny，YOLOv5-seg，Mask-RCNN模型分别降低了1.9，1.4，2.7 ms，更符合实际应用场景。可视化结果表明：YOLOv5-SEDC模型对煤和矸石的检测准确度较YOLOv5-seg和Mask-RCNN模型更高，说明了YOLOv5-SEDC模型在煤矸分割识别上具有较好性能。

0　引言
1 YOLOv5-seg模型
2 YOLOv5-SEDC模型
2.1 SENet模块
2.2 空洞卷积
2.3 YOLOv5-SEDC模型结构
3 实验结果与分析
3.1 煤矸分割数据集制作
3.1.1 实验数据集采集
3.1.2 数据预处理
3.2 实验环境及评估指标
3.3 结果分析
4 结论

杨洋,李海雄,胡淼龙,等.基于YOLOv5-SEDC模型的煤矸分割识别方法[J/OL].工矿自动化,1-7[2024-08-22].https://doi.org/10.13272/j.issn.1671-251x.2024010078.