煤矿井下环境特殊，钻机工作场景复杂多变，存在强光、水汽、遮挡等因素干扰钻机识别效果，易出现误检漏检现象；同时钻机工作时钻机尾部常出现卡顿和无效运动等异常行为，影响钻杆计数准确性。针对上述问题，基于深度学习技术提出了一种煤矿钻杆实时计数方法，由基于AM-NT优化的钻机识别模型Drill-YOLOv8和基于两级判定区域的钻杆计数推理算法Pipe-Count两部分组成。首先，从煤矿井下真实监控录像中采集钻机工作录像视频，标注并构建煤矿钻杆计数图像数据集CMDPC；然后，构建改进的钻机识别模型Drill-YOLOv8，引入Triplet注意力提升主干网络对钻机目标的特征提取能力，改进Slim-Neck颈部网络结构平衡模型精度和复杂度，设计DDA Head模块替换检测头结构以提升模型头部对钻机目标多维度信息的关注度；最后，设计以两级判定区域统计钻机尾部有效运动次数为原理的钻杆计数推理方法Pipe-Count，依据Drill-YOLOv8检测器结果自动适应生成两级判定区域，使用ByteTrack实现钻机尾部目标追踪，通过判定区域更新钻机尾部运动状态，从而间接实现钻杆实时计数。在CMDPC数据集上的实验表明，改进的Drill-YOLOv8模型在mAP@0.5和mAP@[0.5:0.95]指标分别提升3.0%和2.7%，有效解决了强光、水汽和遮挡环境下钻机头部和钻杆目标误检漏检问题，检测速度为86帧/秒；计数推理算法Pipe-Count的加权平均误计率为2%，面对多场景数据表现出良好的鲁棒性，且处理速度达到40帧/秒，满足实时计数要求。

0 引言
1 数据集构建与评价指标
1.1 数据集构建
1.2 评价指标
2 基于AM-NT优化YOLOv8的钻机识别模型
2.1 YOLOv8模型
2.2 基于AM-NT优化的钻机识别模型
2.2.1 Triplet注意力模块
2.2.2 Slim-Neck颈部网络
2.2.3 DDA Head模块
3 基于区域判定的钻杆计数算法
4 实验与结果分析
4.1 钻机识别实验
4.1.1 对比实验
4.1.2 消融实验
4.1.3 影响因素验证实验
4.2 钻杆计数实验
5 结论