针对现有基于人工及仪器的钻杆计数法存在精度较低、耗时耗力，现有基于图像处理的钻杆计数方法难以提取图像特征，网络模型复杂度高、计算量大等问题，提出了一种基于改进MobileNetV2的钻杆计数方法。通过摄像头采集钻机工作状态图像，采用数据增强对采集的图像进行预处理，在MobileNetV2的基础上，添加卷积注意力模块增强特征的细化能力，优化目标函数提升识别精度，通过迁移学习获取初始参数。将改进后的MobileNetV2作为钻机工作状态识别模型，提取钻机工作状态特征，通过识别钻杆钻进完整过程中装钻杆、打钻杆、卸钻杆、停机4种钻机工作状态生成置信度数据，通过滑动窗口对置信度数据进行滤波，统计钻杆数量，明确钻孔深度。实验结果表明：改进后的MobileNetV2模型识别准确率达99.95%，与经典分类模型ResNet50,Xception,InceptionV3,InceptionResNetV2,MobileNetV2相比，准确率分别提升了1.35%,1.28%,1.43%,0.85%,1.25%，参数量比MobileNetV2模型减少了38.9%，模型收敛速度更快，综合性能更好。将基于改进MobileNetV2的钻杆计数方法应用于煤矿综采工作面的钻杆计数中，平均钻杆计数精度为98.4%，实现了钻杆精确计数，验证了该方法在复杂环境下应用的可行性和实用性。

安徽省重点研究与开发计划项目（202104g01020012）；安徽理工大学环境友好材料与职业健康研究院研发专项基金项目（ALW2020YF18）；

张栋,姜媛媛.基于改进MobileNetV2的钻杆计数方法[J].工矿自动化,2022,48(10):69-75.DOI:10.13272/j.issn.1671-251x.2022060019.