煤矿井下掘进巷道使用钢带辅助锚杆支护时，如果支护钢带锚孔的定位不准确，钻头打在钢带或锚网上易造成设备损坏，存在较大安全隐患。针对上述问题，提出了一种基于改进YOLOv5s模型的煤矿巷道支护钢带锚孔智能识别与定位方法。(1)通过超分辨率重构技术（SR）增加锚孔图像的清晰度，防止因图像模糊而丢失图像中锚孔边缘高频信息。(2)由于锚孔较小且摄像头距锚孔有一定距离，在卷积神经网络中易丢失较小锚孔的特征信息，影响锚孔检测效果。在YOLOv5s模型的Backbone网络中添加坐标注意力机制（CA）模块，增加YOLOv5s网络中特征提取网络的网络层数，将目标物体的坐标信息融入到卷积网络中，可有效提取锚孔小目标特征信息，从而提高锚孔检测成功率。(3)利用嵌入CA模块的YOLOv5s网络训练经SR重构后的锚孔数据集，得到改进后的YOLOv5s模型，即SR-CA-YOLOv5s模型。(4)采用SR-CA-YOLOv5s模型结合双目摄像头对锚孔进行实时识别与定位。实验结果表明：相较于YOLOv5s模型，SR-CA-YOLOv5s模型的平均精度均值为96.8%，较YOLOv5s模型提高了3.1%;SR-CA-YOLOv5s模型有更好的检测能力，在一定程度上避免了漏检；虽然SR-CA-YOLOv5s模型的每秒填充图像的帧数（FPS）降低了18.5帧/s，但其FPS仍保持在166.7帧/s，并不影响模型的实时检测功能。实际测试结果表明：SR-CA-YOLOv5s模型能够在不同光照条件下准确检测出锚孔并获得锚孔相对于摄像头的三维坐标，坐标误差在6 mm以内，且FPS满足实时性要求。

国家重点研发计划项目（2020YFB1314004）；山西省揭榜招标项目（20201101008）；山西省重点研发计划项目（202102100401015）；

0 引言
1 基于机器视觉的锚孔定位方法
1.1 锚孔智能识别与定位流程
1.2 SR-CA-YOLOv5s模型构建
1.2.1 SR模型融入设计
1.2.2 CA模块融合设计
2 锚孔识别实验与结果分析
2.1 数据集构建
2.2 模型评价
2.3 消融实验
2.4 SR-CA-YOLOv5s模型检测效果验证
3 SR-CA-YOLOv5s模型应用效果验证
4 结论

张夫净,王宏伟,王浩然,李正龙,王宇衡.煤矿巷道支护钢带锚孔智能识别与定位[J].工矿自动化,2022,48(10):76-81.DOI:10.13272/j.issn.1671-251x.2022080070.