刮板输送机作为综采工作面的主要运输设备，运行状态直接影响生产效率。在其工作过程中，由于采煤过程产生的较大煤块，易造成板刮输送机运输过程的拥堵。然而，煤矿工作环境的恶劣、煤的颜色属性等造成大块煤的检测异常困难，为此本文提出一种融合注意力机制和先验知识的煤矿刮板输送机异常煤块检测模型。为兼顾异常煤检测的准确性与实时性，采用YOLO v4端到端检测模型同时检测出异常煤块的类别信息；考虑到刮板输送机中包含与异常煤块无关的信息，以神经科学和空间抑制思想为基础，构建一种以能量函数为载体的注意力机制检测刮板输送机中不同区域异常煤块，提高异常煤块的检测精度；针对基于深度神经网络的异常煤块检测过多依赖数据且泛化能力较低，受人们经验学习影响的问题，提出具备特征提取的先验知识来降低模型对数据的依赖和提高模型的检测效率；构建了煤矿实际生产场景中异常煤块检测数据集。结果表明：与其他模型相比，所提出模型在测试集上的检测精度可达90.28%,相比YOLO v3和YOLO v4分别提高了5.82%和5.17%,明显优于其他模型；检测速度每秒可达28帧，满足实时检测的需求，同时验证了本文所提出注意力机制和先验知识模型的有效性。

国家重点研发计划子课题资助项目(2017YFC080431)；

0 引 言
1 异常煤块检测模型构建
1.1 图像预处理
1.2 特征提取
1.2.1 先验知识
AM/3DW结构'>1.2.2 CSPAM/3DW结构
1.3 检测部分
2 数据来源
3 实验与分析
3.1 实验
3.1.1 网络参数设置
3.1.2 评价指标
3.2 结果和分析
3.2.1 结果
3.2.2 检测结果可视化
4 结 论

王渊,郭卫,张传伟,贺海涛,赵栓峰,路正雄.融合注意力机制和先验知识的刮板输送机异常煤块检测[J].西安科技大学学报,2023,43(01):192-200.DOI:10.13800/j.cnki.xakjdxxb.2023.0123.