为达到电缆卷放车依据电铲移动情况合理收放电缆的目的，需对电铲进行实时检测。传统电铲检测方法是遥控电缆人员利用人眼观察前方电铲姿态，遥控电缆人员需与电铲司机协同作业，消耗大量时间。目前，基于深度学习的目标检测网络得到广泛应用，但未能很好地平衡检测速度与检测精度之间的关系，难以满足对矿用电铲实时、准确检测的需要。因此，本文在YOLOv7模型的基础上进行改进，提出一种改进YOLOv7模型，用于矿用电铲检测。

       改进YOLOv7模型网络结构如下图所示，其中红色方框和红色箭头表示改进部分，nclass为类别数量。主干网络采用GhostNet轻量化网络对输入进行初步特征信息提取。在颈部网络中，将YOLOv7模型中利用不同大小池化核进行并行最大池化处理的SPPCSPC模块（空间金字塔池化结构SPP和跨阶段局部网络CSPNet相结合）替换为利用相同大小池化核进行串行最大池化处理的SPPFCSPC模块，可在保持感受野不变的情况下提升速度；在此基础上引入GSConv替换SPPFCSPC模块中卷积核大小为3的普通卷积，组成SPPFCSPC−G模块，同时使用GSConv替代不改变特征图大小只改变特征图通道数量的普通卷积，进一步降低模型参数量、计算复杂度，以达到实时检测效果；采用嵌入CA（坐标注意力机制）并融合GSConv的ELAN−GC模块替换YOLOv7模型中的ELAN（扩展高效层聚合网络）模块，使网络更加关注有用的特征信息；将YOLOv7模型MP模块中卷积核大小为3的卷积修改为GSConv组成的MP−G模块；利用BiFPN（双向特征金字塔网络）对PANet（路径聚合网络）进行改进，提高目标检测能力，解决轻量化网络造成模型检测精度下降的问题。

       为评估改进YOLOv7模型对电铲检测的性能，与Faster R−CNN，YOLOv3，YOLOv4，YOLOv5，YOLOv7等目标检测模型进行对比实验，结果见下表。可看出，典型的两阶段Faster R−CNN模型虽然检测精度最高，但其庞大的模型计算量和参数量导致检测速度十分缓慢，难以达到实时检测的效果；典型的单阶段目标检测YOLOv3，YOLOv4，YOLOv5模型虽然在实时检测上较Faster R−CNN模型有明显改善，但对比改进YOLOv7模型仍存在较大差距，检测速度分别减小了68.1%，62.9%，42.8%；改进YOLOv7模型的平均精度仅比YOLOv7模型低了1.81%，但参数量较YOLOv7模型减少了75.4%，每秒浮点运算次数减少了82.9%，检测速度提高了24.3%。

       针对露天煤矿场景，使用YOLOv7模型和改进YOLOv7模型进行电铲检测效果对比，结果如下图所示。可看出YOLOv7模型和改进YOLOv7模型均可实现电铲检测，但YOLOv7模型针对小目标检测出现多处误检和漏检，如将安全帽误检为操作工具及针对多处操作工具均未检测出，且YOLOv7模型对电铲检测的置信度较低，检测效果不佳；改进YOLOv7模型对小目标能够实现准确检测，同时对电铲检测的置信度可达0.85以上。

宋立业（1972—），男，陕西铜川人，副教授，博士，主要研究方向为智能电网新技术、电力系统数字化监控技术，E-mail:372492761@qq.com。通信作者：赵小萱（1999—），女，辽宁阜新人，硕士研究生，主要研究方向为电气系统监控与节能技术、目标检测、图像处理，E-mail: 735211413@qq.com。                         

宋立业, 赵小萱, 崔昊. 基于改进YOLOv7的矿用电铲检测算法[J].工矿自动化, 2023, 49(12):18-24, 32.

SONG Liye,ZHAO Xiaoxuan,CUI Hao.Mining shovel detection algorithm based on improved YOLOv7[J].Journal of Mine Automation, 2023, 49(12):18-24, 32.