一
研究背景
现有基于深度学习的输送带异物检测模型较大，难以在边缘设备部署，且对不同尺寸异物和小目标异物存在错检、漏检情况。针对上述问题，提出一种基于改进YOLOv8（CED-YOLO）的煤矿输送带异物检测方法。
二
研究内容
1、改进YOLOv8网络结构
训练集图像经由卷积提取特征语义信息，经过改进后的C2f模块和EMCA模块进行特征融合，提取较弱的特征信息，以更好地定位目标；在Neck部分对特征图进行处理，提取异物前景信息，并将融合后的特征图传递给Head部分进行检测和分类；Head部分增强为4个轻量化检测头，得到训练权重；将训练好的网络权重应用于测试集上进行测试，获得客观的评价指标。
2、SC2f模块
C2f模块的卷积大多为固定尺寸，无法对目标检测物进行深度检测，存在错检、漏检的可能性。针对该问题，采用压缩和激励 (SE)网络模块，将C2f模块的Bottleneck重新构建为DSBlock，并将改进后的C2f模块命名为SC2f。
DSBlock采用常见的分支结构，其中包含卷积操作和注意力融合操作。对输入特征图进行一次卷积操作，以准确捕捉目标。通过深度可分离卷积对输入特征图进行特征提取，利用分支对提取的特征进行加工和学习。
3、MECA 模块
为进一步提升模型的性能，对ECA的输入层进行自适应平均池化和自适应最大池化操作，随后进行相加操作，以增强模块的全局视觉信息，使模型可适应不同大小的输入。MECA模块可在保持较少参数的同时，有效提高网络对目标特征的关注度，从而提升整体网络的检测精度。
4、小目标检测头
通过增加小目标检测头对检测层进行改进。
为减轻增加小目标检测头造成的计算负担，构建了全新的轻量化检测头。通过引入PConv卷积对检测头进行轻量化改进。
三
实验结果
采用相同数据集，在相同实验环境下，将CED-YOLO与主流目标检测算法SSD，Faster-RCNN，YOLOv3，YOLOv5，YOLOv7-tiny等算法进行对比。CED-YOLO的精确度、mAP@50、参数量、权重大小和浮点运算次数均优于大多主流模型。CED-YOLO的精确度和mAP@50分别达92.27%和91.69%，较改进前提升了3.09%和4.07%。
作者简介
洪炎(1979—)，男，重庆万州人，教授，博士，主要研究方向为图像处理与物联网，E-mail:hong5212724@163.com。通信作者：汪磊(1997—)，男，安徽六安人，硕士研究生，主要研究方向为深度学习与嵌入式系统、目标检测，E-mail:wljy2023@163.com。
引用格式
洪炎，汪磊，苏静明，等. 基于改进YOLOv8的煤矿输送带异物检测[J]. 工矿自动化，2024，50（6）：61-69.
HONG Yan, WANG Lei, SU Jingming, et al. Foreign object detection of coal mine conveyor belt based on improved YOLOv8[J]. Journal of Mine Automation，2024，50（6）：61-69.
扫码阅读全文
