基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法
作者
陈腾杰1，李永安1,2,3，张之好1，林斌4
作者单位
1. 太原理工大学 机械与运载工程学院，山西 太原 030024；2. 太原理工大学 山西省煤矿智能装备工程研究中心，山西 太原 030024；3. 太原理工大学 智能采矿装备技术全国重点实验室，山西 太原 030024；4. 华晋焦煤有限责任公司 沙曲一号煤矿，山西 吕梁 033000
一
研究背景
现有带式输送机异物检测方法存在提取目标语义信息能力弱、检测精度差等问题，且仅对异物进行识别检测，不能准确计算异物数量。针对上述问题，设计了一种基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法。
二
研究内容
改进YOLOv8n（MSF-YOLOv8n）模型结构如下。
1）使用轻量级的混合局部通道注意力（MLCA）模块改进C2f模块中的Bottleneck模块，记作C2f_MLCA模块。该模块能够同时考虑通道信息和空间信息，并结合局部信息和全局信息，以提高网络在井下恶劣环境中的识别效果。
2）使用分离和增强注意力模块（SEAM）改进Head部分，以提高异物被遮挡情况下的检测精度。
3）采用Focaler-IoU优化损失函数，使模型在不同尺度的异物检测任务中聚焦不同的回归样本，改善边框回归效果。使用MSF-YOLOv8n检测带式输送机上的异物，将检测结果输入DeepSORT算法对连续跟踪的异物进行ID编码，最后的ID数值即为带式输送机上存在的异物数量。
三
实验结果
1 、MSF-YOLOv8n模型性能验证实验
消融实验结果表明：3个改进部分的协同作用使mAP50提升了2.1%，参数量减少了0.19×106，帧率略有下降，为101 帧/s。MSF-YOLOv8n模型在满足实时检测要求的同时，提高了模型检测精度，减轻了边缘设备的计算负担。
可视化结果表明，MSF-YOLOv8n模型能够很好地处理被遮挡及多尺度的目标。
对比实验结果表明：① MSF-YOLOv8n模型的检测精度比YOLOv5s，YOLOv7，YOLOv8s，YOLOv8n模型分别高2.2%，1.3%，0.3%，2.1%；帧率比YOLOv8s和YOLOv8n分别低14，10 帧/s；MSF-YOLOv8n模型的参数量仅为2.82×106，更适合部署到巡检机器人等边缘设备中。② MSF-YOLOv8n模型收敛速度快，在保持较高检测速度的情况下，检测精度也高于其他流行模型。③ MSF-YOLOv8n模型能够在各种具有挑战性的场景中正确识别各类异物，并且在煤流遮挡情况下精准获取异物信息。
2、异物检测及计数实验
异物检测及计数实验结果表明，DeepSORT算法的准确率达80%，可准确跟踪被遮挡的锚杆及形状差异较大的目标。
作者简介
李永安（1984—），男，陕西杨凌人，副研究员，博士研究生，主要研究方向为矿用装备电液控制技术与机器人化，E-mail：lya1984610@126.com。
第一作者：陈腾杰（1998—），男，山西临汾人，硕士研究生，主要研究方向为矿用巡检机器人技术，E-mail：2460483626@qq.com。
引用格式
陈腾杰，李永安，张之好，等. 基于改进YOLOv8n+DeepSORT的带式输送机异物检测及计数方法[J]. 工矿自动化，2024，50（8）：91-98.
CHEN Tengjie, LI Yong'an, ZHANG Zhihao, et al. Foreign object detection and counting method for belt conveyor based on improved YOLOv8n+DeepSORT[J]. Journal of Mine Automation，2024，50（8）：91-98.
扫码阅读全文
