基于改进YOLOv5的矿用输送带纵向撕裂检测方法
于庆, 罗明华, 向亮, 游磊, 朱兴林
作者简介
于庆，研究员，硕士生导师，中煤科工集团重庆研究院有限公司测控分院副院长，煤矿灾害防控全国重点实验室学科带头人，重庆市矿山物联网关键技术工程技术研究中心主任，中国煤炭科工集团智能传感器创新团队负责人。长期从事矿山监测监控及信息化领域的技术与装备研究工作，主持及参与国家科技重大攻关、国家重点研发计划及省部级科技项目19项，多项研究成果达到国际领先或国际先进水平，获得国家及省部级科技进步奖6项，制修订行业标准10项，参与编写专著3部，取得国家授权发明专利36件、软件著作权10项；曾获中国煤炭科工集团劳动模范等荣誉称号。
扫码阅读全文
摘要
带式输送机输送带纵向撕裂可能引发重大安全事故。针对现有输送带撕裂检测算法精度低、抗干扰能力差的问题, 提出了一种基于多尺度特征融合的纵向撕裂检测系统。系统通过线性激光和高速相机实时捕获输送机胶带表面图像, 使用LoG算法对图像进行预处理, 提取图像关键区域、减少数据冗余, 并通过多尺度特征融合神经网络进行撕裂检测。在检测算法方面, 在神经网络主干网络引入ConvNeXt特征增强模块, 提高模型对细小撕裂纹理的特征提取能力, 在Neck部分使用双向特征金字塔网络(BiFPN)融合浅层细节纹理特征, 减少下采样过程中深层网络细节信息的丢失。实验结果表明, 改进后的算法对纵向撕裂故障检测的检测精度P和平均精度均值mAP分别达到了96. 34%、94. 36%, 优于其他主流的检测方法。
主要内容
提出一种基于多尺度特征融合的输送带纵向撕裂检测方法：通过线性激光和高速相机实时采集输送带表面纹理特征，研究基于高斯拉普拉斯算子LoG(Laplacian of Gaussian)预处理的算法对输入图像进行裁剪以降低后续推理计算量，并通过改进Backbone和Neck部分增强模型对小目标纹理特征的提取能力，以实现对输送带纵向撕裂故障的准确检测。
1. 撕裂检测系统
图 1 硬件系统原理图
2. 纵向撕裂检测算法设计
2.1 图像采集与预处理
图 2 不同宽度输送带成像示意图
表 1 图像预处理步骤
图 3 图像预处理算法流程
图 4 预处理后的兴趣区域
2.2 基于多尺度特征融合的撕裂检测神经网络
图 5 改进的多尺度特征融合网络结构
2.3 改进的Backbone设计
图 6 ConvNeXt模块结构原理
2.4 改进的Neck设计
图 7 FPN与PAN结构示意图
图 8 BiFPN结构示意图
3. 实验结果与分析
3.1 实验环境及参数设置
3.2 实验数据集
图 9 数据集图像示例
图 10 数据集预处理所得图像及其标签示例
3.3 评价指标
3.4 结果分析
表 2 消融实验结果
表 3 不同检测模型对比实验结果
图 11 改进模型与YOLOv5模型检测结果对比
3.5 现场应用
图 12 仿真实验环境
表 4 输送带纵向撕裂检测的混淆矩阵
图 13 改进模型的现场检测效果
4. 结束语
1) 针对带式输送机的输送带纵向撕裂检测问题，提出了一种基于多尺度特征融合的撕裂检测系统。该系统通过线性激光和高速相机实时捕获输送带表面纹理图像，并使用改进的目标检测模型检测撕裂情况。
2) 在图像识别方面，提出一种基于LoG算子的预处理算法，提取线激光所在的关键区域，减少后续推理的冗余计算。在Backbone网络中添加ConvNeXt模块，扩大了模型的感受野，提升了模型对小目标精细细节的感知能力。在Neck部分融入BiFPN框架，通过跨尺度残差连接增强不同网络层之间的特征信息传递，保留了初始深层网络中所遗失的细节信息。
3) 实验结果表明，提出的模型具有更高的精确率、召回率及平均精度均值。现场仿真实验也进一步验证了模型及系统的有效性。
于庆, 罗明华, 向亮, 游磊, 朱兴林. 基于改进YOLOv5的矿用输送带纵向撕裂检测方法[J]. 矿业安全与环保, 2024, 51(4): 1-8.
YU Qing, LUO Minghua, XIANG Liang, YOU Lei, ZHU Xinglin. Longitudinal tear detection method of mine conveyor belt based on improved YOLOv5[J]. Mining Safety & Environmental Protection, 2024, 51(4): 1-8.
END
供稿：陈玉涛
审核：熊云威
声明：本平台发布的所有稿件，《矿业安全与环保》均享有稿件的信息网络传播权。未经授权，不得匿名转载。本平台所使用的图片属于相关权利人所有，因客观原因，部分作品如存在不当使用的情况，请相关权利人随时与我们联系。
